Post on 11-Nov-2018
UNIVERSIDADE FEDERAL DE ALAGOAS CENTRO DE TECNOLOGIA
CURSO DE ENGENHARIA CIVIL
MODELAGEM COMPUTACIONAL DA INTERAÇÃO ENTRE
O SOLO MARINHO E A LINHA DE ANCORAGEM
ENTERRADA
THIAGO DELFINO LIMA VASCONCELOS
Trabalho de Conclusão de Curso
Orientador: Eduardo Nobre Lages
Maceió
2013
THIAGO DELFINO LIMA VASCONCELOS
MODELAGEM COMPUTACIONAL DA INTERAÇÃO ENTRE
O SOLO MARINHO E A LINHA DE ANCORAGEM
ENTERRADA
Trabalho de Conclusão de Curso apresentado ao Colegiado do
Curso de Engenharia Civil da Universidade Federal de Alagoas,
como parte dos requisitos para obtenção do título de Engenheiro
Civil
Maceió
2013
THIAGO DELFINO LIMA VASCONCELOS
MODELAGEM COMPUTACIONAL DA INTERAÇÃO ENTRE
O SOLO MARINHO E A LINHA DE ANCORAGEM
ENTERRADA
Este trabalho de conclusão de curso foi julgado adequado para a obtenção do título de
ENGENHEIRO CIVIL e aprovado em sua forma final pelo professor orientador e pelo
Colegiado do Curso de Engenharia Civil da Universidade Federal de Alagoas.
Maceió, 24 de Julho de 2013
Prof. Eduardo Nobre Lages
Dr. pela PUC - Rio
Orientador
Adriana de Oliveira Santos Weber
Coordenadora do curso de Engenharia Civil
BANCA EXAMINADORA
Eduardo Nobre Lages (UFAL)
Doutor pela PUC-Rio
Eduardo Toledo de Lima Junior (UFAL)
Doutor pela EESC/USP
Luciana Correia Laurindo Martins Vieira (UFAL)
Mestre pela UFAL
Dedico este trabalho à minha FAMÍLIA
AGRADECIMENTOS
Agradeço a Deus por guiar meus passos para mais uma conquista, o tão sonhado título de
Engenheiro Civil.
Agradeço ao meu Pai pelo apoio incondicional em todas as fases da minha vida, pelos
conselhos singulares e orientações inteligentes; meu verdadeiro orientador.
Agradeço a minha Mãe pelo carinho e cuidado nos momentos mais difíceis e por me aguentar
nos dias de estresse com trabalhos e provas.
Agradeço a minha irmã pelos momentos de descontração proporcionados em momentos
oportunos.
Agradeço a minha namorada pelas palavras de incentivo e pelo companheirismo durante o
curso.
Agradeço ao meu orientador (Grande Nobre) por fazer deste trabalho mais um desafio no
curso e pela orientação em todas as fases do trabalho.
Agradeço ao professor Frede de Oliveira Carvalho (CTEC/UFAL) pelo curso introdutório
sobre Redes Neurais Artificiais.
Agradeço ao apoio financeiro da Agência Nacional do Petróleo, Gás Natural e
Biocombustíveis – ANP –, da Financiadora de Estudos e Projetos – FINEP – e do Ministério
da Ciência e Tecnologia – MCT por meio do Programa de Recursos Humanos da ANP para o
Setor Petróleo e Gás – PRH-ANP/MCT.
RESUMO
VASCONCELOS, T.D.L. Modelagem computacional da interação entre o solo marinho e a
linha de ancoragem enterrada. 2013. Trabalho de Conclusão de Curso (Graduação em
Engenharia Civil) – Universidade Federal de Alagoas, Maceió.
Devido às crescentes descobertas realizadas no campo do pré-sal, há uma grande necessidade
de desenvolver tecnologias que permitam, e até mesmo viabilizem, a produção do petróleo
nessa região, já que existem grandes desafios a serem superados nessas bacias petrolíferas.
Dentre as dificuldades encontradas está a de manter as plataformas offshore estáveis, o que
pode ser garantido com sistemas de ancoragem eficientes e que resistam às tensões resultantes
das movimentações constantes da plataforma, já que se trata de ambientes com grandes
lâminas de água, o que intensifica as solicitações na estrutura. Nesse contexto, faz-se
necessário o uso de plataformas do tipo FPSO, que são adaptadas a esse tipo de ambiente.
Essas, por sua vez, têm sistemas de ancoragem constituídos por cabos, que em sua parte
submersa apresentam-se na forma de catenária, já sua parte enterrada no solo marinho
apresenta-se na forma de uma catenária invertida. Na literatura, a maioria dos estudos sobre a
análise das linhas de ancoragem delimita-se à parte submersa, desconsiderando a parte
enterrada, onde se atribui ao ponto de afloramento da linha no solo marinho uma fixação
perfeita dos movimentos. Para a análise desse trecho enterrado, neste trabalho implementa-se
inicialmente, no ambiente MATLAB, o modelo recomendado pela DNV no “Recommended
Practice RP-E301”, que permite mapear as trações e definir as diversas geometrias das linhas
de ancoragem enterradas. A partir das trações que são geradas no ponto de afloramento,
projeta-se o elemento de fundação da linha. Após isso, esse modelo é utilizado para treinar
uma Rede Neural Artificial, que pode ser utilizada em substituição ao processo de integração
numérica do sistema governante de equações diferenciais ordinárias, acoplando-a,
posteriormente, à análise dinâmica da parte submersa da linha. Foram obtidos resultados
satisfatórios com o programa computacional desenvolvido quando comparado com programas
de referência. Além disso, o uso de Rede Neural Artificial mostra-se muito vantajoso, pois o
tempo de resolução do problema através da rede é cerca de 80% do tempo da integração
numérica das equações diferenciais, com resultados muito similares.
Palavras-chave: Geomecânica computacional; Linha de ancoragem; Catenária invertida;
Redes Neurais Artificiais.
ABSTRACT
VASCONCELOS, T.D.L. Modelagem computacional da interação entre o solo marinho e a
linha de ancoragem enterrada. 2013. Trabalho de Conclusão de Curso (Graduação em
Engenharia Civil) – Universidade Federal de Alagoas, Maceió.
Due to the increasing discoveries made in pre-salt field, there is a great need to develop
technologies that allow, and even viable, the oil production in this region, since there are great
challenges to be overcome in these oil basins. Among the involved difficulties is to maintain
the offshore platforms stable, which can be ensured by efficient anchor systems and that resist
the tensions due to the constants movements of the platform, since it is located in an
environment constituted by large water slides, what intensifies the tensions in structure. In this
context, it is necessary to use the FPSO platforms, which are adapted to this sort of
environment. Such platforms in turn have anchor systems constituted by cables, which ones
have the shape of a catenary along the suspended part in water and forms an inverse catenary
in the embedded part. Most of studies about this subject are limited to the suspended part,
disregarding the part in inverse catenary, considering the outcrop point perfectly fixed on
seabed. For the analysis of embedded part, this work implements initially, in MATLAB, the
model recommended by DNV on “Recommended Practice RP-E301”, which allows mapping
the tractions and defining several geometries of the embedded anchor lines. With the tractions
in outcrop point, it is possible to project the embedded part of the anchor system. Afterwards,
this model is used to train an Artificial Neural Network, which can be used instead of the
numerical integration process of the governing system of ordinary differential equations,
coupling it to dynamic analysis of the catenary of submerged part afterwards. Satisfactory
results were obtained with the computer program developed here when comparing with
reference programs. Furthermore, the use of Artificial Neural Network is very advantageous,
because the problem resolution time by network is about 80% of the numerical integration
time of the differential equations, with very similar results.
Key-words: Computational geomechanics; Anchor line; Inverse catenary; Artificial Neural
Network.
SUMÁRIO
1. INTRODUÇÃO ................................................................................................................ 14
1.1 COMENTÁRIOS INICIAIS ...................................................................................... 14
1.2 MOTIVAÇÃO ............................................................................................................ 16
1.3 OBJETIVOS .............................................................................................................. 17
1.4 METODOLOGIA ...................................................................................................... 18
1.5 DELIMITAÇÃO DO TRABALHO........................................................................... 18
1.6 REVISÃO BIBLIOGRÁFICA .................................................................................. 19
1.6.1 Modelagem computacional da catenária invertida ............................................. 19
1.6.2 Redes Neurais Artificiais aplicadas à indústria do petróleo ............................... 21
1.7 ORGANIZAÇÃO DO TRABALHO ......................................................................... 22
2. SISTEMAS DE ANCORAGEM ...................................................................................... 23
2.1 CONCEITOS ............................................................................................................. 23
2.2 TIPOS DE ANCORAGEM ....................................................................................... 25
2.2.1 Ancoragem convencional ................................................................................... 26
2.2.2 Ancoragem taut-leg ............................................................................................ 26
2.2.3 Ancoragem vertical............................................................................................. 27
2.3 TIPOS DE PLATAFORMAS FLUTUANTES .......................................................... 28
2.3.1 SEMISSUBMERSÍVEL ..................................................................................... 28
2.3.2 FPSO ................................................................................................................... 30
2.3.3 TLP ..................................................................................................................... 31
2.3.4 SPAR................................................................................................................... 32
2.3.4.1 Spar buoy..................................................................................................... 32
2.3.4.2 Truss Spar .................................................................................................... 33
2.3.4.3 Cell spar....................................................................................................... 33
3. CATENÁRIA INVERTIDA ............................................................................................. 34
3.1 FORMULAÇÃO MATEMÁTICA ............................................................................ 34
3.2 DESCRIÇÃO DOS PARÂMETROS ........................................................................ 38
3.3 APLICAÇÃO DO MODELO .................................................................................... 40
3.3.1 Exemplo ilustrativo ............................................................................................ 42
3.3.2 Estudo de caso .................................................................................................... 47
4. REDES NEURAIS ARTIFICIAIS ................................................................................... 51
4.1 CONCEITOS ............................................................................................................. 51
4.2 ARQUITETURA DA REDE ..................................................................................... 52
4.3 PROCESSO DE TREINAMENTO ........................................................................... 54
4.4 RESULTADOS DAS APLICAÇÕES COM REDES NEURAIS ARTIFICIAIS ...... 55
4.4.1 Rede com apenas um parâmetro de entrada (T0) ................................................ 55
4.4.1.1 Arquitetura da rede ...................................................................................... 55
4.4.1.2 Tipos de treinamento ................................................................................... 55
4.4.1.3 Otimização da arquitetura da RNA quanto à quantidade de neurônios em
cada camada .................................................................................................................. 58
4.4.1.4 Otimização da arquitetura da RNA quanto à função de transferência de cada
camada...... .................................................................................................................... 61
4.4.1.5 Influência da quantidade de dados de entrada no treino ............................. 62
4.4.1.6 Comparação dos resultados obtidos pela resolução do sistema de EDO e
através da RNA ............................................................................................................. 66
4.4.2 Rede com três parâmetros de entrada (T0, θ0 e P) .............................................. 68
4.4.2.1 Arquitetura da rede ...................................................................................... 68
4.4.2.2 Tipos de treinamento ................................................................................... 68
4.4.2.3 Otimização da arquitetura da RNA quanto à quantidade de neurônios em
cada camada .................................................................................................................. 70
4.4.2.4 Otimização da arquitetura da RNA quanto à função de transferência de cada
camada...... .................................................................................................................... 71
4.4.2.5 Influência da quantidade de dados de entrada no treino ............................. 72
4.4.2.6 Comparação dos resultados obtidos pela resolução do sistema de EDO e
através da RNA ............................................................................................................. 76
