UNIVERSIDADE ESTADUAL DO CEARÁ      INSTITUTO FEDERAL DE EDUCAÇÃO CIÊNCIAS E              TECNOLOGIA DO CEARÁ    CONVÊNIO ...
MANOEL VILLAS BÔAS JÚNIORDIAGNÓSTICO DE CLASSE UTILIZANDO INTELIGÊNCIA DE ENXAMES APLICADO AO PROBLEMA DE IDENTIFICAÇÃO DE...
MANOEL VILLAS BÔAS JÚNIORDIAGNÓSTICO DE CLASSE UTILIZANDO INTELIGÊNCIA DE ENXAMES  APLICADO AO PROBLEMA DE IDENTIFICAÇÃO D...
"O sucesso nasce do querer. Sempre que o homem aplicar a determinação e apersistência para um objetivo, ele vencerá os obs...
DEDICATÓRIA       As duas estrelas brilhantes que fazem parte de minha constelação, meu pai eminha mãe, que mais uma vez i...
AGRADECIMENTO       Certa vez eu li que sempre devemos ter palavras que expressem o agradecimentosincero, procuro estas pa...
RESUMO       Este trabalho apresenta um modelo de Sistema de Diagnóstico para apoio adecisão, baseado na identificação de ...
ABSTRACT       This work presents a model of Diagnosis System for decision support, based onthe identification of classes,...
SUMÁRIOLISTA DE FIGURAS......................................................................................................
4. IMPLEMENTAÇÃO DO METÓDO PROPOSTO .........................................................................................
A.1. Evolução Temporal de 61 segundos........................................................................................
xiii                                                                      LISTA DE FIGURASFigura 1.1 - Separação baseada e...
xivFigura 4.10 - Resultado da quantidade de acertos (177) obtida na variação de w para a                         métrica M...
xv                                                                   LISTA DE TABELASTabela 2.1 - Resultado Exemplo do PSO...
xviTabela A.4 - Resultado variação de                                                                       .................
1Introdução       Uma importante e natural atividade humana é o processo de agrupar pessoas,fatos e objetos em classes sim...
2       Sistemas de apoio a decisão, tais como sistemas de diagnóstico e classificação deacidentes/transientes de uma Usin...
3das variáveis em conjuntos nebulosos, e estabelecer zonas de influência de cadaacidente. Os algoritmos genéticos tinham o...
4         Dentro deste contexto, é apresentado nesta dissertação o desenvolvimento de ummodelo de sistema de diagnóstico q...
5      O Anexo I, mostra os resultados de todos os testes realizados, com diversosvalores para os parâmetros do PSO e das ...
6                 Capítulo 1Fundamentação Teórica       De acordo com OLIVEIRA (2008), a separação de dados pode oferecer ...
7separação de dados baseado em classes, influenciando diretamente na qualidade dadivisão das classes.       Conjuntos de d...
8agrupados em classes, desta forma cada nível da árvore corresponde a uma divisão doconjunto de dados, e a raiz da árvore ...
9        são formatados para que o algoritmo de separação de dados baseado em classes        possa processá-los.   2. Medi...
10               (     )               (     )               (     )       (    )               (     )       (    )  ...
11              FIGURA 1.3 - Representação Euclidiana para 2 dimensões.       Para três dimensões, conforme demonstrado na...
12embora a maioria dos problemas seja descrito por três dimensões espaciais, uma grandeparte possui mais de 3 dimensões. G...
13                   FIGURA 1.5 - Distância Manhattan e Euclidiana1.2.3 – Métrica de Minkowski       A métrica de Minkowsk...
14      Distância “supremo”,        (     )                                                                 (9)       Na ...
15       Existem diversos métodos não hierárquicos de separação de dados baseados emclasses, tais como: utilizando redes n...
16                 Capítulo 2METAHEURÍSTICA E INTELIGÊNCIA DE ENXAMES       Como descrito em SOUZA (2005), uma grande part...
17       Nos últimos anos, uma grande variedade de metaheurísticas tem sido propostaspara a solução de problemas de otimiz...
182.2 – Inteligência de Enxames       A Inteligência de Enxames é uma técnica computacional desenvolvida no finalda década...
19              Qualidade:   os   agentes   devem     ser   capazes     de   avaliar   seus               comportamentos;...
20Com o aprendizado coletivo e a passagem do tempo, os demais pássaros tenderiam a semovimentar com o intuito de pousar.  ...
21            FIGURA 2.1 - Aves voando "alinhadas" em busca de alimento       Como descrito em WAINTRAUB (2009), no PSO é ...
22mudança de posição em função do tempo, e o atributo de desempenho ou adequação,obtido pela avaliação da função objetivo ...
23equação da velocidade da partícula, anteriormente descrita pela equação (14), passa aser:          vi , j (t  1)  w.vi...
24       Tal tratamento, entretanto, pode ocasionar a necessidade de varias reflexões emcaso de velocidades muito altas, p...
25                     FIGURA 2.4 - Pseudocódigo genérico do PSO.          Existem algumas variações do PSO padrão que vis...
26                     TABELA 2.1 - Resultado Exemplo do PSO.                                 Geração                    ...
27                 Capítulo 3IDENTIFICAÇÃO DE ACIDENTES NUCLEARES       O papel de um operador durante situações anormais ...
28entre o limite normal de funcionamento e a outra margem fixa, B, entre o ponto em queo operador mantem a perturbação sob...
29probabilidade de ações inadequadas, e desta forma, podendo produzir resultadoscatastróficos, como no caso do acidente de...
30tomada de decisões de emergência. Em situações anormais de funcionamento da Usinasão responsáveis por auxiliarem os oper...
313.1 - Principais Acidentes de base de projeto de uma Usina Nuclear -PWR       O Relatório Final de Análise de Segurança ...
32           alimentação;TOP-6.     Perda de uma bomba de refrigeração do reator;TOP-7.     Desligamento de todas as bomba...
33   D. Ruptura das linhas de vapor (STMLIBR);   E. Isolamento da linha de vapor principal (MFWISO);   F. Ruptura da linha...
34       É realizada a monitoração da queda de barras de controle, além da segurançaintrínseca, se após a presença da ativ...
35                    Capítulo 4IMPLEMENTAÇÃO DO MÉTODO PROPOSTO       Neste capitulo, é proposto um modelo de diagnóstico...
36                   da menor distância, isto é, o evento será classificado como                   pertencente à classe cu...
37       Na figura 4.1, são mostrados três conjuntos simbólicos de dados dos três tipos deacidentes, representados pelos s...
38       A coincidente perda de potência da Usina e rede externapode ocorrer se por exemplo, a transferência para a rede e...
39          Sistema de Refrigeração do Reator (SRR) se estabiliza entre 109          bar e 9 bar.                  O núcle...
40                     Consiste em rupturas nos tubos geradores de vapor.                     Na ocorrência de vazamentos ...
41caracterização dos acidentes/transientes em questão. As amostragens dessas variáveisforam feitas com intervalos de um se...
42TABELA 4.1 - Variáveis de estado dos acidentes/transientes.1.    Vazão do núcleo (%)2.    Temperatura da perna quente (C...
43       A figura 4.2 mostra a evolução temporal (assinatura) de todas as variáveis deestado listadas na tabela 4.1 para o...
44FIGURA 4.3 - Assinatura das variáveis de estado do BLACKOUT considerando a                Usina operando a 100% de potên...
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear
Próximos SlideShares
Carregando em…5
×

Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear

376 visualizações

Publicada em

  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

Diagnóstico de Classe utilizando Inteligência de Enxames aplicado ao problema de Identificação de Transiente Nuclear

  1. 1. UNIVERSIDADE ESTADUAL DO CEARÁ INSTITUTO FEDERAL DE EDUCAÇÃO CIÊNCIAS E TECNOLOGIA DO CEARÁ CONVÊNIO COM A UNIVERSIDADE FEDERAL DO RIO DE JANEIRO MANOEL VILLAS BÔAS JÚNIORDIAGNÓSTICO DE CLASSE UTILIZANDO INTELIGÊNCIA DEENXAMES APLICADO AO PROBLEMA DE IDENTIFICAÇÃO DE TRANSIENTES NUCLEARES Fortaleza - Ceará 2011
  2. 2. MANOEL VILLAS BÔAS JÚNIORDIAGNÓSTICO DE CLASSE UTILIZANDO INTELIGÊNCIA DE ENXAMES APLICADO AO PROBLEMA DE IDENTIFICAÇÃO DE TRANSIENTES NUCLEARES Dissertação de Mestrado apresentada ao Curso de Mestrado Profissional em Computação Aplicada, MPCOMP, da Universidade Estadual do Ceará, como requisito parcial para obtenção do grau de Mestre em Computação Aplicada, tendo como área de concentração Sistemas de Apoio a Decisão. Orientador: Prof. Ph. D. Edilberto Strauss Fortaleza - Ceará 2011
  3. 3. MANOEL VILLAS BÔAS JÚNIORDIAGNÓSTICO DE CLASSE UTILIZANDO INTELIGÊNCIA DE ENXAMES APLICADO AO PROBLEMA DE IDENTIFICAÇÃO DE TRANSIENTES NUCLEARES Dissertação de Mestrado apresentada ao Curso de Mestrado Profissional em Computação Aplicada, MPCOMP, da Universidade Estadual do Ceará, como requisito parcial para obtenção do grau de Mestre em Computação Aplicada, tendo como área de concentração Sistemas de Apoio a Decisão. Aprovada em ___/___/_____ BANCA EXAMINADORA __________________________________________ Prof. Edilberto Strauss, Ph. D. (MPCOMP - POLI/UFRJ) Orientador __________________________________________ Prof. Lauro Dornelles Facó, D. Sc. (DCC/IM – UFRJ) 1º Membro Externo __________________________________________ Prof. Airton Fontenele Sampaio Xavier, LDc. (MPCOMP-UECE/IFCE) 1º Membro Interno __________________________________________ Prof. Marcos José Negreiros Gomes, D. Sc. (MPCOMP-UECE/IFCE) 2º Membro Interno
  4. 4. "O sucesso nasce do querer. Sempre que o homem aplicar a determinação e apersistência para um objetivo, ele vencerá os obstáculos e, se não atingir o alvo, pelomenos fará coisas admiráveis." José de Alencar.