4.4.2.7 Comparação dos resultados obtidos pela resolução do sistema de EDO e
através da RNA única e das RNAs separadas............................................................... 78
4.4.2.8 Redes treinadas com diferentes erros .......................................................... 80
5. CONCLUSÕES ................................................................................................................ 83
5.1 Sugestões para futuros trabalhos ................................................................................ 84
REFERÊNCIAS BIBLIOGRÁFICAS ..................................................................................... 85
LISTA DE FIGURAS
Figura 1.1: Primeiras plataformas de petróleo ..................................................................... 14
Figura 1.2: Plataformas fixas ............................................................................................... 15
Figura 1.3: Esquema da bacia do pré-sal ............................................................................. 16
Figura 2.1: Elos de amarras ................................................................................................. 24
Figura 2.2: Estrutura do cabo de aço ................................................................................... 24
Figura 2.3: Geometria típica de ancoragem convencional .................................................. 25
Figura 2.4: Ancoragem convencional e taut-leg .................................................................. 27
Figura 2.5: Ancoragem vertical ........................................................................................... 28
Figura 2.6: Detalhes da estrutura da plataforma semissubmersível .................................... 29
Figura 2.7: Plataforma semissubmersível ............................................................................ 29
Figura 2.8: Navio FPSO ...................................................................................................... 30
Figura 2.9: Sistema de ancoragem DICAS .......................................................................... 31
Figura 2.10: Sistema de ancoragem TLP ............................................................................. 31
Figura 2.11: Sistema de ancoragem Spar buoy .................................................................... 32
Figura 2.12: Ancoragem Truss Spar .................................................................................... 33
Figura 2.13: Sistema de ancoragem Cell Spar ..................................................................... 34
Figura 3.1: Diagrama de corpo livre de um segmento da catenária invertida ..................... 35
Figura 3.2: Seguimento ds da linha de ancoragem. ............................................................. 36
Figura 3.3: Parâmetros da catenária invertida ..................................................................... 38
Figura 3.4: Variação de Nc com a profundidade .................................................................. 41
Figura 3.5: Variação de Su com a profundidade ................................................................... 42
Figura 3.6: Geometria da linha dos três casos ..................................................................... 43
Figura 3.7: Inclinação da linha para os três casos ............................................................... 44
Figura 3.8: Tração na linha para os três casos ..................................................................... 45
Figura 3.9: Tração na linha do caso 2 .................................................................................. 46
Figura 3.10: Geometria da linha para os três casos ............................................................. 48
Figura 3.11: Inclinação da catenária para os três casos ....................................................... 49
Figura 3.12: Tração na linha para os três casos ................................................................... 50
Figura 4.1: Exemplo de arquitetura de uma RNA ............................................................... 53
Figura 4.2: Exemplo de final de treinamento de uma rede única e sem normalização ....... 57
Figura 4.3: Relação entre a quantidade de dados e o número de iterações.......................... 64
Figura 4.4: Comparação entre a quantidade de dados e o tempo de treino ......................... 65
Figura 4.5: Relação entre a quantidade de dados e a velocidade de treino.......................... 66
Figura 4.6: Comparação entre a quantidade de combinações e o número de iterações ....... 74
Figura 4.7: Relação entre a quantidade de combinações e o tempo de treino ..................... 75
Figura 4.8: Relação entre a quantidade de combinações e a velocidade de treino .............. 76
Figura 4.9: Final do treinamento da RNA 4 ........................................................................ 80
LISTA DE TABELAS
Tabela 3.1: Valores da superfície efetiva e da área efetiva de resistência ............................ 38
Tabela 3.2: Valores de Nc ..................................................................................................... 39
Tabela 3.3: Valores de referência para solo ......................................................................... 40
Tabela 3.4: Comprimento e projeção horizontal do trecho .................................................. 46
Tabela 3.5: Descrição dos casos .......................................................................................... 48
Tabela 3.6: Resultados do comprimento do trecho .............................................................. 50
Tabela 3.7: Resultados da projeção horizontal .................................................................... 51
Tabela 4.1: Funções de transferência ................................................................................... 53
Tabela 4.2: Algoritmos de treinamento ................................................................................ 54
Tabela 4.3: Resultados do treinamento ................................................................................ 56
Tabela 4.4: Resultados para redes separadas ....................................................................... 57
Tabela 4.5: Número de convergências por combinação ...................................................... 59
Tabela 4.6: Resultados do treinamento ................................................................................ 60
Tabela 4.7: Resultados para função de transferência ........................................................... 61
Tabela 4.8: Resultados para a quantidade de combinações ................................................. 62
Tabela 4.9: Resultados do treinamento ................................................................................ 63
Tabela 4.10: Comparação das RNAs com o sistema de EDO ............................................. 67
Tabela 4.11: Erro relativo dos resultados ............................................................................. 67
Tabela 4.12: Erro relativo dos resultados ............................................................................. 67
Tabela 4.13: Resultados do treino ........................................................................................ 69
Tabela 4.14: Resultados das RNAs separadas ..................................................................... 69
Tabela 4.15: Número de convergências por combinação .................................................... 70
Tabela 4.16: Resultados do treinamento .............................................................................. 71
Tabela 4.17: Resultados da função de treinamento.............................................................. 72
Tabela 4.18: Resultado do treino para a quantidade de combinações ................................. 73
Tabela 4.19: Resultado do treinamento................................................................................ 74
Tabela 4.20: Comparação das RNAs com o sistema de EDO ............................................. 77
Tabela 4.21: Erro relativo dos resultados ............................................................................. 77
Tabela 4.22: Erro relativo dos resultados ............................................................................. 78
Tabela 4.23: Comparação das RNAs com o sistema de EDO ............................................. 78
Tabela 4.24: Erro relativo dos resultados ............................................................................. 79
Tabela 4.25: Erro relativo dos resultados ............................................................................. 79
Tabela 4.26: Comparação das RNAs com o sistema de EDO ............................................. 81
Tabela 4.27: Erro relativo dos resultados ............................................................................. 81
Tabela 4.28: Erro relativo dos resultados ............................................................................. 81
LISTA DE ABREVIAÇÕES
CENPES: Centro de Pesquisa da PETROBRAS
DNV: Det Norske Veritas
DICAS: Differentiated Compliance Anchoring System
FPSO: Floating Production, Storage and Offloading
LACEO: Laboratório de Análise e Confiabilidade de Estruturas Offshore da
COPPE/UFRJ
LCCV: Laboratório de Computação Científica e Visualização
MODU: Mobile Offshore Drilling Unit
NNTOOL: Neural Network Toolbox
PETROBRAS: Petróleo Brasileiro S/A
RNA: Rede Neural Artificial
TLP: Tension Leg Platform
UFAL: Universidade Federal de Alagoas
VLA: Vertically Loaded Anchors
14
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
1. INTRODUÇÃO
1.1 COMENTÁRIOS INICIAIS
As primeiras explorações de petróleo ocorreram em terra, campos denominados onshore
(Figura 1.1), com a utilização de poucos equipamentos e uma produção diária muito inferior
às atuais. Com o passar do tempo, os campos de exploração de petróleo aumentavam
significativamente, até que começou o esgotamento de campos petrolíferos onshore, surgindo,
assim, a necessidade de exploração em solo marinho, em campos denominados offshore.
Figura 1.1: Primeiras plataformas de petróleo
Fonte: pt.wikipedia.org. Acesso em: 17 de junho de 2013
Com isso, houve uma grande e constante busca para a construção de plataformas e criação de
tecnologias que viabilizassem a exploração de tais campos. Inicialmente, foram fabricadas
plataformas fixas (Figura 1.2), as quais são fixadas no solo marinho através de estacas ou por
gravidade e são bastante utilizadas em lâminas d’água de até 300 metros pelo fato de serem
técnica e economicamente as mais viáveis (Kawasaki, 2010).
15
Modelagem computacional da interação entre o solo marinho e a linha de ancoragem enterrada.
Figura 1.2: Plataformas fixas
Fonte: www.wavesafety.com.br. Acesso em: 29 de junho 2013.
Na medida em que esses campos se esgotavam, as explorações tinham que ser realizadas em
águas cada vez mais profundas, levando ao desenvolvimento de plataformas flutuantes,
facilmente adaptáveis às adversidades do ambiente oceânico.
Atualmente, devido ao crescimento contínuo da exploração de campos de petróleo em
ambientes cada vez mais profundos e hostis, principalmente no campo do pré-sal (Figura 1.3),
o qual se localiza a cerca de 300 km da costa, com lâminas d’água que chegam a 2000 metros,
fez-se necessário o desenvolvimento de plataformas mais eficientes para esse tipo de
ambiente. As plataformas mais utilizadas nesses casos são as FPSOs, que são navios-
plataforma com a capacidade de produzir, armazenar e transferir o petróleo, os quais estão
sendo constantemente modificados para atender às solicitações adversas da região (Wang et
al., 2010).
Nesse contexto, um dos desafios encontrados no ambiente do pré-sal é manter a unidade
flutuante estável, sem grandes deslocamentos. Dessa forma, os sistemas de ancoragem dessas
plataformas têm uma vital importância no que diz respeito a sua integridade estrutural,
responsáveis por sua estabilidade e resistência frente às movimentações devido aos diversos
estados de mar.
Com isso, pretende-se viabilizar os trabalhos na superestrutura e evitar danos às diversas
peças da plataforma, dentre elas pode-se citar os risers, os quais sofrem com o movimento
constante da estrutura, levando, em muitos casos, à fadiga, comprometendo, assim, a
16
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
produção do petróleo e a preservação do meio ambiente. Portanto, usam-se cada vez mais
linhas de ancoragem com diferentes tipos de materiais, a fim de proporcionar maior eficiência
e economia ao sistema em águas profundas e ultraprofundas.
Figura 1.3: Esquema da bacia do pré-sal
Fonte: www.passeiweb.com. Acesso em: 29 de junho 2013.
1.2 MOTIVAÇÃO
As plataformas petrolíferas offshore estão sujeitas a diversos tipos de solicitações, atuando em
várias direções. Essas, por sua vez, podem ter origem natural, como a energia das ondas ao
deslocar a estrutura e a elevada força dos ventos em alto mar; ou serem originadas do próprio
processo de exploração, produção e transporte do petróleo e gás. Para resistir a tais
solicitações, além de manter a plataforma em condições favoráveis para a realização dos
trabalhos no local, foram desenvolvidos vários tipos de sistemas de ancoragem, empregados
de acordo com as características do ambiente e da unidade flutuante, tais como: distância da
costa, profundidade de lâmina d’água, tipo de solo do leito marinho, tipo e geometria da
plataforma empregada e as condições do ambiente, além de outros fatores que interferem na
estabilidade da estrutura.
Em cada uma das configurações das linhas de ancoragem, a intensidade e a forma como os
esforços são transmitidos para o solo variam, fazendo com que existam vários tipos de
17
Modelagem computacional da interação entre o solo marinho e a linha de ancoragem enterrada.
fundação para cada situação. Além disso, visando a economia e a eficiência da linha, são
utilizados materiais diferentes ao longo do seu comprimento, de acordo com as solicitações
em cada trecho e sua respectiva localização. Como exemplo, pode-se citar a parte da linha
apoiada no solo e a parte enterrada, pois estas estão sujeitas a forças de abrasão mais
acentuadas que o trecho em catenária suspensa, e, dessa forma, os materiais mais indicados
para constituir esse trecho são as amarras; não sendo empregadas na parte submersa por
possuir baixa capacidade de restauração.
Na literatura, a maioria dos estudos sobre a análise das linhas de ancoragem delimita-se à
parte submersa, desconsiderando a parte enterrada, além disso, ao ponto de afloramento da
linha no solo marinho é atribuída uma fixação perfeita dos movimentos, o que na verdade não
ocorre, pois o mesmo translada constantemente devido à própria dinâmica da estrutura.
Como não há muitos estudos significativos em relação à parte do sistema de ancoragem sob o
leito marinho, há um certo desconhecimento sobre o comportamento desse trecho, levando a
adoção de altos coeficientes de majoração em seu projeto, superdimensionando tanto a
fundação quanto o trecho em catenária invertida. Logo, há um grande interesse no estudo da
parte enterrada da linha de ancoragem, fazendo-se necessário o estudo da configuração e
tensões atuantes em cada ponto ao longo do seu comprimento.
1.3 OBJETIVOS
O presente trabalho tem como objetivo o estudo de uma formulação para representação da
interação do trecho enterrado da linha de ancoragem com o solo marinho, permitindo-se o
mapeamento das trações ao longo da linha, tendo ainda a própria geometria como incógnita
do problema. Desenvolve-se uma aplicação computacional em MATLAB, onde as equações
governantes são integradas numericamente.
Após isso, esse modelo é utilizado para treinar uma Rede Neural Artificial, que pode ser
utilizada em substituição ao processo de integração numérica do sistema governante de
equações diferenciais ordinárias, acoplando-a, posteriormente, à análise dinâmica da parte
submersa da linha. Dessa forma, nessa interação, o ponto de afloramento da linha no solo
marinho é ajustado automaticamente durante a análise dinâmica dos trechos submerso e
enterrado.
18
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
1.4 METODOLOGIA
Inicialmente, faz-se uma implementação no MATLAB®, pois esse apresenta vantagens como
a disponibilidade de uma ampla biblioteca e simplicidade de programação. Para isso, são
utilizadas duas equações diferenciais ordinárias de primeira ordem, obtidas através das
equações de equilíbrio da catenária invertida, formada pela parte enterrada da linha de
ancoragem. Para resolução dessas equações, neste trabalho opta-se pelo tratamento numérico
via função ode45 do MATLAB®.
Em um primeiro momento, obtêm-se o comportamento da tração na linha ao longo da
profundidade, bem como a variação do ângulo que a linha forma com a horizontal ao longo do
seu comprimento. Com isso, obtém-se a geometria da catenária invertida. Logo após,
compara-se o modelo com resultados obtidos na literatura, com o objetivo de validar o
programa desenvolvido.
Depois disso, emprega-se esse modelo para treinar uma Rede Neural Artificial em
substituição ao processo de integração numérica do sistema governante de equações
diferenciais ordinárias, utilizando a NNTOOL do MATLAB®.
Foram treinadas duas RNAs principais: a primeira, recebendo como entrada apenas a tensão
inicial e a segunda, recebendo a tensão inicial, a inclinação inicial e a profundidade da
fundação. Ambas as redes possuem como saída a tensão e inclinação da linha no encontro
com a âncora, bem como o comprimento total e a projeção horizontal do trecho enterrado.
1.5 DELIMITAÇÃO DO TRABALHO
Não é analisada a parte submersa das linhas de ancoragem, apenas a força axial que essa
transmite à parte enterrada no solo e o ângulo da linha em relação à horizontal no ponto de
encontro entre essas partes. Também não são analisadas as configurações em taut-leg e
verticais, limitando-se, assim, ao sistema de ancoragem convencional, o qual apresenta a
configuração da catenária invertida.
No presente trabalho, também não são considerados os efeitos de deslizamento do cabo no
solo, pois se trata de uma análise estática, considerando a resistência do solo à fricção no
estado limite último. Esse efeito é apenas levado em conta quando se realiza uma análise
dinâmica da linha. A deformabilidade da linha de ancoragem é considerada implicitamente na
19
Modelagem computacional da interação entre o solo marinho e a linha de ancoragem enterrada.
formulação, pois se assume que as equações governantes são estabelecidas com base na
geometria deformada da mesma.
Além disso, o modelo implementado apresenta uma restrição quanto ao ângulo da linha
enterrada no ponto em que a mesma aflora no leito marinho, pois o processo de integração
numérica das equações governantes envolve indeterminações numéricas quando são impostos
ângulos muito pequenos, menores que 1˚, aproximadamente.
1.6 REVISÃO BIBLIOGRÁFICA
Realizam-se revisões bibliográficas sobre a modelagem da catenária invertida e sobre a
utilização de Rede Neural Artificial. Como não foram encontrados trabalhos que utilizassem o
conceito de RNA aplicado à análise da parte enterrada da linha de ancoragem, a revisão
bibliográfica pode ser dividida em duas partes, as quais são:
a) Modelagem computacional da catenária invertida;
b) Redes Neurais Artificiais aplicadas à indústria do petróleo.
1.6.1 Modelagem computacional da catenária invertida
Bang et al. (2010) formularam as equações diferenciais governantes do trecho enterrado da
linha e Kawasaki (2010) implementou essas equações, as quais, segundo os autores, podem
ser facilmente deduzidas por meio das equações de equilíbrio, em forças e momento, do
sistema. Além disso, esse modelo baseia-se em um método analítico que fornece soluções
para as linhas enterradas em solos coesivos. Com isso, obtiveram-se as seguintes equações
incrementais, que regem, respectivamente, a variação da tração ao longo da linha, a força
normal de reação do solo e a variação da inclinação da linha ao longo do comprimento:
(1)
(2)
20
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
(3)
Bang et al. (2003) realizaram testes laboratoriais com um segmento de linha de ancoragem em
escala reduzida, com o auxílio de uma centrífuga geotécnica, a fim de calibrar a solução
analítica desenvolvida para a análise e projeto de linhas de ancoragem associadas à âncoras,
mostrada acima através das Equações 1, 2 e 3. O modelo incluía cabos de aço e amarras
posicionadas em várias profundidades em um solo marinho arenoso. As linhas de ancoragem
eram solicitadas com tensões predefinidas na superfície da água através da aceleração da
centrífuga, visando simular as condições dos carregamentos em campo. Os ensaios
laboratoriais apresentaram excelentes resultados da geometria e tensões quando comparados
com os resultados analíticos. Ambos os resultados apresentaram menos que 5% de diferença
total quando somadas as diferenças tanto das geometrias quanto das tensões.
Kawasaki (2010) analisou o comportamento das linhas de ancoragem compostas por diversos
trechos, com propriedades físicas e geométricas distintas e contabilizando a interação solo-
estrutura, além de analisar a parte enterrada das mesmas. Nesse estudo, fez-se uma
implementação em MATHCAD para descrever a geometria e os esforços solicitantes ao longo
de toda a linha, e os resultados foram comparados com programas de referência no assunto,
tais como: ÂNCORA (LACEO) e DIGIN (DNV). Com isso, os resultados mostraram que os
erros relativos entre os programas foram muito pequenos, não ultrapassando 5%,
contribuindo, assim, para a validação do programa desenvolvido no trabalho e das fórmulas
envolvidas no problema.
Wang et al. (2010) apresentaram um modelo estático bidimensional e um modelo quase
estático tridimensional para o cabo da linha de ancoragem, durante o pré-tensionamento e em
seu estado de serviço, respectivamente, considerando a parte submersa e a parte enterrada no
solo marinho como um cabo único. Ambos os modelos levaram em consideração os efeitos
das correntes oceânicas, a resistência do solo e a elasticidade do cabo. Os resultados
mostraram que os modelos utilizados são confiáveis devido às considerações feitas
inicialmente, além disso, mostraram que os efeitos de deslizamento do cabo no solo devem
ser levados em conta para se obter uma representação mais adequada do comportamento das
linhas de ancoragem.
21
Modelagem computacional da interação entre o solo marinho e a linha de ancoragem enterrada.
1.6.2 Redes Neurais Artificiais aplicadas à indústria do petróleo
Em muitas análises no cenário offshore, há dificuldades de estabelecer ou aplicar modelos
matemáticos que regem os problemas envolvidos, pois tais análises, principalmente as
dinâmicas, demandam um tempo computacional elevado, o que em muitos casos inviabiliza a
análise utilizando o método dos elementos finitos. Nesse contexto, a fim de otimizar o
processo, as Redes Neurais Artificiais ganham especial atenção devido à sua capacidade de
aprendizado, generalização, associação e busca paralela (Pina, 2010).
Pina (2010) desenvolveu ferramentas computacionais para o projeto de sistemas para
produção de petróleo offshore, empregando recursos de inteligência computacional para
complementar e/ou substituir métodos numéricos. As ferramentas computacionais empregadas
foram o método de otimização por Enxame de Partículas (PSO) e Redes Neurais Artificiais
compondo metamodelos para substituir análises dinâmicas computacionalmente dispendiosas.
Os resultados mostraram que o uso de uma RNA como um modelo exógeno autorregressivo
não linear (NARX) pode fornecer predições de tração no topo do riser com grande precisão,
21 vezes mais rapidamente do que uma simulação completa de 3 h usando o método de
elementos finitos, uma vez que somente 500 s devem ser calculados a fim de construir os
conjuntos de treinamento e validação. Além disso, a substituição da análise rigorosa pela rede
neural, na otimização, representou uma redução de 54% no tempo computacional necessário
para otimizar o modelo dos sistemas de ancoragem.
Silva (2006) desenvolveu modelos preditivos para a obtenção das características de
reservatórios de petróleo a partir de dados monitorados ou simulados, utilizando-se técnicas
de mineração de dados. Com isso, utilizaram-se Redes Neurais Artificiais por possuírem boas
características no que se refere à classificação de padrões e de reconhecimento de padrões. O
autor também utilizou Algoritmos Genéticos como ferramenta de otimização. Com isso,
concluiu-se que as soluções testadas se mostraram eficientes na modelagem do problema,
permitindo bons resultados de previsão de produção, tanto para curto quanto para longo prazo.
Além disso, sugere o uso de redes neurais como ferramenta adicional às já atualmente
utilizadas curvas de declínio e simulação numérica ou ainda, em situações que essas
ferramentas são de difícil utilização.
Tiquilloca et al. (1999) trabalharam no desenvolvimento de um simulador para análise do
comportamento dinâmico de navios ancorados, denominados FPSO, através de Redes Neurais
22
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
Artificiais Multicamadas. Embora exista um modelo matemático, ele é muito complexo, por
necessitar de parâmetros hidrodinâmicos provenientes de ensaios em escala reduzida. Além
disso, a dinâmica do FPSO é válida apenas em um modelo linearizado ao redor do ponto de
equilíbrio. Os resultados obtidos concordaram com os dados experimentais, mostrando a
capacidade das RNAs para modelar sistemas que variam no tempo, com alta precisão e
resposta dinâmica confiável.