  5. 5. DEDICATÓRIA As duas estrelas brilhantes que fazem parte de minha constelação, meu pai eminha mãe, que mais uma vez irradiaram uma intensa luz que me conduziu até o fimdeste meu trabalho. Ao meu anjo negro, que me proporcionou a imensa alegria de torna-se minhaesposa pela compreensão, incentivo, ajuda e que dedica a vida a conceder-me carinho,paciência e, sobretudo preenche de amor minha vida. Ao pequeno e ao mesmo tempo imenso sentido de vida que meu neto e meusfuturos filhos oferecem e que me inspira a novos objetivos. A minha filha que meproporcionou as imensas alegrias de ter simplesmente nascido e de ter me dado meuneto e que orgulhosamente exibe o orgulho que nutre pelo seu pai. A todos da minha família que torcem pelo meu crescimento intelectual e pessoal. A minha sogra e ao meu sogro e toda a família por estarem sempre dispostos aincentivar o meu crescimento.
  6. 6. AGRADECIMENTO Certa vez eu li que sempre devemos ter palavras que expressem o agradecimentosincero, procuro estas palavras para referenciar ao professor Roberto Schirru. Porémnenhuma delas expressa mais os sentimentos de agradecimento do que um “muitoobrigado por tudo”. Aos meus amigos do LMP pelo total apoio e incentivo dado a este trabalho,dedicação e ensinamentos que contribuíram de forma incontável para minha formação,permitindo o meu completo esforço sobre o desenvolvimento deste, sendo na maioriadas vezes complacente com os prazos profissionais. A Andressa pelo auxilio, carinho, presteza e por efetuar criticas embasadasquando necessário, assim como por retirar dúvidas sobre questões importantes para odesenvolvimento deste trabalho. Aos professores Flávio, Negreiros e Xavier pelos preciosos ensinamentos nosSeminários. Ao professor Strauss pela orientação no desenvolvimento deste trabalho, sempreatencioso e disponível para direcionar e resolver as dúvidas existentes.
  7. 7. RESUMO Este trabalho apresenta um modelo de Sistema de Diagnóstico para apoio adecisão, baseado na identificação de classes, usando-se o algoritmo de Otimização porEnxame de Partículas, traduzido do inglês, Particle Swarm Optimization (PSO). Ométodo proposto tem como objetivo classificar um evento anômalo dentro de 3possíveis classes de acidentes/transientes conhecidos na literatura, postulados para aUsina Nuclear Angra 2. O algoritmo PSO é utilizado como método de separação declasses, sendo responsável por encontrar o melhor vetor protótipo de cadaacidente/transiente, ou seja, conceitualmente equivalente ao tradicional Vetor deVoronoi que maximiza o número de acertos do mesmo. Para efetuar o cálculo do graude similaridade, entre o conjunto de variáveis do evento anômalo, em um determinadoinstante t, e o vetor protótipo das variáveis dos acidentes/transientes, foi utilizada amétrica de Minkowski (e suas variações para as métricas de Manhattan e Euclidiana).Os resultados obtidos pelo método proposto foram compatíveis, e até superiores aosresultados encontrados na literatura, permitindo uma solução que se aproxima da ideal,ou seja, dos Vetores de Voronoi num espaço restrito do .Palavras-Chave: Inteligência de Enxames, PSO, Otimização, Voronoi, etc.
  8. 8. ABSTRACT This work presents a model of Diagnosis System for decision support, based onthe identification of classes, using the algorithm of Particle Swarm Optimization,translated from English, Particle Swarm Optimization (PSO). The proposed methodaims to classify an anomalous event within three possible types of accident/transientknown in the literature, postulates for the Angra 2 nuclear plant. The PSO algorithm isused as a method of separation of classes, being responsible for finding the bestprototype vector of each accident/transient, that is conceptually equivalent to thetraditional Voronoi Vector that maximizes the number of hits it. To make thecalculation of the degree of similarity between the set of variables anomalous event in agiven time t, and the prototype vector of variables of accidents/transients, we used theMinkowski metric (and its variations for the Manhattan and Euclidean metrics). Theresults obtained by the proposed method were compatible, and even higher than thosereported in the literature, allowing a solution that approximates the ideal, ie the VoronoiVectors in a restrict space .Key-Words: Swarm Intelligence, PSO, Optimization, Voronoi, etc.
  9. 9. SUMÁRIOLISTA DE FIGURAS........................................................................................................................................................................xiiiLISTA DE TABELAS........................................................................................................................................................................xvINTRODUÇÃO .........................................................................................................................................................................................11. FUNDAMENTAÇÃO TEÓRICA .......................................................................................................................................6 1.1. Etapas do Processo de Separação de Dados Baseado em Classes ...............................................8 1.2. Medidas do Grau de Similaridade .......................................................................................................................9 1.2.1. Métrica Euclidiana.........................................................................................................................................10 1.2.2. Métrica de Manhattan..................................................................................................................................12 1.2.3. Métrica de Minkowski ................................................................................................................................13 1.3. Métodos de Separação de Dados Baseada em Classes.......................................................................142. METAHEURÍSTICA E INTELIGÊNCIA DE ENXAMES........................................................................16 2.1. Inteligência Computacional ...................................................................................................................................17 2.2. Inteligência de Enxames ..........................................................................................................................................18 2.3. Enxame de Partículas (Particle Swarm Optimization – PSO) ......................................................193. IDENTIFICAÇÃO DE ACIDENTES NUCLEARES ......................................................................................27 3.1. Principais Acidentes de base de projeto de uma Usina Nuclear – PWR ...............................31
  10. 10. 4. IMPLEMENTAÇÃO DO METÓDO PROPOSTO ...........................................................................................35 4.1. Sistema Protótipo de Identificação de Acidentes/Transientes ......................................................36 4.2. Seleção dos Acidentes/Transientes de Base de Projeto .....................................................................37 4.3. Normalização de Dados............................................................................................................................................45 4.4. Configuração do PSO.................................................................................................................................................46 4.5. Análise e Resultados ...................................................................................................................................................49 4.6. Comparação do PSO utilizando as Métricas Manhattan, Euclidiana e Minkowski com os Resultados obtidos na Literatura .......................................................................................52 4.7. Comparação do PSO utilizando as Métricas Manhattan, Euclidiana e Minkowski com 18 variáveis e 17 variáveis (excluindo a variável tempo) .....................................64 4.8. Fase 2: Diagnóstico em Tempo Real ..............................................................................................................67 4.8.1. Acumulação de Evidência – Resposta “Não Sei” ....................................................................70 4.8.2. Testes com acidentes/transientes nucleares para a Usina de Angra 2 ........................72 4.8.2.1. Protótipo do Sistema em Tempo Real (Fase 2) ...............................................................72 4.8.2.2. Resultados para Sinal Sem Ruído ..............................................................................................74 4.8.2.3. Resultados para Sinal Com Ruído Aleatório de 1% e 2%. ......................................74CONCLUSÕES .......................................................................................................................................................................................76PROPOSTAS DE TRABALHOS FUTUROS ...............................................................................................................78APÊNDICE A ...........................................................................................................................................................................................79
  11. 11. A.1. Evolução Temporal de 61 segundos...............................................................................................................79 A.1. Evolução Temporal de 59 segundos...............................................................................................................83REFERÊNCIAS BIBLIOGRÁFICAS.................................................................................................................................89REFERÊNCIAS WEB ......................................................................................................................................................................94
  12. 12. xiii LISTA DE FIGURASFigura 1.1 - Separação baseada em classes de um conjunto de dados originais ............................................6Figura 1.2 - Exemplo de classes com formas e tamanhos diferentes ....................................................................7Figura 1.3 - Representação Euclidiana para 2 dimensões ...........................................................................................11Figura 1.4 - Representação Euclidiana para 3 dimensões ...........................................................................................11Figura 1.5 - Distância Manhattan e Euclidiana ...................................................................................................................13Figura 1.6 - Ilustração do cálculo de Minkoswki ..............................................................................................................14Figura 2.1 - Aves voando "alinhadas" em busca de alimento ...................................................................................21Figura 2.2 - Atualização de uma partícula ..............................................................................................................................21Figura 2.3 - PSO - Reflexão de uma partícula nas bordas do espaço de busca ............................................23Figura 2.4 - Pseudocódigo genérico do PSO ........................................................................................................................25Figura 2.5 - Convergência Exemplo do PSO ........................................................................................................................26Figura 3.1 - Ações de um operador ..............................................................................................................................................27Figura 3.2 - Tempo de resposta do operador.........................................................................................................................28Figura 4.1 - Exemplo de classificação de uma amostra, onde os pontos em laranja são os vetores protótipos dos acidentes 1, 2 e 3, respectivamente e d1, d2 e d3 as respectivas distâncias entre os vetores protótipos dos acidentes e a amostra a ser classificada...........................................................................................................................................................37Figura 4.2 - Assinatura das variáveis de estado para cada um dos 3 acidentes postulados considerando a Usina operando a 100% de potência nominal ....................................................43Figura 4.3 - Assinatura das variáveis de estado do BLACKOUT considerando a Usina operando a 100% de potência nominal ........................................................................................................44Figura 4.4 - Assinatura das variáveis de estado do LOCA considerando a Usina operando a 100% de potência nominal ........................................................................................................44Figura 4.5 - Assinatura das variáveis de estado do SGTR considerando a Usina operando a 100% de potência nominal ........................................................................................................45Figura 4.6 - Fluxograma do Método de Acerto/Erro com a métrica Euclidiana .........................................48Figura 4.7 - Convergência do PSO ..............................................................................................................................................52Figura 4.8 - Gráfico de acertos do PSO ....................................................................................................................................54Figura 4.9 – Resultado da quantidade de acertos (177) obtida na variação de w para métrica de Manhattan ..............................................................................................................................................58