Bezerra e Morishita (2012), baseados nas vantagens da utilização de Superfícies de Reposta
nos processos de Otimização Multi-Objetivo, avaliaram o ganho no tempo de processamento
na busca da melhor solução que minimiza as funções objetivo (tempo de assentamento e
máximo sobressinal) por meio do uso de uma metodologia baseada em Redes Neurais
Artificiais e Algoritmos Genéticos. Através da utilização da técnica de RNA, foi possível
reduzir o tempo de processamento de otimização, realizado para a determinação dos melhores
valores para os parâmetros do controlador PID (Proporcional Integral Derivativo) de uma
embarcação dotada de Sistema de Posicionamento Dinâmico. Além disso, concluiu-se que a
utilização de Superfícies de Resposta permite uma convergência mais rápida dos métodos de
otimização com Algoritmos Genéticos, sem comprometer a qualidade das respostas, com uma
redução no custo computacional do processo de mais de 50%.
1.7 ORGANIZAÇÃO DO TRABALHO
Os capítulos do presente trabalho estão organizados da seguinte forma:
No Capítulo 2, são apresentados alguns conceitos sobre sistema de ancoragem, tais como sua
função e os materiais utilizados nas linhas. Além disso, são apresentados os tipos de
ancoragem de plataformas flutuantes.
O Capítulo 3 apresenta os tipos de plataformas de petróleo flutuantes, explicando os sistemas
de ancoragem utilizados e as características da embarcação.
No Capítulo 4 é feita a dedução das equações diferenciais de equilíbrio da catenária invertida,
são explicadas as variáveis envolvidas nas equações, bem como mostrados alguns valores de
referência para as mesmas, e por fim, são apresentados os resultados relativos ao uso do
modelo matemático em análises do trecho enterrado da linha de ancoragem.
O Capítulo 5 apresenta definições de Redes Neurais Artificiais, mostrando a composição da
23
Modelagem computacional da interação entre o solo marinho e a linha de ancoragem enterrada.
arquitetura de uma RNA e explicando o processo de treinamento, e por fim, apresenta os
resultados decorrentes da utilização de RNA na análise da catenária invertida.
No Capítulo 6, são apresentadas as conclusões acerca do trabalho desenvolvido e sugestões
para trabalhos futuros.
2. SISTEMAS DE ANCORAGEM
2.1 CONCEITOS
Sistema de ancoragem é o conjunto de elementos estruturais que tem como função fornecer a
força restauradora para que a plataforma flutuante mantenha-se em sua posição (Kawasaki,
2010). Os principais elementos constituintes do sistema são as linhas de ancoragem, presentes
em todos os tipos de unidades flutuantes.
As linhas de ancoragem têm como função manter a plataforma em posição e transmitir os
esforços solicitantes desta para a fundação, a qual pode ser estaca ou âncora, dependendo das
condições de transferência dos esforços. Os materiais utilizados nas linhas são amarras de aço,
também chamadas de corrente, cabos de aço e, mais recentemente, cabos de materiais
sintéticos, como a poliamida e o poliéster (Kawasaki, 2010).
As amarras são formadas pela ligação consecutiva de elos de aço de seção circular, os quais
podem ser sem malhete ou com malhete (Figura 2.1), sendo este o mais utilizado. Essas são
mais utilizadas nos trechos iniciais e finais das linhas de ancoragem, pois são mais resistentes
ao atrito com o solo marinho, dissipando as forças transmitidas à fundação, e ao atrito com os
guinchos das unidades flutuantes que os outros materiais.
Os cabos de aço são formados por fios de aço enrolados e agrupados (Figura 2.2). Os
principais aços utilizados nas plataformas são os six strand, que são usados nas operações de
perfuração e os spiral strand, os quais apresentam maior resistência e durabilidade, além de
serem mais usados nas unidades de produção. Esses cabos apresentam uma vida útil menor
que as amarras, o que pode ser contornado através da galvanização. A possibilidade de fadiga
nesses cabos é maior próximo às terminações e às conexões (Kawasaki, 2010; Lacerda, 2005).
24
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
Figura 2.1: Elos de amarras
Fonte: Lacerda, 2005.
Figura 2.2: Estrutura do cabo de aço
Fonte: Lacerda, 2005.
Os cabos de materiais sintéticos são os que apresentam maior flexibilidade e menor densidade
linear submersa para uma mesma carga de ruptura, o que leva a uma maior capacidade de
restauração da linha de ancoragem, sendo dessa forma, utilizados em sua parte submersa. A
PETROBRAS foi pioneira na utilização desse cabo na costa brasileira (Lacerda, 2005),
apresentando-se como a alternativa mais viável para águas profundas e ultraprofundas.
A escolha dos materiais empregados nas linhas está relacionada com o tipo de configuração
da linha de ancoragem e a localização de trechos com características similares ao longo do
comprimento. Já os principais fatores que influenciam na escolha do tipo de configuração das
linhas a ser utilizado são: o tipo de unidade flutuante, a direção e intensidade das solicitações
ambientais (Lacerda, 2005).
25
Modelagem computacional da interação entre o solo marinho e a linha de ancoragem enterrada.
2.2 TIPOS DE ANCORAGEM
As configurações dos sistemas de ancoragem podem ser convencional, taut-leg e vertical. A
primeira apresenta uma parcela significativa do cabo apoiada no solo, transmitindo assim,
apenas esforços horizontais à fundação se a ancoragem for feita por arrasto. Além disso, a
geometria da ancoragem convencional pode ser dividida em duas partes (Figura 2.3): a parte
submersa, na forma de catenária, e a parte enterrada, com a geometria de uma catenária
invertida, a qual é responsável pela transmissão das tensões ao solo e à fundação.
Figura 2.3: Geometria típica de ancoragem convencional
A segunda configuração não tem trecho apoiado no leito marinho, pois é mais tracionada que
a convencional, transmitindo tanto esforços horizontais quanto verticais à fundação. Já o
último sistema é formado por tendões verticais constantemente tracionados, utilizado em
plataformas do tipo TLP (Kawasaki, 2010).
O tipo de plataforma utilizada, a geometria da unidade flutuante e as condições do ambiente
onde esta será instalada são os principais fatores que influenciam na escolha de um sistema de
ancoragem.
26
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
2.2.1 Ancoragem convencional
A ancoragem convencional é composta por linhas que possuem a configuração de uma
catenária. Essa técnica é utilizada em operações de produção por propiciar maiores passeios
da unidade flutuante e, com isso, não se faz necessário o uso de âncoras com elevado poder de
garra.
As linhas de ancoragem são fixas no fundo do mar por meio de âncoras, mantendo a
plataforma em posição por meio da força restauradora das linhas. Dessa forma, o trecho
apoiado no leito marinho contribui com essa força através do atrito entre o solo e a linha,
aliviando, assim, os esforços transmitidos para a âncora em condições normais de operação.
Pela necessidade de um grande trecho apoiado no solo, geralmente amarra, o custo da linha
aumenta.
A grande desvantagem do uso de ancoragem convencional é que a força restauradora está
relacionada com o raio da linha, e para atender os critérios de projeto para passeio dessas
unidades, deve-se utilizar raios grandes, cerca de 10% da lâmina d’água (Pina, 2010). Dessa
forma, isso causa um congestionamento das linhas de ancoragem e das linhas de plataformas
próximas, interferindo no posicionamento destas, e, além disso, pode causar interferência com
equipamentos marinhos próximos.
2.2.2 Ancoragem taut-leg
Com o propósito de contornar as desvantagens da ancoragem convencional, surgiu a
ancoragem taut-leg (Figura 2.4), a qual é constituída por linhas mais tensionadas, formando
com isso ângulos de aproximadamente 45˚ com a horizontal no topo da unidade flutuante.
Com isso, obtêm-se linhas com projeções horizontais menores para uma lâmina d’água de
mesma ordem de grandeza.
Esse tipo de ancoragem proporciona maior rigidez à estrutura e, com isso, os passeios da
plataforma ficam limitados a offsets menores (deslocamentos menores). A utilização de taut-
leg exige o uso de fundações que suportem elevadas forças verticais, por isso torna-se comum
a utilização de estacas de sucção, VLA ou estacas torpedo.
27
Modelagem computacional da interação entre o solo marinho e a linha de ancoragem enterrada.
Figura 2.4: Ancoragem convencional e taut-leg
Fonte: www.oceanica.ufrj.br. Acesso em: 28 de junho 2013.
A ancoragem taut-leg geralmente é utilizada em regiões de grandes profundidades, pois, nesse
caso, o uso de ancoragem convencional demandaria um raio de catenária muito elevado,
inviabilizando o projeto.
2.2.3 Ancoragem vertical
A ancoragem vertical (Figura 2.5) caracteriza-se pela utilização de tendões verticais, os quais
estão sempre tracionados devido ao excesso de empuxo proveniente da parte submersa da
embarcação. Podem ser constituídos de cabos de aço ou de material sintético. Esse tipo de
sistema proporciona uma elevada rigidez no plano vertical em contraposição a uma baixa
rigidez no plano horizontal.
A força de restauração é garantida pela componente horizontal da força de tração nos tendões
quando da solicitação da linha no referido plano. Para tendões de pequenos diâmetros (d
0,25 m), os efeitos de flexão podem ser desprezados, enquanto que, para grandes diâmetros (d
1,00 m), tais efeitos devem ser considerados (Juvinao Carbono, 2005 apud Pina, 2010, p.
24).
Esse tipo de sistema de ancoragem é mais comumente utilizado em plataformas do tipo TLP,
podendo também ser empregado em ancoragens de bóias e monobóias.
28
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
Figura 2.5: Ancoragem vertical
Fonte: Kawasaki, 2010.
2.3 TIPOS DE PLATAFORMAS FLUTUANTES
Com as descobertas de campos de petróleo em águas cada vez mais profundas, houve a
necessidade de utilizar plataformas flutuantes, pois o uso de plataformas fixas tornou-se
inviável nesse tipo de ambiente.
Como o foco do trabalho se dá em plataformas cujo sistema de ancoragem é constituído por
cabos, os tipos de plataformas offshore abordados serão as plataformas flutuantes. Logo, serão
abordadas as plataformas semissubmersíveis, o FPSO, a TLP e a SPAR.
2.3.1 SEMISSUBMERSÍVEL
Este tipo de plataforma (Figuras 2.6 e 2.7) é uma estrutura de um ou mais conveses e se apoia
através de colunas em flutuadores marinhos, os quais são preenchidos com água para o
controle do nível da plataforma em relação ao nível do mar, e dessa forma, a linha d’água fica
na altura das pernas. Com isso, minimizam-se os movimentos da plataforma pela excitação
das ondas (Amorim, 2010).
29
Modelagem computacional da interação entre o solo marinho e a linha de ancoragem enterrada.
Figura 2.6: Detalhes da estrutura da plataforma semissubmersível
Fonte: Pina, 2010.
Figura 2.7: Plataforma semissubmersível
Fonte: www.qgog.com.br. Acesso em: 28 de junho 2013.
Essas plataformas podem ser utilizadas para produção ou para perfuração. As plataformas de
produção ficam fixas por muitos anos em um mesmo local e não armazenam óleo, ao
contrário das FPSOs. Já as plataformas de perfuração ficam por um período determinado em
30
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
uma mesma localidade e, por isso, são denominadas MODU (Lacerda, 2005). As plataformas
semissubmersíveis podem ter sistemas de ancoragem do tipo convencional ou taut-leg.
2.3.2 FPSO
Um dos desafios encontrados na explotação de petróleo em regiões com grandes lâminas
d’água e distantes da costa é como escoar a produção. Por conta disso, foi desenvolvida uma
tecnologia para retirada desse óleo que se aproxima cada vez mais da indústria naval, os
navios denominados FPSO (Figura 2.8).
Figura 2.8: Navio FPSO
Fonte: www.facebook.com/pages/GigaPetro. Acesso em: 10 de maio de 2013.
Esse tipo de navio é uma unidade estacionária ancorada que tem a capacidade de armazenar o
óleo e transmitir para outro navio, denominado aliviador, que é periodicamente conectado aos
FPSOs para receber o óleo produzido e transportá-lo aos terminais petrolíferos (Lacerda,
2005).
A PETROBRAS desenvolveu um sistema especial de ancoragem para navios do tipo FPSO, o
sistema DICAS (Figura 2.9). Este se caracteriza por utilizar linhas de ancoragem com
diferentes rigidezes na proa e na popa do navio, obtidas através da utilização de linhas com
diferentes níveis de pré-tensão, proporcionando, assim, um alinhamento parcial do navio em
relação às direções principais dos carregamentos ambientais mais severos (Kawasaki, 2010).
31
Modelagem computacional da interação entre o solo marinho e a linha de ancoragem enterrada.
Figura 2.9: Sistema de ancoragem DICAS
Fonte: Kawasaki, 2010.
2.3.3 TLP
O casco da TLP (Figura 2.10) é semelhante ao de uma semissubmersível, constituído
basicamente de seções tubulares horizontais e cilindros verticais enrijecidos. A ancoragem
dessa plataforma é realizada por meio de tendões verticais. O excesso de empuxo proveniente
da parte submersa do casco mantém os tendões tensionados, os quais devem ser mantidos
assim para evitar a desconexão no fundo do mar (Aguiar, 2005).
Figura 2.10: Sistema de ancoragem TLP
Fonte: www-it.jwes.or.jp. Acesso em: 28 de junho 2013.
32
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
2.3.4 SPAR
A plataforma SPAR é constituída por um cilindro vertical de aço, de grande diâmetro, com
converses localizado no topo. Possui um calado de aproximadamente 200 metros, o que
aumenta a rigidez da estrutura, reduzindo os movimentos verticais e possibilitando a
utilização de risers rígidos de produção. Utilizam-se também supressores de vórtices em torno
do cilindro, a fim de minimizar os efeitos de vibração causados pelo fenômeno de vortex-
shedding, induzido principalmente pela ação das correntes oceânicas.
Esse sistema ainda pode ser subdividido em três tipos de plataformas, as quais são:
a) Spar buoy;
b) Truss Spar;
c) Cell Spar.
2.3.4.1 Spar buoy
Foi o primeiro tipo de sistema de Spar a ser desenvolvido (Figura 2.11). Possui apenas um
único cilindro vertical de aço, o que flexibiliza a capacidade de carga no convés (Amorim,
2010).
Figura 2.11: Sistema de ancoragem Spar buoy
Fonte: www.isiengenharia.com.br. Acesso em: 28 de junho 2013.
33
Modelagem computacional da interação entre o solo marinho e a linha de ancoragem enterrada.
2.3.4.2 Truss Spar
É uma evolução da plataforma Spar (Figura 2.12), na qual é substituído o cilindro na região
abaixo dos tanques por uma estrutura treliçada e composta de placas horizontais, o que
minimiza os efeitos de onda e consequentemente os movimentos verticais da estrutura.
Figura 2.12: Ancoragem Truss Spar
Fonte: www.stoprust.com. Acesso em: 28 de junho 2013.
2.3.4.3 Cell spar
Esse sistema possui as mesmas características que o sistema Truss Spar, sendo que a única
diferença é que a plataforma Cell Spar é composta por vários tubos menores em volta de um
único cilindro (Figura 2.13). Além disso, esse sistema é a opção mais econômica entre os três
tipos supracitados.
34
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
Figura 2.13: Sistema de ancoragem Cell Spar
Fonte: www.rigzone.com. Acesso em: 28 de junho 2013.
3. CATENÁRIA INVERTIDA
3.1 FORMULAÇÃO MATEMÁTICA
Na Figura 3.1, pode-se observar o diagrama de corpo livre de uma parcela infinitesimal dessa
parte da estrutura, onde estão presentes: o peso submerso da linha de ancoragem por unidade
de comprimento ( ), a tensão normal na linha de ancoragem (T), a força unitária de atrito do
solo ao longo da linha ( ) e a força normal de reação do solo ( ). Além disso, chama-se de
AS a superfície efetiva da linha de ancoragem por unidade de comprimento e AB a área efetiva
de resistência da linha por unidade de comprimento.
Com base nesse diagrama de corpo livre, impõe-se o equilíbrio de forças ao longo das
direções longitudinal (t) e transversal (n), chegando-se a duas equações diferenciais, que
regem a variação da tração ao longo da linha e a geometria da catenária invertida (DNV,
2000).
35
Modelagem computacional da interação entre o solo marinho e a linha de ancoragem enterrada.
Figura 3.1: Diagrama de corpo livre de um segmento da catenária
invertida
Para as deduções, consideram-se as seguintes aproximações:
(4)
(5)
(6)
Fazendo :
(7)
(8)
(9)
(10)
Fazendo :
(11)
36
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
(12)
(13)
(14)
(15)
Para as duas equações diferenciais governantes, a variável independente é o comprimento de
arco ao longo da linha. Porém, como o comprimento da parte enterrada da linha de ancoragem
não é um parâmetro conhecido a priori, deve-se reescrever essas equações em termos de uma
variável independente que remeta a uma informação conhecida do problema, como é o caso
da profundidade da fundação do sistema.
Através da Figura 3.2, sabe-se que:
Figura 3.2: Seguimento ds da linha de ancoragem.
(16)
37
Modelagem computacional da interação entre o solo marinho e a linha de ancoragem enterrada.
Com isso, utilizando-se a regra da cadeia na Equação 10:
(17)
(18)
(19)
Fazendo o mesmo para a Equação 15:
(20)
(21)
(22)
Na Figura 3.3, pode-se observar os parâmetros relacionados com a geometria da catenária
invertida: H é a projeção horizontal do trecho enterrado da linha e P é a profundidade ou
projeção vertical da linha de ancoragem enterrada.
38
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
Figura 3.3: Parâmetros da catenária invertida
3.2 DESCRIÇÃO DOS PARÂMETROS
Alguns valores default de AS e AB são mostrados na Tabela 3.1.
Tabela 3.1: Valores da superfície efetiva e da área efetiva de
resistência
Tipo de linha AS AB
Amarra 11,3d 2,5d
Cabo πd d
onde:
d = Diâmetro nominal da amarra e o efetivo do cabo.
A força normal N pode ser calculada pela seguinte fórmula:
39
Modelagem computacional da interação entre o solo marinho e a linha de ancoragem enterrada.
c . u (23)
onde:
c = Fator de capacidade de carga do solo;
u = Resistência não drenada do solo.
Os valores de c recomendados pela DNV para a parte enterrada da linha de ancoragem
são mostrados na Tabela 3.2.
Tabela 3.2: Valores de Nc
A força unitária de atrito do solo f ao longo da linha de ancoragem pode ser calculada
através da seguinte fórmula:
solo . u (24)
onde:
solo = Fator de adesão da linha de ancoragem.
Os valores recomendados para o fator de adesão para a parte enterrada da linha são
Amarra/Cabo Limite inferior Default Limite superior
c 9 11,5 14
40
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
mostrados na Tabela 3.3 abaixo:
Tabela 3.3: Valores de referência para solo
3.3 APLICAÇÃO DO MODELO
Para resolver o problema de valor inicial associado ao sistema de equações diferenciais,
constituído pelas Equações 19 e 22, deve-se adotar o intervalo de integração e as condições
iniciais. Como as equações estão em função da profundidade, o intervalo de integração é a
própria profundidade de assentamento da âncora, onde se localiza o final do trecho enterrado
da linha de ancoragem. No modelo, considera-se o eixo da profundidade positivo para baixo,
tendo como origem o leito marinho, como mostrado na Figura 3.3 anterior.
As condições iniciais adotadas são relativas ao ponto inicial do trecho enterrado da linha,
sendo este ponto considerado no leito marinho para toda a análise do presente trabalho. As
condições são a tensão inicial T0 e o ângulo inicial formado entre a linha e a horizontal θ0.
Em todos os casos analisados, Nc apresenta o comportamento observado na Figura 3.4 (Wang
et al., 2010), com um valor inicial Nc0 maior que zero, aumentando linearmente, com
determinado coeficiente angular dNcdp, até uma dada profundidade pNc, a partir da qual
assume valor constante. Essa variação inicial se deve ao fato de o solo se apresentar revolto
próximo a superfície, com resistência muito baixa.
Cabo Limite inferior Default Limite superior
solo 0,2 0,3 0,4
Amarra Limite inferior Default Limite superior
solo 0,4 0,5 0,6
41
Modelagem computacional da interação entre o solo marinho e a linha de ancoragem enterrada.
Figura 3.4: Variação de Nc com a profundidade
Já Su tem um valor inicial constante Su0 até uma determinada profundidade pSu, a partir da
qual apresenta aumento linear, com um determinado coeficiente angular dSudp. Para todos os
casos do presente trabalho, Su varia linearmente ao longo de toda a profundidade, não
apresentando, portanto, o trecho inicial constante, pois pSu é tomado como zero. Esse
comportamento pode ser visto no gráfico da Figura 3.5. Além disso, em todos os casos, α é
considerado constante e igual a 0,5, pois é o valor médio recomendado pela DNV (DNV,
2000) para amarras.
42
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
Figura 3.5: Variação de Su com a profundidade
3.3.1 Exemplo ilustrativo
Através do modelo matemático descrito, analisaram-se três casos genéricos de um trecho
enterrado da linha, variando apenas a tensão T0. Todos os valores adotados para as variáveis
são obtidos da literatura, com exceção de T0, o qual é ajustado para se ter uma melhor
percepção da variação das geometrias nos casos descritos. Com isso, são utilizados os
seguintes dados:
a) T0 = 105, 2.10
5 e 10
6 N;
b) θ0 = 30˚;
c) P = 15 m;
d) w = 2114,1 N/m;
e) material do trecho = cabo de aço;
f) diâmetro da linha = 0,0508 m;
g) AS = 0,1596 m2/m;
h) AB = 0,0508 m2/m;
43
Modelagem computacional da interação entre o solo marinho e a linha de ancoragem enterrada.
i) Su0 = 0 kPa;
j) pSu = 0 m;
k) dSudp = 1500 kPa/m;
l) Nc0 = 5,14;
m) pNc = 0,3048 m;
n) dNcdp = 8,07 m-1
;
o) α0 = 0,5;
p) pα = 0 m;
q) dαdp = 0 m-1
.
A partir da implementação do sistema de equações diferenciais, obtiveram-se os gráficos das
Figuras 3.6, 3.7 e 3.8.