  13. 13. xivFigura 4.10 - Resultado da quantidade de acertos (177) obtida na variação de w para a métrica Minkowski com o parâmetro q = 3...........................................................................................58Figura 4.11 - Resultado da quantidade de acertos (177) obtida na variação de w para a métrica Minkowski com o parâmetro q = 6...........................................................................................59Figura 4.12 - Resultado da quantidade de acertos (177) obtida na variação de w para a métrica Minkowski com o parâmetro q = 9...........................................................................................59Figura 4.13 - Gráfico de Convergência da métrica de Manhattan .........................................................................63Figura 4.14 - Gráfico de Convergência da métrica de Minkowski q = 6..........................................................63Figura 4.15 - Gráfico de Convergência da métrica de Minkowski q = 9..........................................................63Figura 4.16 - Diagrama da Arquitetura em duas fases (off-line e on-line) .....................................................68Figura 4.17 - Sistema Protótipo ......................................................................................................................................................73
  14. 14. xv LISTA DE TABELASTabela 2.1 - Resultado Exemplo do PSO ................................................................................................................................26Tabela 4.1 - Variáveis de estado dos acidentes/transientes ........................................................................................42Tabela 4.2(a) - Vetor do indivíduo do PSO com 18 variáveis..................................................................................46Tabela 4.2(b) - Vetor do indivíduo do PSO com 17 variáveis .................................................................................47Tabela 4.3 - Resultado variação do parâmetro de Minkowski ............................................................................50Tabela 4.4 - Configuração do PSO para teste das métricas ........................................................................................51Tabela 4.5 - Resultados do PSO.....................................................................................................................................................51Tabela 4.6 - Comparação entre PSO com as métricas de Manhattan, Minkowski e Euclidiana com a literatura .................................................................................................................................54Tabela 4.7 - Primeira linha de cada acidente/transiente ................................................................................................55Tabela 4.8 - Segunda linha de cada acidente/transiente ................................................................................................56Tabela 4.9 - Resultado das métricas para 177 acertos ....................................................................................................57Tabela 4.10 - Resultado das 3 métricas com população=500 ...................................................................................60Tabela 4.11 - Resultado das 3 métricas com população=100 ...................................................................................60Tabela 4.12 - Vetor Protótipo da métrica de Manhattan...............................................................................................61Tabela 4.13 - Vetor Protótipo da métrica de Minkowski com q = 6 ....................................................................62Tabela 4.14 - Vetor Protótipo da métrica de Minkowski com q = 9 ...................................................................62Tabela 4.15 - Resultado das métricas para 177 acertos (17 variáveis) ..............................................................64Tabela 4.16 - Resultado das 3 métricas com população=500 (17 variáveis) ................................................65Tabela 4.17 - Resultado das 3 métricas com população=100 (17 variáveis) ................................................66Tabela 4.18 - Resultado variação do parâmetro de Minkowski (17 variáveis) .......................................67Tabela 4.19 - Resultado sem superposição de ruídos .....................................................................................................74Tabela 4.20 - Resultado ruídos de 1% .......................................................................................................................................75Tabela 4.21 - Resultado ruídos de 2% .......................................................................................................................................75Tabela A.1 - Resultado população=100 e geração=200 ...............................................................................................79Tabela A.2 - Resultado população=200 e geração=400 ..............................................................................................80Tabela A.3 - Resultado variação de ..........................................................................................80
  15. 15. xviTabela A.4 - Resultado variação de ...........................................................................................81Tabela A.5 - Resultado variação de ...........................................................................................81Tabela A.6 - Resultado variação de ...........................................................................................81Tabela A.7 - Resultado variação de ...........................................................................................82Tabela A.8 - Resultado variação de ...........................................................................................82Tabela A.9 - Resultado variação de .......................................................................................................................................83Tabela A.10 - Resultado população=100 e geração=200.............................................................................................83Tabela A.11 - Resultado população=200 e geração=400.............................................................................................84Tabela A.12 - Resultado variação de ........................................................................................84Tabela A.13 - Resultado variação de ........................................................................................85Tabela A.14 - Resultado variação de ........................................................................................85Tabela A.15 - Resultado variação de ........................................................................................85Tabela A.16 - Resultado variação de ........................................................................................86Tabela A.17 - Resultado variação de ........................................................................................86Tabela A.18 - Resultado variação de ....................................................................................................................................87Tabela A.19 - Resultado variação do parâmetro de Minkowski ........................................................................87Tabela A.20 - Resultado sem variável tempo .......................................................................................................................88
  16. 16. 1Introdução Uma importante e natural atividade humana é o processo de agrupar pessoas,fatos e objetos em classes similares (VIANA, 2008). Na computação diversos sistemasse utilizam deste conceito humano, como por exemplo, sistemas de banco de dados,sistemas de mineração de dados e sistemas de apoio a decisão. Incluem-se neste ramo ossistemas de diagnóstico baseado em classes, esses sistemas são ferramentas importantesque auxiliam a medir o grau de associatividade entre dados de um problemaidentificando qual classe uma determinada amostra deve estar associada. O grau desimilaridade, entre os dados de uma classe, normalmente esta relacionada a uma medidade distância entre os mesmos. Os sistemas de diagnósticos baseado em classes podem ser utilizados tanto naárea científica, quanto na engenharia e no mundo dos negócios, onde a maioria dosdados é da forma multidimensional. Ou seja, conjuntos de dados que contémtipicamente mais de três atributos. A representação, análise e classificação de talnatureza de dados tem sido um desafio motivando constantes pesquisas em várias áreasdo conhecimento. Diversos problemas podem ser modelados através do conceito de separaçãobaseado em classes, onde a área de engenharia nuclear possui uma diversidade destesproblemas. Por exemplo, com o objetivo de diagnosticar um possível acidente, ooperador de uma usina nuclear, em seu processo de tomada de decisão, durante umacondição adversa, necessita analisar e classificar diversas informações do evento emcurso. Devido ao grande número de instrumentos, e a dinâmica de cada grandezamedida, os operadores na execução de suas atividades possuem dificuldades nomonitoramento das informações obtidas. Desta forma, o processo de análise,identificação do evento em curso, e tomada de decisão no caso de uma condiçãoadversa, é um processo complexo e exige uma grande carga cognitiva.
  17. 17. 2 Sistemas de apoio a decisão, tais como sistemas de diagnóstico e classificação deacidentes/transientes de uma Usina Nuclear, podem auxiliar o operador a reduzir, ouminimizar a sua carga cognitiva no momento de uma condição adversa. Taisferramentas de apoio podem ser incorporadas ao sistema de operação da usina, com oobjetivo de auxiliar o operador em uma tomada de decisão rápida e correta,minimizando o risco de uma ação, ou identificação errônea do evento em curso. Com a proposta de auxiliar os operadores em sua tomada de decisão, no caso daidentificação e diagnóstico de um acidente/transiente, diversos trabalhos forampublicados com base em sistemas especialistas, redes neurais artificiais (RNAs), lógicasnebulosas, algoritmos genéticos, inteligência de enxames e algoritmos de inspiraçãoquântica. Uma das primeiras propostas utilizando técnicas de inteligência artificial parasistemas de identificação de acidentes/transientes foi concebida por BARTLETT eUHRIG (1992), que utilizou redes neurais para o diagnóstico de condições adversas.BASU e BARTLETT (1994) aperfeiçoaram o trabalho de BARTLETT e UHRIG(1992), utilizando uma arquitetura composta de duas RNAs. FURUKAWA, UEDA e KITAMURA (1995), propuseram um sistema declassificação de acidente/transientes baseado em um classificador independente paracada variável observada. JEONG, FURUTA e KONDO (1996), propuseram um método alternativo deidentificação de acidente/transientes denominado “Adaptative Template Matching”. Ométodo foi baseado em RNAs do tipo “feedforward” (sem alimentações internas)permitindo não só identificar os acidentes/transientes diferentes, mas sim avaliar váriosacidente/transientes do mesmo tipo em diferentes níveis de severidade. ALVARENGA (1997), utilizou redes neurais artificiais do tipo AVQ(“Adaptative Vector Quantization”), algoritmos genético e lógica nebulosa. As RNAseram responsáveis por gerar os centróides protótipos das classes representativas dosacidentes/transientes postulados. Os centróides eram utilizados para particionar os eixos
  18. 18. 3das variáveis em conjuntos nebulosos, e estabelecer zonas de influência de cadaacidente. Os algoritmos genéticos tinham o papel de posicionar os centróides geradospelas RNAs no eixo do tempo, de modo a encontrar a melhor posição dos centróidesque determinava uma classificação final de mínima incerteza. PEREIRA, SCHIRRU e MARTINEZ (1998), propôs uma nova metodologiaonde um algoritmo genético foi utilizado como algoritmo de otimização de um sistemade classificação, baseado em medidas diretas de distância Euclidiana. ALMEIDA (2001), aprimorou o método desenvolvido por PEREIRA,SCHIRRU e MARTINEZ (1998), substituindo o critério de classificação baseado emmedidas diretas de distâncias Euclidianas, por outro, baseado no Método deClassificação Possibilística que consiste em interpretar as subclasses como conjuntosnebulosos (ZADEH (1965)) que induzem possibilidades para a classificação da amostra. MOL (2002), em sua tese de doutorado propôs um sistema de identificação deacidente/transientes baseado em redes neurais artificiais, com capacidade da resposta“não sei” na identificação dinâmica de eventos não pertencentes ao conjunto deaprendizado utilizado durante seu treinamento. MEDEIROS (2005), em sua tese de doutorado, propôs um sistema deidentificação de acidente/transientes com o particionamento do espaço de busca, onde oalgoritmo de Otimização por Enxame de Partículas, traduzido do inglês Particle SwarmOptimization (PSO), (KENNEDY, EBERHART e SHI (2001)) foi usado para encontraro menor número de partições (menor número de protótipos) de 3 classes deacidente/transientes. NICOLAU (2010), em sua dissertação de mestrado, propôs um sistema deidentificação de acidente/transientes, onde o algoritmo de inspiração quântica QuantumInspired Evolutionary Algorithm (QEA) foi usado para encontrar os vetores protótiposcentróides de 3 classes de acidente/transientes.