Figura 3.6: Geometria da linha dos três casos
44
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
Analisando as geometrias das linhas, percebe-se que quanto maior a tensão inicial há uma
tendência do trecho em linearizar-se. Além disso, percebe-se que o ponto de afloramento da
linha varia à medida que a tensão inicial adquire diferentes valores. Dessa forma, pode-se
concluir que, na prática, esse ponto de afloramento translada constantemente no leito marinho,
pois os movimentos da unidade flutuante causam variações constantes das tensões nas linhas
de ancoragem.
Figura 3.7: Inclinação da linha para os três casos
Pode-se observar que nos primeiros 5 metros há pouca variação no ângulo da linha enterrada,
a qual se apresenta praticamente reta, sendo que a maior variação ocorre nos últimos metros,
apresentando um comportamento praticamente linear a partir de 7 metros, aproximadamente.
Percebe-se também que a variação da inclinação da linha é inversamente proporcional à
tensão inicial, devido ao efeito de linearização comentado anteriormente.
45
Modelagem computacional da interação entre o solo marinho e a linha de ancoragem enterrada.
Figura 3.8: Tração na linha para os três casos
Para melhor visualizar o comportamento da tração ao longo da linha, isola-se o gráfico de T0
= 2.105 N na Figura 3.9.
46
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
Figura 3.9: Tração na linha do caso 2
A tração ao longo da linha tem um comportamento similar ao da inclinação da mesma, com a
maior variação ocorrendo nos pontos mais próximos à âncora, apresentando um
comportamento praticamente linear em metade do trecho. Isso ocorre, pois a resistência do
solo aumenta com a profundidade, o que dificulta a linearização da linha, deixando-a com
formato curvo.
Na Tabela 3.4 registram-se os comprimentos e projeções horizontais da linha para cada caso.
Tabela 3.4: Comprimento e projeção horizontal do trecho
T0 (N) L (m) H (m)
105
22,0 15,1
2.105
24,3 18,8
106
28,2 23,9
Analisando esses valores, conclui-se que quanto maior a tensão inicial, maiores o
comprimento (L) e a projeção horizontal (H) do trecho enterrado da linha de ancoragem. Isso
se deve à movimentação do ponto inicial da linha enterrada, localizado no leito marinho, à
47
Modelagem computacional da interação entre o solo marinho e a linha de ancoragem enterrada.
medida que a tensão varia, e, dessa forma, quanto maior a tensão, maior a distância entre este
ponto e a âncora.
3.3.2 Estudo de caso
Neste estudo, são analisados três casos, os quais são comparados com os resultados obtidos
por Kawasaki (2010), cujo trabalho apresenta os resultados de três programas diferentes: no
MATHCAD, programado pelo autor; ÂNCORA, programa do laboratório LACEO da
COPPE/UFRJ; e DIGIN, da DNV. Em cada caso, os únicos parâmetros que variam são a
tensão inicial T0 e o ângulo inicial da linha θ0. Os dados comparados são a projeção horizontal
e o comprimento total da catenária invertida. A seguir é descrito cada caso, os quais
apresentam os seguintes dados de entrada em comum:
a) P = 15 m;
b) w = 2114,1 N/m;
c) material do trecho = amarra;
d) diâmetro da linha = 0,114 m;
e) AS = 1,2882 m2/m;
f) AB = 0,285 m2/m;
g) Su0 = 0 kPa;
h) pSu = 0 m;
i) dSudp = 1500 kPa/m;
j) Nc0 = 5,14;
k) pNc = 0,684 m;
l) dNcdp = 3,5965 m-1
;
m) α0 = 0,5;
n) pα = 0 m;
o) dαdp = 0 m-1
.
Nas Figuras 3.10, 3.11 e 3.12 são mostrados, respectivamente, os resultados da geometria da
48
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
catenária invertida e do comportamento da inclinação e da tração ao longo da linha. A tensão
T0 e a inclinação θ0 para cada caso são descritas na Tabela 3.5.
Tabela 3.5: Descrição dos casos
Caso T0 (106 N) θ0 (graus)
1 6 33,69
2 7 34,38
3 8 34,84
Figura 3.10: Geometria da linha para os três casos
Para todos os casos, percebe-se a pouca variação na geometria da linha, apesar de haver
variação significativa da tensão inicial. Isso ocorre, pois os valores das tensões já são bastante
elevados, o que torna a geometria praticamente linear.
49
Modelagem computacional da interação entre o solo marinho e a linha de ancoragem enterrada.
Figura 3.11: Inclinação da catenária para os três casos
Na Figura 3.11, percebe-se que, para os três casos, a inclinação das linhas se iguala a uma
profundidade de aproximadamente 13 metros, próximo da fundação.
50
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
Figura 3.12: Tração na linha para os três casos
Com isso, comparam-se os resultados do comprimento total e da projeção horizontal do
trecho enterrado para os três casos supracitados, mostrados nas Tabela 3.6 e Tabela 3.7. Os
erros relativos calculados são referentes à modelagem do presente trabalho, ou seja, referentes
à implementação em MATLAB.
Tabela 3.6: Resultados do comprimento do trecho
Comprimento do trecho enterrado (m)
Caso MATLAB MATHCAD ÂNCORA DIGIN
1 25,88 26,00 25,39 25,80
Erro relativo (%) 0,00 0,46 1,89 0,31
2 25,61 25,50 25,20 25,67
Erro relativo (%) 0,00 0,43 1,60 0,23
3 25,44 25,40 25,08 25,60
Erro relativo (%) 0,00 0,16 1,42 0,63
Erro máximo (%) 0,00 0,46 1,89 0,63
51
Modelagem computacional da interação entre o solo marinho e a linha de ancoragem enterrada.
Tabela 3.7: Resultados da projeção horizontal
Projeção horizontal (m)
Caso MATLAB MATHCAD ÂNCORA DIGIN
1 21,08 21,44 20,45 20,96
Erro relativo (%) 0,00 1,71 2,99 0,57
2 20,74 20,55 20,24 20,81
Erro relativo (%) 0,00 0,92 2,41 0,34
3 20,54 20,41 20,09 20,72
Erro relativo (%) 0,00 0,63 2,19 0,88
Erro máximo (%) 0,00 1,71 2,99 0,88
Logo, os resultados obtidos com o programa desenvolvido neste trabalho são satisfatórios,
visto que o maior erro relativo dos comprimentos é de 1,89%, e das projeções horizontais é de
2,99%, os quais são erros desprezíveis. Assim, os maiores erros são relativos ao ÂNCORA, já
os menores são relativos ao DIGIN, o que é esperado, pois a formulação matemática
empregada no presente trabalho é a recomendada pela DNV. Com isso, pode-se comprovar a
validade da implementação e que a mesma está pronta para o treinamento da RNA.
4. REDES NEURAIS ARTIFICIAIS
4.1 CONCEITOS
Muitos foram os estudos sobre o cérebro humano, sendo o mais relevante o trabalho pioneiro
de Ramón y Cajál (1911), o qual, segundo Haykin (2001), introduziu a ideia dos neurônios
como os constituintes principais do cérebro, responsáveis pela transmissão e processamento
de informações através de impulsos elétricos, chamados sinapses. Ao conjunto de neurônios
dá-se o nome de redes neurais. Esses neurônios interagem entre si, armazenando e tomando
decisões a partir das informações recebidas. Dessa forma, surgiu a ideia de criar sistemas de
computação usando o conceito das redes neurais biológicas.
As Redes Neurais Artificiais (RNAs) são sistemas computacionais adaptativos, capazes de
armazenar informações decorrentes de um processo de aprendizado da rede. Esse processo é
feito a partir de algoritmos de aprendizagem, onde os pesos das sinapses são ajustados
constantemente para que os resultados dos valores de saída se aproximem cada vez mais dos
52
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
resultados desejados, além de haver um sinal adicional, denominado bias, que favorece ou
limita a possibilidade de ativação do neurônio. Os pesos (w) amplificam cada um dos sinais
recebidos e a função de ativação modela a forma como o neurônio responde aos sinais,
limitando e definindo a saída da RNA (Matsunaga, 2012).
A partir de dados de entrada e saída (amostras do treinamento) passados pelo usuário, a rede é
treinada a reconhecer padrões e dessa forma, “aprendem” e generalizam o conhecimento
adquirido com as amostras, a fim de responder de forma satisfatória aos dados de entrada
diferentes dos dados para treinamento (Matsunaga, 2012).
Segundo Silva (2006), pode-se notar algumas características básicas das RNAs, que são:
a) capacidade de adquirir conhecimento através de um processo de aprendizado;
b) capacidade de armazenamento do conhecimento;
c) são modelos adaptativos facilmente treinados;
d) a RNA pode ser linear ou não linear;
e) capacidade de generalização no processamento de informações incompletas;
f) são algoritmos robustos e bastante utilizados;
g) são capazes de fazer armazenamentos associativos de informações.
4.2 ARQUITETURA DA REDE
A arquitetura de uma rede pode ter várias disposições, dependendo do tipo do problema e o
que se deseja alcançar, estando diretamente ligada ao algoritmo de aprendizado utilizado no
processo de treinamento da RNA. Em geral, a arquitetura é constituída pelos seguintes itens
(Matsunaga, 2012):
a) camadas intermediárias;
b) quantidade de neurônios;
c) função de transferência ( f );
d) algoritmo de aprendizado.
53
Modelagem computacional da interação entre o solo marinho e a linha de ancoragem enterrada.
As principais funções de transferência do toolbox do MATLAB estão listadas na Tabela 4.1.
Tabela 4.1: Funções de transferência
Função Descrição
purelin Linear
tansig Tangente hiperbólica
logsig Sigmóide
satlin Linear com saturação
Um exemplo genérico da arquitetura de uma RNA pode ser visto na Figura 4.1.
Figura 4.1: Exemplo de arquitetura de uma RNA
Observa-se que a arquitetura mostrada é composta por uma camada de entrada, a qual recebe
dois dados de entrada; uma segunda camada intermediária, composta por 3 neurônios; e por
fim, uma última camada de saída, resultando em dois dados de saída. Percebe-se também que
os pesos, bias e a função de transferência são aplicados na camada intermediária.
54
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
4.3 PROCESSO DE TREINAMENTO
Segundo Silva (2006), o processo de aprendizado é um processo iterativo, baseado em ajustes
dos pesos, o qual ocorre quando a rede neural atinge uma solução generalizada para um
determinado volume de dados utilizados no processo de treinamento.
O algoritmo de aprendizado é um conjunto de regras a serem seguidas para a solução de um
problema de aprendizado. Vários são os tipos de algoritmos de aprendizado, os quais são
específicos para determinadas arquiteturas de RNA, diferindo entre si principalmente pelo
modo como os pesos são modificados no decorrer do processo.
Dentre esses algoritmos, pode-se destacar os listados na Tabela 4.2.
Tabela 4.2: Algoritmos de treinamento
Algoritmo Descrição
trainlm Backpropagation Levenberg-Marquardt
traingd Backpropagation de gradiente decrescente
traingdm Backpropagation de gradiente decrescente com momentum
traingda Backpropagation de gradiente decrescente com taxa adaptativa
traingdx Backpropagation de gradiente decrescente com momentum e taxa adaptativa
Antes de dar início ao processo de treinamento, a RNA divide os dados em três categorias. A
primeira, constituída por dados de treinamento, a qual é utilizada para computar o gradiente
de aprendizado e atualizar os pesos e bias. A segunda é composta de dados para validação da
rede. Já a terceira categoria é constituída por dados de teste (Beale et al., 2012).
Existem quatro funções de divisão dos dados: dividerand, divideblock, divideint e divideind. A
divisão default do toolbox de redes neurais (NNTOOL) do MATLAB® é a primeira, a qual
divide os dados randomicamente, e, além disso, a porcentagem dos dados para treino,
validação e teste é de 0,7%, 0,15% e 0,15%, respectivamente.
55
Modelagem computacional da interação entre o solo marinho e a linha de ancoragem enterrada.
4.4 RESULTADOS DAS APLICAÇÕES COM REDES NEURAIS
ARTIFICIAIS
São treinadas duas Redes Neurais Artificiais principais do tipo MLP (Multi-Layer
Perceptron): a primeira, recebendo como entrada apenas a tensão inicial, e a segunda,
recebendo a tensão inicial, a inclinação inicial e a profundidade da fundação. Ambas as redes
têm como saída a tensão e inclinação da linha no encontro com a âncora, bem como o
comprimento total e a projeção horizontal do trecho.
4.4.1 Rede com apenas um parâmetro de entrada (T0)
4.4.1.1 Arquitetura da rede
Para compor a arquitetura da rede, são utilizadas duas camadas intermediárias de neurônios
(quantidade escolhida por análises já realizadas) e são realizadas várias análises para se
encontrar a arquitetura mais eficiente para a RNA quanto às funções de transferência, sendo
utilizadas as funções linear (purelin), tangente hiperbólica (tansig) e a sigmóide (logsig), e
quanto à quantidade de neurônios em cada camada, com essa variando de 1 a 10. Para os
estudos anteriores a estas análises, utilizam-se 8 neurônios na primeira camada e 10 na
segunda, além de logsig para ambas as camadas como função de transferência em todas as
redes.
Para ambas as camadas, utiliza-se como algoritmo de aprendizado o trainlm
(Backpropagation Levenberg-Marquardt), pois, segundo Beale et al. (2012), em geral, para os
problemas de ajuste de função que utilizam redes com algumas centenas de pesos, o algoritmo
Levenberg-Marquardt tem a convergência mais rápida. Pode-se notar essa vantagem quando
se requer treinamentos mais precisos. Apesar disso, à medida que o número de pesos da rede
aumenta, a velocidade de convergência diminui.
4.4.1.2 Tipos de treinamento
A fim de encontrar o melhor tipo de treinamento da rede, são realizados quatro tipos de
treinamentos: um treinamento único para as quatro saídas com os dados tanto de entrada
quanto de saída não normalizados e normalizados; e um treinamento para cada saída com e
sem normalização das entradas e saídas.
Em todos os casos, utiliza-se uma tolerância de erro de 10-9
e um número máximo de iterações
56
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
igual a 1000. Além disso, são utilizados 701 diferentes valores de T0, variando de 106 a 8.10
6
N, para o treinamento da RNA. Os parâmetros restantes ficam com valores constantes e, por
isso, não são utilizados para treinamento. Tais valores são listados abaixo:
a) θ0 = 30˚;
b) P = 15 m;
c) w = 2114,1 N/m;
d) AS = 1,2882 m2/m;
e) AB = 0,285 m2/m;
f) Su0 = 0 kPa;
g) pSu = 0 m;
h) dSudp = 1500 kPa/m;
i) Nc0 = 5,14;
j) pNc = 0,684 m;
k) dNcdp = 3,5965 m-1
;
l) α0 = 0,5;
m) pα = 0 m;
n) dαdp = 0 m-1
.
Para a obtenção dos resultados, são realizados dez treinamentos para o caso da RNA única e
cinco treinamentos para cada RNA separada. Dessa forma, os valores apresentados nas tabelas
a seguir são as médias aritméticas dos valores obtidos.
Os resultados para uma única saída podem ser observados na Tabela 4.3.
Tabela 4.3: Resultados do treinamento
RNA única
Tempo (s) Iterações
RNA sem normalização -- --
RNA com normalização 8 152
57
Modelagem computacional da interação entre o solo marinho e a linha de ancoragem enterrada.
Nota-se que, para o caso de uma saída com os dados de entrada não normalizados, não é
possível a realização do treinamento, pois o mesmo não atinge o desempenho desejado para o
número máximo de iterações estipulado, o que pode ser observado na Figura 4.2 para um dos
casos analisados. Já com a normalização dos dados, o treinamento da Rede Neural Artificial
ocorre de forma satisfatória, com 152 iterações em um intervalo de 8 segundos.
Figura 4.2: Exemplo de final de treinamento de uma rede única e sem
normalização
Para os casos de redes neurais separadas para cada saída, resumem-se os principais resultados
na Tabela 4.4.
Tabela 4.4: Resultados para redes separadas
RNAs Separadas
Com normalização Sem normalização
Treinamento Iterações Tempo (s) Iterações Tempo (s)
1 198 7 -- --
2 267 10 -- --
3 194 7 445 16
4 289 11 491 18
Total 948 35 -- --
Na Tabela 4.4, observam-se os resultados com uma RNA para cada saída, sendo o treinamento
58
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
1 referente a Tanc como saída, 2 referente a θanc, 3 para a saída de L e 4 para H. Observa-se que
não se consegue realizar os treinamentos 1 e 2 sem a normalização dos dados, ou seja, não é
atingido o desempenho esperado, fixado em 10-9
. Para esses dois casos supracitados, ocorre o
mesmo fato mostrado na Figura 4.2, ou seja, após 1000 iterações não há a convergência
esperada. Para o caso dos treinamentos 3 e 4, é atingida a convergência adequada, apesar do
elevado número de iterações, resultando em uma demanda computacional maior em relação
aos treinamentos com normalização.
Já com o uso da normalização dos dados de entrada e de saída, é possível realizar o
treinamento desejado para as quatro RNAs. Pode-se perceber, também, que há uma maior
rapidez no treinamento da rede, pois, agora, os dados utilizados no processo têm valores
pequenos, variando de -1 a 1. Segundo Beale et al. (2012), a função de transferência sigmóide
(logsig) torna-se saturada quando os valores passados como dados de entrada da rede estão
fora do intervalo [-3,3]. Se isso ocorrer, o gradiente de aprendizado será pequeno e, como
consequência, o treinamento da rede tornar-se-á muito lento. Isso se deve ao fato de que na
primeira camada, os valores de entrada são multiplicados pelos pesos e somados com as bias,
e se os valores de entrada são grandes, os pesos têm que ser muito pequenos para evitar a
saturação da função de transferência. Por isso, antes do treinamento, é comum a normalização
tanto das entradas como dos dados de saída, deixando-os com valores entre -1 e 1.
Por fim, chega-se que os melhores resultados, em se tratando de números de iterações e tempo
de treinamento, se dão no treino com uma saída e com normalização, pois a soma dos tempos
e número de iterações dos quatro treinamentos com normalização são bem maiores que o
tempo e quantidade de iterações para o caso de treinamento com saída única.
4.4.1.3 Otimização da arquitetura da RNA quanto à quantidade de neurônios em cada camada
São realizadas análises para diversas combinações de neurônios nas duas camadas da rede, N1
e N2, respectivamente. Busca-se, com isso, encontrar a combinação que resulte no
treinamento mais eficiente.
Em um primeiro momento, a RNA é treinada cinco vezes para cada combinação de neurônios.
Vale ressaltar, também, que são utilizados 701 dados de entrada e um número máximo de 400
iterações.
Os principais resultados deste estudo estão resumidos na Tabela 4.5.
59
Modelagem computacional da interação entre o solo marinho e a linha de ancoragem enterrada.
Tabela 4.5: Número de convergências por combinação
N1 N2 Convergência
2 7 1
10 1
3
4 1
6 2
7 2
8 3
9 3
10 4
4
5 1
6 1
7 2
8 2
9 3
10 4
5
4 2
5 3
6 5
7 3
8 5
9 4
10 5
6
4 1
5 2
6 3
7 4
8 3
9 3
10 4
7
2 1
4 1
5 1
6 3
7 3
8 5
9 5
10 5
8
3 1
4 3
6 4
7 4
8 4
9 5
10 5
60
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
N1 N2 Convergência
9
4 2
5 3
6 3
7 4
8 3
9 5
10 5
10
4 1
5 2
6 2
7 3
8 4
9 3
10 4
Depois disso, realiza-se uma nova análise para as combinações com as quais ocorrem as cinco
convergências. Para cada uma dessas combinações, a RNA é novamente treinada cinco vezes
e são calculadas as médias aritméticas dos números de iterações (Nite) e dos tempos de
treinamento. Além disso, é importante frisar que, para essa nova análise, o número máximo de
iterações utilizado é de 1000. Os resultados desse treinamento estão resumidos na Tabela 4.6.
Tabela 4.6: Resultados do treinamento
N1 N2 Nite Tempo Velocidade de treinamento (Nite/s)
5
6 506 23 22,0
8 302 15 20,1
10 90 4 22,5
7
8 276 14 19,7
9 110 6 18,3
10 82 5 16,4
8 9 143 8 17,9
10 282 17 16,6
9 9 276 17 16,2
10 239 15 15,9
Percebe-se que os melhores resultados são obtidos com 7 neurônios na primeira camada e 10
61
Modelagem computacional da interação entre o solo marinho e a linha de ancoragem enterrada.
neurônios na segunda, com 82 iterações em um intervalo de tempo de 5 segundos. Observa-se
também que os melhores treinamentos se dão, em geral, com 10 neurônios na segunda
camada e que a velocidade de treinamento decai à medida que a quantidade de neurônios em
ambas as camadas aumenta.
Como os dados de entrada são separados aleatoriamente entre dados para treino, teste e
validação, o tempo de convergência dos treinamentos pode variar muito, dependendo da
divisão dos dados, apesar de o mesmo seguir certa tendência. Por isso, afirma-se que todas as
combinações da Tabela 4.6 podem resultar em treinos mais rápidos que os obtidos para 7 e 10
neurônios, apesar de esta combinação ter a tendência de apresentar os melhores resultados.
4.4.1.4 Otimização da arquitetura da RNA quanto à função de transferência de cada camada
Da mesma forma que se fez para análise do número de neurônios, faz-se uma análise para as
funções de transferência, ou seja, são analisadas as combinações de funções para cada
camada, variando entre purelin, logsig e tansig, pois essas são as principais funções utilizadas
na literatura. Para cada combinação, realizam-se três treinos e obtém-se a média aritmética.
Os principais resultados dessa análise estão resumidos na Tabela 4.7.
Tabela 4.7: Resultados para função de transferência
Nite Tempo (s)
purelin
purelin -- --
logsig 552 38
tansig -- --
logsig
purelin 119 8
logsig 101 7
tansig 760 55
tansig
purelin 279 19
logsig 141 9
tansig 463 32
Dessa forma, o treinamento mostra-se mais eficiente quando é utilizada a função logsig para
ambas as camadas, com 101 iterações em um intervalo de tempo de 7 segundos. Além disso,
não há convergência quando utilizadas as combinações purelin-purelin e purelin-tansig.