  19. 19. 4 Dentro deste contexto, é apresentado nesta dissertação o desenvolvimento de ummodelo de sistema de diagnóstico que classifica um evento anômalo dentro dasassinaturas de 3 classes de acidente/transientes de base de projeto, onde o algoritmoPSO é utilizado como ferramenta de otimização para encontrar a melhor posição dosvetores protótipos (Vetores de Voronoi, HAYKIN (1994)), similares aos vetorescentroides dos acidentes/transientes de base de projeto, que maximizam o número declassificações corretas. Para efetuar o cálculo da distância entre o conjunto de variáveisdo evento anômalo, em um determinado instante t, e o vetor protótipo das variáveis doacidente/transientes, foram utilizadas as métricas Manhattan, Euclidiana e Minkowski.Será demonstrada a viabilidade do algoritmo PSO, como método de separação declasses, através da busca do melhor vetor protótipo de cada acidente/transiente para oproblema de identificação e classificação. O PSO mostrou-se eficaz na busca desoluções, sem necessidade de conhecimento prévio sobre a complexidade dos espaçosde busca envolvidos. Para apresentar o método, seus fundamentos teóricos e os resultados obtidos,esta dissertação foi organizada em 6 capítulos descritos a seguir. O capítulo 1 apresenta uma descrição dos principais fundamentos teóricos queembasaram o desenvolvimento desta dissertação. Inicialmente é efetuado uma brevedescrição dos métodos de separação de classes, e em seguida, as métricas que foramutilizadas nesta dissertação. O capítulo 2 apresenta os principais fundamentos da Inteligência de Enxames, eas principais características do algoritmo de Otimização por Enxame de Partículas(PSO). O capítulo 3 apresenta as características do problema de identificação deacidentes/transientes de uma Usina Nuclear e os principais acidentes/transientes de basede projeto da Usina Nuclear Angra 2 PWR (Pressurized Water Reactor). O capítulo 4 apresenta a implementação do método proposto, juntamente com ostestes e resultados encontrados.
  20. 20. 5 O Anexo I, mostra os resultados de todos os testes realizados, com diversosvalores para os parâmetros do PSO e das métricas Manhattan, Euclidiana e Minkowski.
  21. 21. 6 Capítulo 1Fundamentação Teórica De acordo com OLIVEIRA (2008), a separação de dados pode oferecer umamaneira de entender e extrair informações significativas de grandes conjuntos de dados.A intenção é que dados de um mesmo grupo tenham mais características em comum, doque com dados pertencentes a um diferente grupo. A principal diferença entre classificação, e separação de dados, é que naprimeira os dados são atribuídos a grupos já previamente conhecidos, enquanto que nasegunda, esses grupos são definidos conforme o grau de similaridades entrecaracterísticas. A Figura 1.1 (a) mostra um conjunto de dados antes da separação emclasses, e maneiras diferentes de associá-los em classes, figura 1.1 (b e c). FIGURA 1.1 - Separação baseada em classes de um conjunto de dados originais. Diversos fatores devem ser levados em consideração por um algoritmo deseparação de dados baseado em classes, tais como: a representação dos dados, comomensurar a similaridade entre dados e entre classes, como avaliar a qualidade doresultado gerado, entre outros. Os parâmetros a serem ajustados inicialmente e a formade abordar cada um desses fatores são as principais diferenças entre os algoritmos de
  22. 22. 7separação de dados baseado em classes, influenciando diretamente na qualidade dadivisão das classes. Conjuntos de dados podem ter grupos de diferentes formas, densidades etamanhos. Restringir alguns desses atributos pode levar a uma distribuição errônea dosdados. Diversos algoritmos clássicos de separação de dados baseado em classes sãoincapazes de detectar classes como os da Figura 1.2 que possuem tamanhos diferentes eformas côncavas, por exemplo, os algoritmos que restringem a identificação de classede forma elipsoidal. Outro exemplo são os algoritmos que restringem a identificação declasses de forma esférica. Esses algoritmos utilizam centros como representantes decada classe, onde o grau de similaridade entre as classes são calculadas de acordo com ograu de similaridade entre os centros e podem apresentar dificuldades em identificarclasses de formas e tamanhos variados. FIGURA 1.2 - Exemplo de classes com formas e tamanhos diferentes. Além da detecção de classes de formas diversas, uma estrutura hierárquica declasses produz várias possibilidades de um mesmo conjunto de dados ser dividido. Nosmétodos hierárquicos, cada classe é representada por um centroide, isto é, um ponto quetraduz toda a disposição dos dados na classe, e o grau de similaridade entre classes émedida através do grau de similaridade entre esses centroides. Nesta abordagemexistem dificuldades quando dados de uma classe encontram-se mais próximos docentroide de outra classe do que do centroide de sua própria classe. Como por exemplo,quando a forma das classes é côncava, e no caso em que há uma grande variação notamanho das classes. Uma forma de representar esta hierarquia é através de uma árvore, onde asfolhas são o conjunto de dados e a cada vez que a árvore cresce de altura os dados são
  23. 23. 8agrupados em classes, desta forma cada nível da árvore corresponde a uma divisão doconjunto de dados, e a raiz da árvore é formada por uma classe com todos os dados. Outro método são as estruturas não hierárquicas, onde o objetivo principal é deagrupar os dados através de uma partição simples em C classes, onde C é o número declasses previamente especificado, ou determinado pelo algoritmo. Estas abordagens daseparação de dados baseado em classes são pesquisadas, implementadas e discutidas emdiversas técnicas de inteligência computacional, tais como: inteligência coletiva ealgoritmos genéticos para resolver problemas de otimização, e tem sido aplicado comsucesso em várias áreas, inclusive na área de engenharia nuclear e apresentam avantagem de precisarem de pouca informação para encontrar a solução do problema. Nesta dissertação será dado o enfoque aos métodos de características nãohierárquicos, uma vez que no problema em questão, existe um número pré-definido declasses. No entanto, o método usado representa uma nova abordagem dentro doproblema de classificação destas classes, pois faz uso de vetores protótipos(conceitualmente equivalente ao Vetor de Voronoi), similares aos dos centroides, quesão característica dos métodos hierárquicos.1.1 – Etapas do Processo de Separação de Dados Baseado em Classes Diversos fatores devem ser levados em consideração para garantir a eficiência daseparação de dados baseada em classes, tais como: coleta dos dados, seleção dasvariáveis, medidas de grau de similaridade, algoritmo de separação, validação e análisedos resultados obtidos (JAIN et al. (1999)). A seguir são apresentadas as etapas quecompõem o processo de separação de dados baseada em classe: 1. Pré-processamento e seleção de variáveis Nesta etapa há a identificação das variáveis ou atributos mais relevantes do conjunto inicial de dados. Neste ponto, variáveis podem ser eliminadas (por exemplo, quando todos os valores das variáveis são iguais) e os dados coletados
  24. 24. 9 são formatados para que o algoritmo de separação de dados baseado em classes possa processá-los. 2. Medidas de grau de similaridade Para quantificar a proximidade entre dados, torna-se necessário a adoção de alguma medida de similaridade ou dissimilaridade, entre eles. Existem diversas formas de quantificar este grau de similaridade entre pares de dados, e a escolha desta medida de quantificação é fundamental para a separação baseada em classes. Normalmente, estas medidas utilizadas indicam a dissimilaridade e geralmente são calculadas através da métrica Euclidiana. 3. Algoritmos de separação de dados baseado em classes Neste ponto é definida a forma de separação dos dados, podendo ser realizado de diferentes formas. Os algoritmos de separação de dados baseado em classes são qualificados pela técnica que utilizam na separação dos dados. Dentre esses algoritmos destacam-se os de características hierárquicas e os de características não hierárquicas. Como resultado, esta etapa fornece a divisão do conjunto de dados inicial em classes. 4. Validação e análise dos resultados Neste procedimento é avaliada a eficiência e eficácia do método de geração de classes. Pode ser realizada em índices estatísticos, ou através de comparação desse resultado com diferentes algoritmos. A análise dos resultados obtidos pode indicar a redefinição dos atributos escolhidos, ou a adoção de uma nova medida do grau de similaridade.1.2 – Medidas do Grau de Similaridade Segundo OLIVEIRA (2008), a proximidade entre dois dados e é denotadapor ( ), e uma forma de efetuar a medição do grau de similaridade, é através docálculo da distância entre eles. A distância é considerada uma métrica quando satisfizeras seguintes condições:
  25. 25. 10  ( )  ( )  ( ) ( )  ( ) ( ) ( ) Onde .1.2.1 – Métrica Euclidiana A métrica Euclidiana utiliza-se do princípio de que o caminho mais curto entredois pontos é uma reta e a mensuração dessa reta provém da geometria Euclidiana. Em uma geometria plana, ou geometria euclidiana, a distância entre dois pontos e , considerando somente uma dimensão, pode ser facilmente calculada por: (1) Para duas dimensões, conforme demonstrado na figura 1.3, essa distância seráobtida por intermédio do "Teorema de Pitágoras", onde o quadrado da hipotenusa de umtriângulo retângulo e igual à soma dos quadrados dos catetos. √ (2)
  26. 26. 11 FIGURA 1.3 - Representação Euclidiana para 2 dimensões. Para três dimensões, conforme demonstrado na figura 1.4, essa distância seráobtida através da relação dada por: √ (3) FIGURA 1.4 - Representação Euclidiana para 3 dimensões. As expressões citadas acima fornecem a distância entre dois pontos em umageometria euclidiana, não sendo importante se estão afastados ou próximos. No entanto,
  27. 27. 12embora a maioria dos problemas seja descrito por três dimensões espaciais, uma grandeparte possui mais de 3 dimensões. Generalizando as expressões mostradas acima, adistância entre dois pontos ( ) e ( ), para umespaço euclidiano n-dimensional pode ser calculado por: √( ) ( ) ( ) (4)1.2.2 – Métrica de Manhattan A Métrica de Manhattan, também conhecida como a métrica do Taxi, é maisutilizada em problemas logísticos, onde existe uma rede de vias urbanas, devido a suamaior coerência com os traçados perpendiculares das rotas constituídas de ruas eavenidas, normalmente exibidos nas cidades modernas ou planejadas, e possui baseteórica na métrica do valor absoluto (FUZZO (2003)). A métrica de Manhattan é calculada pela equação (5) e pode ser relacionada coma métrica Euclidiana como demonstrado na figura 1.5. ( ) ( ) ( ) (5) Onde, ( )
  28. 28. 13 FIGURA 1.5 - Distância Manhattan e Euclidiana1.2.3 – Métrica de Minkowski A métrica de Minkowski é utilizada no cálculo da similaridade oudissimilaridade entre dois pontos, sendo uma generalização das distâncias Manhattan eEuclidiana. A distância de Minkowski é calculada pela equação (6), onde é o númerode dimensões (OLIVEIRA, 2008). ( ) √∑ ( ) (6)A variação do parâmetro define as três variações mais comuns da distânciaMinkowski, sendo calculadas pelas equações 7, 8 e 9 (JAIN e DUBES, 1998) edemonstradas como na figura 1.6.  Distância Manhattan, ( ) ∑ (7)  Distância Euclidiana, ( ) √∑ ( ) (8)
  29. 29. 14  Distância “supremo”, ( ) (9) Na figura 1.6 temos que: o Se então ( ) o Se então ( ) √ o Se então ( ) FIGURA 1.6 - Ilustração do cálculo de Minkoswki1.3 – Métodos de Separação de Dados Baseada em Classes Na Seção 2.3 foram descritas medidas para quantificar a similaridade oudissimilaridade entre dados. As medidas de similaridade que representam essaproximidade são as entradas para os métodos de separação de dados baseada em classes.Os métodos de separação de dados baseada em classes podem ser classificados como:baseado em densidade, hierárquico e não hierárquico (como descrito no capitulo 2.1).Na dissertação são enfocados os métodos hierárquicos e não hierárquicos.
  30. 30. 15 Existem diversos métodos não hierárquicos de separação de dados baseados emclasses, tais como: utilizando redes neurais (KOSKO (1992) e HAYKIN (1994)),classes nebulosas ou possibilisticas (ZADEH (1965,1978)) e em classes estendidas(KAYMARK e SETNES. (2000)). Dentre os métodos hierárquicos, podemos citarclasses nebulosas por centroide (OLIVEIRA (2005)), O método proposto nesta dissertação pode ser considerado de características nãohierárquico, pois no problema em questão, existe um número pré-definido de classes.Porém deve-se ressaltar que o método usado representa uma nova abordagem dentro doproblema de classificação destas classes, pois faz uso de vetores protótipos, similaresaos dos centroides, que são característica dos métodos hierárquicos. O método de diagnóstico e identificação do sistema proposto é baseado emdistância e utiliza métricas para efetuar a medição da distância entre o vetor de variáveisdo evento anômalo, em um determinado instante t, e o vetor protótipo dosacidentes/transientes de base de projeto selecionados. O PSO, como ferramenta deotimização, é utilizado para encontrar a melhor posição dos vetores protótipos de cadaum dos três acidentes/transientes, e desta forma maximizar o número de classificaçõescorretas. Como não há obrigação que os vetores protótipos para a classificação sejam oscentroides das classes, o algoritmo foi utilizado na busca de vetores protótipos quemaximizam o número de acertos para a classificação de todos os acidentes. Com estaabordagem, é estabelecido um modelo de solução que corresponde à pesquisa dosVetores de Voronoi para a identificação das classes de acidentes/transientes.
  31. 31. 16 Capítulo 2METAHEURÍSTICA E INTELIGÊNCIA DE ENXAMES Como descrito em SOUZA (2005), uma grande parte das heurísticas para asolução de problemas específicos é ineficiente (ou não aplicáveis), na solução de umobjetivo mais amplo de problemas reais. A solução de problemas mais complexos, apartir do conjunto de conceitos das áreas de Otimização e Inteligência Artificial resultouna construção de metaheurísticas. Segundo BLUM, e ROLI (2003), ainda não há uma definição comumente aceita.A conceituação, “Uma metaheurística é formalmente definida como um processo degeração iterativo, que guia uma heurística subordinada pela combinação de diferentesconceitos inteligentes para explorar o espaço de busca. Estratégias de aprendizagemsão usadas para estruturar informações com a finalidade de encontrar, de formaeficiente, soluções próximas do ótimo.”, de OSMAN e LAPORTE (1996), é uma dasmais apropriadas para a solução do problema proposto. As metaheurísticas podem ter sua inspiração na adaptação dos seres vivos, ondeos algoritmos agem no conjunto de possíveis soluções para o problema, que evoluiatravés da interação entre seus elementos buscando a melhor solução no decorrer dasiterações e gerações, sem comprometer a diversidade. Um processo de otimização utilizando metaheurísticas, proporciona umequilíbrio dinâmico entre as habilidades de exploração e de intensificação da busca(MARIA MARTA (2007)). A exploração permite visitar novas regiões do espaço debusca, enquanto que a intensificação prioriza as buscas em regiões próximas a pontos jávisitados, onde melhores soluções podem eventualmente ser encontradas.
  32. 32. 17 Nos últimos anos, uma grande variedade de metaheurísticas tem sido propostaspara a solução de problemas de otimização, uma das principais abordagens atualmenteempregadas na solução de problemas de otimização é através das metaheurísticas daInteligência Computacional.2.1 – Inteligência Computacional Problemas compostos de múltiplas variáveis e diferentes soluções estãopresentes em uma grande variedade de situações reais. Esses problemas normalmentesão caracterizados por circunstâncias que se deseja maximizar ou minimizar em umcontexto em que podem existir restrições. A solução de problemas de otimização através das metaheurísticas daInteligência Computacional, vem se tornando um assunto emergente ao longo dosúltimos anos. Esse enfoque enfatiza a distribuição do problema em interação direta ouindireta entre agentes. O número de aplicações bem sucedidas vem crescendoexponencialmente em áreas como otimização combinatória, redes de comunicação,robótica e etc. Dentre os algoritmos de Inteligência Computacional podemos destacar: osAlgoritmos Evolucionários e a metáfora do comportamento social de insetos, tambémconhecida como Inteligência de Enxames ou Inteligência Coletiva. Entre os AlgoritmosEvolucionários destaca-se o Algoritmo Genético (GOLDBERG (1989)), enquanto quena área da Inteligência de Enxames destaca-se o Algoritmo de Otimização por Enxamede Partículas (Particle Swarm Optimization - PSO). Entre as vantagens de resolver problemas com técnicas de Inteligência deEnxames está a necessidade de pouca informação sobre o mesmo para encontrar asolução, além de terem sido aplicadas com sucesso em diversos problemas não somenteda área de computação como também, por exemplo, na engenharia nuclear e naengenharia mecânica. A seguir iremos destacar a inteligência de enxames, pois a mesmaserá utilizada como ferramenta de otimização neste trabalho.
  33. 33. 182.2 – Inteligência de Enxames A Inteligência de Enxames é uma técnica computacional desenvolvida no finalda década de 1980. Foi baseada no comportamento coletivo auto-organizado desistemas descentralizados constituídos por um número elevado de agentes, com oobjetivo de realizar uma determinada tarefa. A Inteligência de Enxame pode serdefinida como a subárea dos Sistemas de Inteligência Artificial onde o comportamentocoletivo dos indivíduos em uma população pode obter soluções coerentes (VONZUBEN e CASTRO (2004)). Qualquer coleção estruturada de agentes capazes de interagir pode sergenericamente utilizada como ilustração para o termo enxame ou população. Umenxame de abelhas é um exemplo clássico. Outros sistemas de maneira similar tambémpodem ser considerados enxames, como por exemplo, um jogo de futebol onde osagentes são os jogadores, um engarrafamento onde os agentes são os carros, umarevoada de pássaros onde os agentes são os pássaros e até uma colônia de formigas, ondeos agentes são as formigas. A noção de enxame sugere um aspecto de movimento coletivo no espaço, todaviatodos os tipos de comportamentos coletivos merecem a atenção e não somente oespacial. As interações coletivas dentro do sistema, muitas vezes levam a algum tipo decomportamento ou inteligência coletiva. Qualquer tentativa de projetar algoritmos oudispositivos distribuídos de solução de problemas sem ter um controle centralizado,inspirado no comportamento coletivo de agentes sociais e outras sociedades animaispode ser incluída neste ramo da Inteligência Artificial. A inteligência coletiva é uma propriedade de sistemas compostos por agentescom capacidade individual limitada que apresentam comportamentos coletivosinteligentes. Tais comportamentos seguem as propriedade descritas abaixo:  Proximidade: os agentes devem ser capazes de interagir;
  34. 34. 19  Qualidade: os agentes devem ser capazes de avaliar seus comportamentos;  Diversidade: o sistema reage a situações inesperadas;  Estabilidade: as variações ambientais podem afetar o comportamento de um agente;  Adaptabilidade: capacidade de se adequar as variações ambientais. Uma das principais metaheurísticas utilizadas pela Inteligência de Enxame é oEnxame de Partículas (Particle Swarm Optimization - PSO).2.3 – Enxame de Partículas (Particle Swarm Optimization - PSO) KENNEDY e EBERHART (1995), introduzem o conceito de enxame departículas para otimização de funções contínuas não-lineares, e teve como base demodelagem a simulação de grupos sociais simplificados. Trata-se de uma técnica deotimização baseada em populações, que efetua sua implementação através da metáforado comportamento social e da interação de bandos de pássaros ou cardumes de peixes. Como descrito em MENEZES, MACHADO e SCHIRRU (2008), na sociologiavê-se discussões sobre a vantagem competitiva de se realizar aprendizado individual apartir do conhecimento de outros componentes do grupo (KENNEDY e EBERHART(1995)). Em muitas espécies, inclusive nos seres humanos, esta habilidade pode serobservada, porém com uma diferença, enquanto as demais espécies realizam esteaprendizado para funções instintivas, como a procura de alimentos e parceiros, os sereshumanos também o aplicam nos campos da abstração cognitiva. No inicio da década de 90, foi proposto um novo modelo de movimento combase no aprendizado coletivo (KENNEDY e EBERHART (1995)). O modelo propostoera similar aos já existentes, mas com um diferencial, os pássaros, isto é, os agentesdesta nova modelagem eram atraídos para uma área de pouso ao invés de continuaremem vôo. Quando um dos pássaros sobrevoasse uma determinada área, este seria atraído.
  35. 35. 20Com o aprendizado coletivo e a passagem do tempo, os demais pássaros tenderiam a semovimentar com o intuito de pousar. Foi observado por KENNEDY e EBERHART (1995), que localizar um ponto depouso e mover-se em direção a ele são procedimentos semelhantes aos seguidos portécnicas de otimização. A capacidade sócio cognitiva é fundamental no comportamentodo enxame, pois um pássaro ao encontrar uma posição cuja solução pode serconsiderada boa sob algum aspecto pode vir a influenciar outros do enxame, fazendocom que caminhem em sua direção, existindo a possibilidade de passarem por algumaposição no espaço de busca ainda melhor. Neste caso, aumentariam as chances de seremdescobertos melhores resultados no espaço de busca conforme a evolução do algoritmo. Os membros de uma população que procura por soluções de um problemaproposto passaram a ser designados pelo termo “partículas”, levando-se emconsideração que características como volume, massa e dimensões dos agentes não sãoconsideradas para a resolução de problemas ou para o processo de otimização. A partícula individualmente não consegue avaliar se sua atual posição é boa ouruim. É necessário que a partícula envie estas coordenadas encontradas para uma funçãoque as avalie quantitativamente, fornecendo um número como resultado. Esta é achamada função objetivo, ou fitness, que é uma medida de aptidão, indicativa de quãoboa é uma posição em relação à outra historicamente encontrada pela partícula. Na busca de melhores resultados no PSO, uma nova posição encontrada deve sercomparada tanto com a melhor posição individual, obtida até o momento pela própriapartícula ( pBest ), quanto com a melhor posição de todo o enxame ( gBest ). Noentanto, não se devem atribuir às partículas, individualmente, capacidades cognitivas, jáque não possuem cérebros individualizados. Utilizando uma analogia, o termo “partícula” simboliza os pássaros, como nafigura 2.1, e representa as possíveis soluções do problema a ser resolvido. A áreasobrevoada pelos pássaros é equivalente ao espaço de busca, e encontrar o local comcomida, corresponde à solução ótima.
  36. 36. 21 FIGURA 2.1 - Aves voando "alinhadas" em busca de alimento Como descrito em WAINTRAUB (2009), no PSO é simulado um enxame departículas candidatas a solução de um determinado problema, onde em um espaço debusca n-dimensional as partículas são atraídas por regiões de alto valor de adaptação,conforme figura 2.2. FIGURA 2.2 - Atualização de uma partícula. A posição da partícula representa uma candidata a solução, enquanto a topologiado espaço de busca é dada pela função objetivo do problema. A cada partícula éatribuída uma velocidade, onde se encontram as informações de direção e taxa de
  37. 37. 22mudança de posição em função do tempo, e o atributo de desempenho ou adequação,obtido pela avaliação da função objetivo na posição da partícula. A mudança da posição da partícula e de sua velocidade é guiada por suainformação histórica das regiões boas e ruins pelas quais já passou, bem como pelaobservação de seus vizinhos bem sucedidos. Sejam X i t   xi ,1 t ,....., xi ,n t  e V i t   vi ,1 t ,....., vi , n t  , respectivamente, a  posição (o próprio vetor candidato a solução) e a velocidade (sua taxa de mudança) dapartícula i no tempo t, em um espaço de busca n-dimensional. Considerando-se tambémpBest i (t )  pBesti ,1 t ,....., pBesti , n t , a melhor posição já encontrada pela partícula i  até o tempo t e gBest t   gBest1 t ,....., gBest n t  a melhor posição já encontrada peloenxame até o tempo t. As regras de atualização do PSO para a velocidade e posição, noPSO canônico, são dadas por: vi , j (t  1)  vi , j t   c1.r1 ( pBesti , j t   xi , j (t ))  c2 .r2 ( gBest j t   xi , j (t )) (14) xi , j (t  1)  xi , j t   vi , j t  1 (15) Onde { } (número total de partículas), { } (dimensão doespaço de busca), r1 e r2 são números randômicos uniformemente distribuídos entre 0 e1. Os coeficientes c1 e c2 são as constantes de aceleração (geralmente chamadas de  aceleração cognitiva e social, respectivamente) relativas a pBest e gBestrespectivamente, e n indica os componentes do indivíduo em questão, nas equações (14)e (15) acima. Quando o PSO localiza a região do ótimo, dentro desta região ele pode enfrentardificuldades em ajustar o seu incremento de velocidade para prosseguir em uma buscamais refinada, resultando em uma perda de eficiência do seu método. Para resolver esteproblema introduz-se um peso para a velocidade anterior da partícula, denominado pesoinercial, w, cuja regra é considerada crítica para a convergência do PSO. Com isto, a
  38. 38. 23equação da velocidade da partícula, anteriormente descrita pela equação (14), passa aser: vi , j (t  1)  w.vi , j t   c1.r1 ( pBesti , j t   xi , j (t ))  c2 .r2 ( gBest j t   xi , j (t )) (16) Valores elevados de w promovem a exploração e prospecção globais, enquantoque valores baixos conduzem a uma busca local. Uma aproximação comumenteutilizada para aumentar o desempenho do PSO, promovendo um balanço entre a buscaglobal e local, consiste em inicializar w com um valor alto e ir decrescendo, linearmenteou não, durante a execução do PSO (SHI e EBERHART (1998)). Ao observar as equações (14) e (15), não existe um mecanismo que limite avelocidade de uma dada partícula. Esta falta pode resultar em uma baixa eficiência parao PSO, quando comparado a outras técnicas de computação evolucionaria. Valoresmuito altos de velocidade podem fazer com que a partícula saia do espaço de busca.Neste caso, algumas estratégias podem ser utilizadas, como por exemplo, parar apartícula nos limites do espaço de busca ou, mais natural e eficiente, refletir a partículapara dentro do espaço de busca, conforme ilustrado na figura 2.3, que considera buscaem duas dimensões: FIGURA 2.3 - PSO - Reflexão de uma partícula nas bordas do espaço de busca.
  39. 39. 24 Tal tratamento, entretanto, pode ocasionar a necessidade de varias reflexões emcaso de velocidades muito altas, podendo diminuir a eficiência do PSO. É adequadouma limitação do valor da velocidade da partícula em um valor máximo. Quando avelocidade exceder este limite, ela será fixada no valor máximo. No PSO canônico,todas as partículas navegam por um espaço de busca n-dimensional, delimitado pelosintervalos de variação dos n parâmetros de otimização. O enxame é classificado comosendo de vizinhança global, onde todas as partículas são informadas quando um novomelhor ponto de mínimo/máximo é encontrado no espaço de busca. No algoritmo PSO, o enxame é inicializado randomicamente (posições evelocidades) e enquanto o critério de parada (no caso um número máximo de iterações)não é atingido, executa-se um loop contendo os seguintes passos: 1. Partículas são avaliadas de acordo com a função objetivo, e os valores de aptidão de cada partícula são determinados;   2. Valores de pBest e gBest são atualizados; 3. Partículas são movimentadas de acordo com as equações de atualização de velocidade e posição (Equações (14) e (15)). A figura 2.4 mostra o pseudocódigo do PSO.
  40. 40. 25 FIGURA 2.4 - Pseudocódigo genérico do PSO. Existem algumas variações do PSO padrão que visam aumentar a diversidadepopulacional, fato este que geralmente resulta em melhores resultados WAINTRAUB(2009). O PSO pode ser utilizado para resolução de uma grande diversidade deproblemas como exemplo, podemos definir um problema simples onde o objetivo é o deminizar o resultado. A função objetivo é denotada por ( ) , e foi realizado oexperimento em 20 gerações, para uma população aleatória de 100 indivíduos. Oparâmetro , as constantes foram mantidas fixas e com os valores 2.3 e1.7 respectivamente. A tabela 2.1 mostra o resultado obtido para cada geração e a figura2.5 mostra a convergência do algoritmo.
  41. 41. 26 TABELA 2.1 - Resultado Exemplo do PSO. Geração  gBest 1 12,92 2 10,89 3 9,66 4 9,57 5 9,08 6 8,46 7 8,25 8 8,09 9 7,54 10 7,17 11 6,51 12 6,51 13 6,51 14 6 15 5,93 16 5,93 17 5,93 18 5,81 19 5,59 20 5,18141210 8 6 4 2 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 FIGURA 2.5 - Convergência Exemplo do PSO.
  42. 42. 27 Capítulo 3IDENTIFICAÇÃO DE ACIDENTES NUCLEARES O papel de um operador durante situações anormais de funcionamento da plantapode ser extremamente complexo e a sua tomada de decisão pode envolver diversostipos de tarefas, conforme mostrado na figura 3.1, FIGURA 3.1 - Ações de um operador. No caso de uma condição adversa deve ser dado um tempo suficiente para que ooperador possa realizar as ações adequadas, isto implica que: o diagnóstico do possívelacidente deve ocorrer suficientemente cedo para permitir que o operador corrija odefeito e as informações não devem exceder o patamar que o operador seja capaz demanusear. Um exemplo de uma possível relação entre estes fatores é mostrado na figura3.2, no caso de uma perda de refrigerante, onde é notado que existe uma margem, A,
  43. 43. 28entre o limite normal de funcionamento e a outra margem fixa, B, entre o ponto em queo operador mantem a perturbação sob controle. FIGURA 3.2 - Tempo de resposta do operador. Como descrito em NICOLAU (2010), em uma usina nuclear existem diversossistemas envolvidos em sua operação e que a qualquer momento podem apresentar umafalha. Se a evolução desta condição adversa não for corretamente diagnosticada, ouainda, se não houver tempo hábil para sua solução, provavelmente haveráconsequências ambientais ou humanas indesejáveis. Com o objetivo de obter uma operação mais segura, diversos sistemas devem sermonitorados, fornecendo desta forma informações ao operador sobre seu estado paraque as devidas decisões possam ser efetuadas. Na execução de suas atividades, osoperadores efetuam o monitoramento de um grande número de medidas, obtidas atravésda instrumentação dos sistemas, e no caso de uma condição adversa devem identificar ediagnosticar a situação a partir de uma análise, e posterior classificação das mediçõescorrespondentes ao evento em curso. O grande número de instrumentos e a dinâmica da variação das medidas dasgrandezas associadas ao evento em curso acrescentam uma grande dificuldade aoprocesso de identificação e tomada de decisão por parte do operador, aumentando a
  44. 44. 29probabilidade de ações inadequadas, e desta forma, podendo produzir resultadoscatastróficos, como no caso do acidente de Three Mile Island (TMI) (NUREG (1979)). No acidente de TMI, falhas técnicas, humanas e operacionais não permitiram oresfriamento normal do reator nuclear e por consequência desses atos a Usina foi levadaa condições não previstas em sua base de projeto e teve fins catastróficos (MOL(2002)). Várias consequências regulatórias foram concebidas após o acidente e talvez amaior delas tenha sido a da emissão de documentos normativos, pela Comissão deRegulamentação Nuclear (NRC), que tem o objetivo de aumentar a segurança efuncionamento eficaz da Usina e desta forma aumentar a capacidade de resposta dooperador, no caso de situações anormais. Neste ponto foram introduzidos os conceitos dos Sistemas de Funções Críticasde Segurança (SFCS) e exigida a implementação de sistemas computadorizados deapoio a operação, na sala de controle das Usinas Nucleares, genericamentedenominados de Safety Parameter Display System (SPDS) (PEREIRA et. al. (1998)).Outros exemplos dessas modificações, principalmente em relação aos Fatores Humanospodem ser evidenciados em NUREG 0933. Os grupos de parâmetros responsáveis por evitar o derretimento do núcleo doreator ou minimizar a quantidade de radiação liberada para o meio ambiente, sãodenominados de funções críticas de segurança. Estes grupos de parâmetros encontram-se associados às barreiras de proteção das Usinas, sendo responsável pelo inventário dorefrigerante do reator, a pressão do reator e por controlar a criticalidade, sendo também,de sua responsabilidade o transporte do calor do reator do circuito primário para osecundário. Em caso de condições anormais, são seguidos procedimentos operacionaisde recuperação dessas funções para garantir a integridade das barreiras de proteção daUsina. Os sistemas computadorizados de auxilio à operação na sala de controle sãoúteis no gerenciamento global das condições de segurança da Usina e, no auxílio à
  45. 45. 30tomada de decisões de emergência. Em situações anormais de funcionamento da Usinasão responsáveis por auxiliarem os operadores nas tomadas de decisões e comoconseqüência reduzem a carga cognitiva do operador, aumentando o tempo disponívelpara ações rápidas e corretas, que consequentemente minimizam o risco de umdiagnóstico incorreto do estado da Usina. MOL (2002), considera que os órgãos reguladores possuem como filosofiabásica, o objetivo de garantir a segurança no projeto, construção e operação de UsinasNucleares, sendo desta forma chamada de defesa em profundidade e se expressa emtermos de três níveis de segurança. No primeiro nível, o do projeto do reator, os órgãos reguladores enfatizam demaneira especial à qualidade dos materiais e da mão de obra utilizada na construção daUsina. O projeto e a construção devem sempre levar em consideração que a Usina deveresistir aos fenômenos naturais e de modo a detectar possíveis falhas, permitir omonitoramento contínuo ou periódico dos sistemas e componentes. No segundo nível de segurança predomina o enfoque sobre mecanismosutilizados para prevenir os incidentes que venham a ocorrer durante o ciclo de vida, e anecessidade de meios para o tratamento desses eventos. No terceiro nível de segurança são incorporadas as ideias dos sistemas adicionaise barreiras radioativas para a proteção do meio-ambiente e da população. É indicado quefalhas de componentes e sistemas sejam postulados e que suas conseqüências devam seranalisadas. A análise de cada evento hipotético determina um conjunto de acidentes debase de projeto, e sistemas de segurança são, então, projetados para controlá-los. INSAG-12. (IAEA-1999), serve como referência para maiores detalhes eobjetivos de segurança para uma Usina Nuclear.
  46. 46. 313.1 - Principais Acidentes de base de projeto de uma Usina Nuclear -PWR O Relatório Final de Análise de Segurança (FSAR) efetua a análise de umconjunto de eventos iniciadores internos, postulados para uma Usina Nuclear, e que tempor finalidade demonstrar o cumprimento de três objetivos de segurança: 1. O desligamento seguro da Usina; 2. A remoção do calor residual do núcleo do reator; 3. A limitação quanto à liberação da radioatividade. Os eventos são classificados em três categorias de acordo com a freqüência deocorrência, essas categorias de evento são classificadas em: transientes operacionais;acidentes e transientes antecipados com falha no desligamento rápido do reator. No caso de transientes operacionais, assegura que: 1. Os sistemas de controle, limitação e desligamento rápido do reator são suficientes para manter a integridade das barreiras de proteção da Usina; 2. Os sistemas e componentes da Usina funcionando dentro dos limites permitidos de operação normal; 3. Evitar a liberação de radioatividade para o meio ambiente fora dos limites permitidos para a operação normal. Os eventos conhecidos como transientes operacionais são: TOP-1. Abertura inadvertida de uma válvula de “bypass” do Sistema de Vapor principal; TOP-2. Desligamento da turbina (TRIPTUR); TOP-3. Isolamento de uma válvula de isolamento do Sistema de Vapor principal; TOP-4. Perda de água de alimentação devido à falha de uma bomba de alimentação; TOP-5. Perda de água de alimentação devido à falha de todas as bombas de
  47. 47. 32 alimentação;TOP-6. Perda de uma bomba de refrigeração do reator;TOP-7. Desligamento de todas as bombas de refrigeração do reator;TOP-8. Retirada descontrolada do banco de barras de controle a partir de uma condição subcrítica;TOP-9. Retirada descontrolada do banco de barras de controle em operação normal;TOP-10. Partida de uma bomba de refrigeração inativa em um nível de potência incorreto;TOP-11. Atuação inadvertida do Sistema de Injeção de Segurança durante a operação normal;TOP-12. Diluição descontrolada de boro;TOP-13. Abertura inadvertida da válvula de alívio de segurança do pressurizador;TOP-14. Perda de alimentação elétrica externa para a operação de equipamentos auxiliares (BLACKOUT). Na categoria de acidentes, assegura-se que: 1. As funções realizadas pelo sistema de proteção do reator são suficientes para manter a integridade das barreiras de proteção da Usina; 2. Os sistemas e componentes funcionando dentro dos limites permitidos para a condição de acidente; 3. Evitar-se a liberação de radioatividade para o meio ambiente fora dos limites permitidos para a condição de acidente. Nesta categoria estão incluídos os seguintes eventos:A. Abertura inadvertida de todas as válvulas de “bypass” do Sistema de vapor principal;B. Perda de refrigerante do reator, resultante de rupturas na tubulação do primário (LOCA);C. Ruptura de tubos de gerador de vapor (SGTR);
  48. 48. 33 D. Ruptura das linhas de vapor (STMLIBR); E. Isolamento da linha de vapor principal (MFWISO); F. Ruptura da linha de alimentação principal (MFWBR); G. Abertura inadvertida de uma válvula de alivio do gerador de vapor; Os transientes antecipados com falha no desligamento rápido do reator (ATWS)podem ser causados devido ao fato do sinal de desligamento não conseguir percorrer ocaminho até os magnetos de sustentação das barras de controle. Mesmo neste caso, ondehá a inserção ou queda de barras de controle ainda é possível efetuar o tratamentoatravés da limitação da potência do reator. Uma segunda hipótese para a falha no desligamento é uma falha mecânica dasbarras de controle (presas), neste ponto não se consegue a movimentação das barras decontrole, nem mesmo com o sistema de limitação de potência do reator. Porém os meiosutilizados para tratar este evento são suficientes para: assegurar a remoção de calororiginário do sistema de refrigeração do reator e manter os limites da pressão do sistemade refrigeração do reator. Apesar de ser considerado um evento hipotético, são previstas ações no Sistemade Limitação do Reator, que atuam em casos de ATWS para conduzir a Usina a umacondição segura. Na maioria dos casos, os transientes sem o desligamento rápido conduzem a umaelevação da temperatura e da pressão no circuito primário. Com o calor produzido nãosendo removido, ocorre em consequência, uma atuação das válvulas de segurança comredução de pressão e perda parcial de refrigerante do reator. A formação de bolhas norefrigerante do reator, provocada pela redução da pressão, evapora parcialmenteacarretando uma considerável piora da moderação, com isto, um ganho de reatividadenegativa, o que ocasiona o desligamento do reator. Este comportamento neste tipo de acidente, com desligamento próprio onde asbarras de controle não atuam, porém sem consequências para a Usina, encontra-se deacordo com o conceito de segurança intrínseca (MOW).
  49. 49. 34 É realizada a monitoração da queda de barras de controle, além da segurançaintrínseca, se após a presença da ativação do sinal de desligamento do reator nuclear, asbarras de controle não atingirem um limite de queda definida, ocorrerá à injeção deácido bórico com as bombas de boração adicional dos tanques de armazenamento daágua borada, com a qual a potência será também reduzida.
  50. 50. 35 Capítulo 4IMPLEMENTAÇÃO DO MÉTODO PROPOSTO Neste capitulo, é proposto um modelo de diagnóstico de acidentes/transientesbaseado no algoritmo PSO. O modelo foi implementado em um sistema protótipo queidentifica um evento anômalo da Usina Angra 2, dentre um conjunto de 3acidentes/transiente de base de projeto, gerados por simulação computacional, qualmelhor caracteriza o evento em curso. A arquitetura deste modelo é baseada em duasfases, descritas a seguir:  Fase 1: obtenção dos vetores protótipos de cada classe Os vetores protótipos que devem ser encontrados são conceitualmente semelhantes aos Vetores de Voronoi das classes em estudo. O PSO foi utilizado para identificar a melhor posição dos vetores protótipos (Vetores de Voronoi), de cada um dos três acidentes/transientes selecionados (BLACKOUT, LOCA, SGTR), de modo que essas posições maximizam o número de classificações corretas. O sistema de diagnóstico proposto classifica o evento anômalo através da menor distância entre os vetores protótipos, gerados pelo PSO, e a assinatura, ou seja, cada vetor de estado da evolução temporal das variáveis do evento anômalo. Desta forma, e com o objetivo de comparação, foram utilizadas 3 métricas de distâncias: Manhattan, Euclidiana e Minkowski.  Fase 2: diagnóstico em tempo real Nesta fase o sistema, para um determinado instante t e em tempo real, classifica o vetor de estados do evento anômalo dentre um dos três acidentes de base de projeto. Esta classificação será feita através
  51. 51. 36 da menor distância, isto é, o evento será classificado como pertencente à classe cujo vetor protótipo for mais próximo ao seu vetor de estados, em outras palavras, o de maior similaridade.4.1 – Sistema Protótipo de Identificação de Acidentes/Transientes O método de diagnóstico e identificação do sistema proposto é baseado emdistância e utiliza as métricas de Manhattan, Euclidiana e Minkowski para efetuar amedição da distância entre o vetor de variáveis do evento anômalo, em um determinadoinstante t, e o vetor protótipo dos acidentes/transientes de base de projeto selecionados.O PSO, como ferramenta de otimização, é utilizado para encontrar a melhor posição dosvetores protótipos de cada um dos três acidentes/transientes, e desta forma maximizar onúmero de classificações corretas. Caso o número máximo de classificações corretasseja igual ao número de amostras das classes, podemos dizer que o vetor protótipocomporta-se, para este problema em particular, como o Vetor de Voronoi da classe. Como não há obrigação que os vetores protótipos para a classificação sejam oscentroides resultantes de alguma função do particionamento do espaço de busca, oalgoritmo foi utilizado na busca de vetores protótipos que maximizam o número deacertos para a classificação de todos os acidentes. Com esta abordagem, é estabelecidoum modelo de solução que corresponde à pesquisa dos Vetores de Voronoi para aidentificação das classes de acidentes/transientes. Os acidente/transientes foram representados pela evolução temporal de 18variáveis de estado, consideradas necessárias e suficientes para o reconhecimento decada transiente, no intervalo de 0 a 60 segundos, de um em um segundo, onde oprimeiro segundo corresponde a queda das barras (TRIP) do reator. A classificação doevento anômalo foi feita pela medida da menor distância entre o conjunto de variáveis(assinatura) do evento anômalo, em um determinado instante t, e o vetor protótipo decada acidente/transiente, como exemplificado na figura 4.1.
  52. 52. 37 Na figura 4.1, são mostrados três conjuntos simbólicos de dados dos três tipos deacidentes, representados pelos seus vetores protótipos. No caso da figura 4.1, aclassificação da amostra é feita através da menor distância medida entre o vetorprotótipo do acidente e o vetor que representa a amostra. Observando a figura 4.1,conclui-se que a amostra será classificada como sendo o acidente 2, pois a distância d2é a menor que o sistema devera encontrar.FIGURA 4.1 - Exemplo de classificação de uma amostra, onde os pontos em laranja sãoos vetores protótipos dos acidentes 1, 2 e 3, respectivamente e d1, d2 e d3 as respectivas distâncias entre os vetores protótipos dos acidentes e a amostra a ser classificada.4.2 – Seleção dos Acidentes/Transientes de Base de Projeto Para a proposta deste trabalho, o conjunto de acidentes/transientes selecionadospara testar o sistema protótipo de diagnóstico, teve por base os acidentes de projetopostulados para a Usina Nuclear Angra 2, que constam no capítulo 15 do RelatórioFinal de Análise de Acidentes (FSAR), exigido pela Comissão Nacional de EnergiaNuclear. Os acidentes/transientes selecionados foram:  BLACKOUT (Evento Transiente) Consiste na perda de alimentação elétrica externa.
  53. 53. 38 A coincidente perda de potência da Usina e rede externapode ocorrer se por exemplo, a transferência para a rede externafalhar após o TRIP da turbina. Neste caso existirá uma perda depotência para os auxiliares da planta tais como: bombas de águade circulação. No lado do secundário, a estação de “bypass” de vaporprincipal é bloqueada devido à perda das bombas de condensadoe das bombas de água de circulação, e a remoção de calor ésuprida pelas válvulas de alívio e de segurança do vaporprincipal. O suprimento de água de alimentação para os geradoresde vapores (GVs) é executado pelas bombas de partida e parada.O modo de alimentação elétrica de emergência em curto prazo éclassificado como um transiente operacional. A planta seestabiliza com a remoção de calor do lado secundário, sendorealizada pelas válvulas de controle de alívio do vapor principalaté que o suprimento de potência auxiliar seja recuperado. Caso o suprimento de potência não seja restaurado em 12horas, a planta tem que ser transferida para a condição desubcrítico frio. Este evento de longo prazo é analisado comrespeito a liberações radioativas no vapor aliviado para aatmosfera. LOCA (Evento Acidente) Consiste na perda de refrigeração do reator Neste trabalho exploramos a ocorrência de um pequenoLOCA, sendo que existem as categorias grande e médio LOCA,que é definido como uma ruptura com área de seção reta deaproximadamente 5 cm de diâmetro das tubulações derefrigerante do reator ou linhas de conexão, onde a pressão no
  54. 54. 39 Sistema de Refrigeração do Reator (SRR) se estabiliza entre 109 bar e 9 bar. O núcleo permanece coberto, apesar de o nível do Pressurizador (PZR) cair para < 2.28 m. Como a remoção de calor no núcleo através do vazamento e da injeção do refrigerante não é suficiente (no caso de seção de retas de ruptura muito pequenas), a remoção de calor é auxiliada pelo lado secundário. Sendo assumido para este cenário, modo de alimentação elétrica de emergência coincidente. A característica típica de um LOCA pequeno é que o vazamento do refrigerante pode ser reposto dentro de uma faixa de pressão entre 109 e 9 bar, isto é, as bombas de injeção de segurança e as bombas de boração possivelmente auxiliadas pelos acumuladores, repõem o vazamento e desenvolvem uma pressão no Sistema de Refrigeração do Reator (SRR) a um nível maior que o da pressão de saturação, que esta caindo de 25 bar, os acumuladores não descarregam. Uma parte do calor é retirada através do lado secundário pelo resfriamento a 100 Km/h, uma vez que o SRR está cheio e subresfriado, a transferência de calor no núcleo é mantida, enquanto a circulação natural (as Barras do Sistema de Resfriamento (BRRS) estão desligadas), permite a transferência de calor para o lado secundário, a outra parte do calor (dependendo do tamanho da ruptura) é descarregada através da ruptura. Apenas uma leve pressão (teoricamente até aproximadamente 1 bar), se desenvolve na contenção. A liberação da radioatividade é interrompida pelo isolamento da ventilação do prédio de contenção. SGTR (Evento Acidente)
  55. 55. 40 Consiste em rupturas nos tubos geradores de vapor. Na ocorrência de vazamentos nos tubos em U dos geradores de vapor, haverá uma transferência de refrigerante radioativo para o circuito de água vapor, devido à alta diferença de refrigerante radioativo para circuito de água vapor e, a alta diferença de pressão existente entre o lado primário e o secundário. As principais funções das ações automáticas e manuais que se desenvolvem, são as de restringir a perda de refrigerante e a de limitar os efeitos do acidente para que não haja liberação de vapor radioativo através das válvulas de alívio para a atmosfera, para isso as potências do reator e do gerador devem ser reduzidas o mais rápido possível. Com o funcionamento das Barras do Sistema de Resfriamento (BRRS), é mantida a circulação forçada evitando a formação de bolhas de vapor na região da tampa do vaso de pressão do reator, com a pressão do sistema de refrigeração do reator reduzida. Com o condensador como fonte fria evita-se que o vapor principal radioativo seja liberado para o meio ambiente. Com a redução da potência, e com a redução da pressão do sistema de refrigeração a diferença de pressão entre o lado primário e secundário é reduzida diminuindo a taxa de vazamento. ALVARENGA (1997) programou a simulação da variação temporal dosacidentes/transientes apresentados acima. O tempo total da amostragem foi de 61segundos, onde o primeiro segundo corresponde a condição normal de potência e osegundo segundo o início do TRIP do reator. O tempo de 61 segundos foi considerado suficiente para que os acidentespossam ser destacados uns dos outros, devido à evolução de uma ou mais variáveis deestado do sistema, consideradas como aquelas que mais contribuem para a
  56. 56. 41caracterização dos acidentes/transientes em questão. As amostragens dessas variáveisforam feitas com intervalos de um segundo. Existem diversas variáveis na Usina Nuclear, as variáveis de processoselecionadas para o reconhecimento do evento em curso, foram escolhidas por seusentido físico em relação aos acidentes, sendo assim, primeiramente não foi levado emconsideração à quantidade de variáveis e sim quais possuem relacionamento físicos comos acidentes em questão. Desta forma, neste trabalho, principalmente para efeitos decomparação com os trabalhos desenvolvidos por ALMEIDA (2001), MEDEIROS(2005) e NICOLAU (2010), as variáveis selecionadas encontram-se listadas na tabela4.1.
  57. 57. 42TABELA 4.1 - Variáveis de estado dos acidentes/transientes.1. Vazão do núcleo (%)2. Temperatura da perna quente (C)3. Temperatura da perna fria (C )4. Vazão no núcleo (kg/s )5. Nível no gerador de vapor – faixa larga (% )6. Nível no gerador de vapor – faixa estreita (% )7. Pressão no gerador de vapor (Mpa)8. Vazão de água de alimentação (kg/s )9. Vazão de vapor (kg/s )10. Vazão na ruptura (kg/s )11. Vazão no circuito primário (kg/s )12. Tempo (s)13. Pressão no sistema primário (Mpa )14. Potência térmica (% )15. Potência nuclear (%)16. Margem de sub-resfriamento (C)17. Nível do pressurizador (%)18. Temperatura média no primário (C)
  58. 58. 43 A figura 4.2 mostra a evolução temporal (assinatura) de todas as variáveis deestado listadas na tabela 4.1 para os três acidentes/transientes selecionados,considerando a Usina operando a 100% de potência nominal. A linha em vermelhorepresenta o SGTR, a linha em verde representa o LOCA e a linha em azul representa oBLACKOUT, onde os índices das variáveis nas figuras correspondem as variáveis deestado listadas na tabela 4.1. FIGURA 4.2 - Assinatura das variáveis de estado para cada um dos 3 acidentes postulados considerando a Usina operando a 100% de potência nominal. A figura 4.3 mostra a evolução temporal do BLACKOUT, a figura 4.4 aevolução temporal do LOCA e a figura 4.5 mostra a evolução temporal do SGTR.
  59. 59. 44FIGURA 4.3 - Assinatura das variáveis de estado do BLACKOUT considerando a Usina operando a 100% de potência nominal.FIGURA 4.4 - Assinatura das variáveis de estado do LOCA considerando a Usina operando a 100% de potência nominal.

×