62
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
4.4.1.5 Influência da quantidade de dados de entrada no treino
Para essa análise, treina-se uma RNA com a arquitetura baseada nos resultados anteriores, ou
seja, com duas camadas, sendo a primeira constituída de 7 neurônios e a segunda de 10
neurônios, utilizando como funções de ativação logsig para ambas as camadas e como
algoritmo de aprendizado o trainlm. Além disso, a mesma é treinada para receber apenas um
dado de entrada, a tensão inicial no subleito marinho T0, e retornar quatro dados de saída, a
tensão na âncora Tanc, o ângulo em relação a horizontal na âncora θanc, a projeção horizontal
da linha de ancoragem enterrada e seu respectivo comprimento.
Os valores de T0 para o treino variam de 106 a 8.10
6, sendo incrementada a quantidade de
dados (NT0) dentro desse intervalo para cada rodada de treinamento. Vale ressaltar também
que os resultados do número de iterações e do tempo para o treinamento são obtidos pela
média de três treinos. Com isso, são obtidos resultados a partir de 36 dados de entrada até
3501, os quais podem ser vistos na Tabela 4.8.
Tabela 4.8: Resultados para a quantidade de combinações
NT0 Nite Nite Tempo (s) Velocidade de treinamento (Nite/s)
36
Max 238 6 39,7
Med 106 3 35,3
Min 28 1 28,0
47
Max 420 10 42,0
Med 200 5 40,0
Min 18 1 18,0
71
Max 365 9 40,6
Med 234 6 39,0
Min 19 1 19,0
141
Max 234 7 33,4
Med 159 5 31,8
Min 20 1 20,0
176
Max 303 9 33,7
Med 251 7 35,9
Min 20 1 20,0
234
Max 247 8 30,9
Med 178 6 29,7
Min 19 1 19,0
63
Modelagem computacional da interação entre o solo marinho e a linha de ancoragem enterrada.
NT0 Nite Nite Tempo (s) Velocidade de treinamento (Nite/s)
351
Max 372 14 26,6
Med 134 5 26,8
Min 20 1 20,0
701
Max 400 23 17,4
Med 112 6 18,7
Min 26 1 26,0
778
Max 278 22 12,6
Med 190 13 14,6
Min 20 1 20,0
876
Max 312 21 14,9
Med 166 11 15,1
Min 19 1 19,0
1001
Max 457 34 13,4
Med 203 15 13,5
Min 28 2 14,0
1401
Max 263 26 10,1
Med 170 17 10,0
Min 21 3 7,0
1751
Max 236 29 8,1
Med 151 20 7,6
Min 19 2 9,5
2334
Max 305 72 4,2
Med 191 35 5,5
Min 22 3 7,3
3501
Max 244 69 3,5
Med 129 37 3,5
Min 25 7 3,6
A partir desses resultados, são separados apenas os valores médios, os quais podem ser
observados na Tabela 4.9.
Tabela 4.9: Resultados do treinamento
NT0 Nite Tempo (s) Velocidade de treinamento (Nite/s)
36 106 3 35,3
47 200 5 40,0
71 234 6 39,0
141 159 5 31,8
64
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
NT0 Nite Tempo (s) Velocidade de treinamento (Nite/s)
176 251 7 35,9
234 178 6 29,7
351 134 5 26,8
701 112 6 18,7
778 190 13 14,6
876 166 11 15,1
1001 203 15 13,5
1401 170 17 10,0
1751 151 20 7,6
2334 191 35 5,5
3501 129 37 3,5
Com isso, pode-se fazer a análise da relação do número de iterações com a quantidade de
dados de entrada através do gráfico da Figura 4.3.
Figura 4.3: Relação entre a quantidade de dados e o número de
iterações
0
50
100
150
200
250
300
0 500 1000 1500 2000 2500 3000 3500 4000
Nú
me
ro d
e it
era
çõe
s
Quantidade de dados
65
Modelagem computacional da interação entre o solo marinho e a linha de ancoragem enterrada.
Como se pode observar, não há uma relação entre a quantidade de dados de treinamento com
o número de iterações. Isso se deve à aleatoriedade da separação dos dados para treinamento,
validação e teste, ou seja, a quantidade de iterações depende da separação dos dados e, por
isso, há uma grande oscilação na quantidade de iterações para convergência. Além disso,
pode-se notar que à medida que a quantidade de dados aumenta, a oscilação do número de
iterações para convergência do treinamento diminui, ou seja, tende a um certo valor. Também
é possível notar, durante a realização dos treinos, que a partir de 71 dados de entrada, há uma
garantia quanto à convergência do processo.
Na Figura 4.4 pode-se analisar a relação existente entre a quantidade de dados e o tempo para
treinamento.
Figura 4.4: Comparação entre a quantidade de dados e o tempo de
treino
Como é de se esperar, quanto maior o número de dados de entrada para o treino, maior é o
tempo computacional gasto. Isso se deve ao fato de que a velocidade de treinamento reduz
com o aumento dos dados, apresentando um comportamento logarítmico, como pode ser
observado na Figura 4.5.
0
5
10
15
20
25
30
35
40
0 500 1000 1500 2000 2500 3000 3500 4000
Tem
po
(se
gun
do
s)
Quantidade de dados
66
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
Figura 4.5: Relação entre a quantidade de dados e a velocidade de
treino
Por fim, afirma-se que há tanto um limite inferior quanto superior de dados para o
treinamento. O limite inferior gira em torno de 36 dados, já que o treinamento da RNA com
essa quantidade de dados converge apenas algumas vezes. Já como limite superior, observa-se
uma quantidade de dados em torno de 3500, acima da qual o tempo computacional para o
treino aumenta significativamente.
4.4.1.6 Comparação dos resultados obtidos pela resolução do sistema de EDO e através da
RNA
Com as RNAs treinadas, é possível utilizá-las para a obtenção de resultados referentes à Tanc,
θanc, L e H, passado um valor de tensão inicial T0. Dessa forma, são realizadas análises
comparando o tempo de resolução do problema utilizando uma RNA (RNA 1) com 7
neurônios na primeira camada e 10 neurônios na segunda, uma RNA (RNA 2) com 5
neurônios na primeira camada e 6 na segunda, e utilizando a resolução analítica através das
equações diferenciais de equilíbrio do sistema (Equações 19 e 22). Também são comparados
os erros relativos dos resultados da primeira e da segunda RNA com os resultados obtidos
com a integração numérica.
A escolha da arquitetura da RNA 1 deve-se aos estudos realizados nas seções anteriores, os
quais mostram que essa configuração apresenta os melhores resultados. A escolha da
0,0
5,0
10,0
15,0
20,0
25,0
30,0
35,0
40,0
45,0
0 500 1000 1500 2000 2500 3000 3500 4000
Ve
loci
dad
e d
e t
rein
ame
nto
(N
ite
/s)
Quantidade de dados
67
Modelagem computacional da interação entre o solo marinho e a linha de ancoragem enterrada.
arquitetura da RNA 2 é devido ao fato de que esta é constituída pela combinação da Tabela
4.6 anterior com menos neurônios em cada camada.
São analisadas 5 rodadas de resolução, com T0 variando de 106 a 8.10
6, a um passo de 10
4, e
os valores obtidos são mostrados na Tabela 4.10.
Tabela 4.10: Comparação das RNAs com o sistema de EDO
Rodada Tempo
RNA 1(s)
Tempo
RNA 2 (s)
Tempo
EDO (s)
Tempo RNA 1/Tempo
EDO (%)
Tempo RNA 2/Tempo
EDO (%)
1 0,0106 0,0106 0,0146 72,31 72,17
2 0,0107 0,0107 0,0139 76,78 76,94
3 0,0107 0,0107 0,0140 76,75 76,27
4 0,0109 0,0109 0,0140 77,99 77,82
5 0,0106 0,0106 0,0140 75,59 75,30
Média 0,0107 0,0107 0,0141 75,88 75,70
Pode-se observar que os tempos para a resolução através das RNAs são menores que o tempo
computacional para a resolução analítica. Observa-se também que os tempos das RNAs são
iguais devido ao arredondamento dos valores, já que os valores das porcentagens dos tempos
são diferentes, sendo o tempo relativo para RNA 1 igual a 75,88% e para a RNA 2 igual
75,7%, mostrando que a resolução através da RNA 2 é ligeiramente mais rápida que através
da RNA 1. Isso é devido ao fato de que a RNA 1 tem uma arquitetura mais robusta, com mais
neurônios. Além disso, pode-se observar na Tabela 4.11 e Tabela 4.12 que os erros relativos
dos resultados obtidos são desprezíveis e que na maioria dos resultados, a RNA 2 apresenta os
menores erros relativos. Deve-se ressaltar que tais erros são os maiores erros relativos
calculados entre 2184 resultados.
Tabela 4.11: Erro relativo dos resultados
Erro relativo da RNA 1 (10-2
%)
Tanc θanc L H
1,17 1,10 0,13 0,17
Tabela 4.12: Erro relativo dos resultados
Erro relativo da RNA 2 (10-2
%)
Tanc θanc L H
1,04 0,45 0,16 0,09
68
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
Desse modo, conclui-se que há um menor custo computacional quando se utiliza RNA em
comparação com a integração numérica, cerca de 75% do tempo, e que a RNA 2 se mostrou
mais eficaz, com 5 neurônios na primeira camada e 6 neurônios na segunda.
4.4.2 Rede com três parâmetros de entrada (T0, θ0 e P)
Essas mesmas análises são realizadas para o caso de RNAs treinadas com três parâmetros de
entrada: a tensão T0, o ângulo inicial θ0 e a profundidade P, e com os outros parâmetros com
os mesmos valores utilizados anteriormente. Tais parâmetros de entrada variam da seguinte
forma:
a) T0 = 106 a 8.10
6 N;
b) θ0 = 3˚ a 51˚;
c) P = 5 a 25 metros.
Neste caso, utiliza-se uma tolerância de erro de 10-5
, pois, ao adotar um erro de 10-9
, como se
fez para a RNA com um parâmetro de entrada, o treinamento demora muito mais para
convergir, tornando-se inviável quando se trata do desempenho de um computador pessoal.
Apesar dessa redução, 10-5
ainda é um erro muito pequeno quando se trata de valores de
entrada e saída de ordem de grandeza maior que 101.
4.4.2.1 Arquitetura da rede
Utiliza-se a mesma arquitetura que a RNA com apenas um parâmetro de entrada, ou seja,
composta por duas camadas e o trainlm como algoritmo de treinamento. Em relação aos
outros componentes da rede, são realizadas as mesmas análises anteriormente abordadas.
4.4.2.2 Tipos de treinamento
São realizados quatro tipos de treinamentos: um treinamento único para as quatro saídas com
os dados tanto de entrada quanto de saída não normalizados e normalizados; e um treinamento
para cada saída com e sem normalização das entradas e saídas. Para essa segunda análise,
também são utilizados os mesmos valores para os parâmetros constantes, os quais não são
utilizados no treinamento da RNA.
69
Modelagem computacional da interação entre o solo marinho e a linha de ancoragem enterrada.
Utiliza-se o número máximo de iterações igual a 1000 e 2184 combinações diferentes de T0,
θ0 e P para o treinamento da RNA.
Os resultados para uma única saída são apresentados na Tabela 4.13.
Tabela 4.13: Resultados do treino
RNA única
Tempo (s) Iterações
RNA sem normalização -- --
RNA com normalização 24 144
Nesse caso, também se observa que para a RNA sem normalização não é possível atingir a
convergência do treino para o número máximo de iterações estipulado. Já com a segunda
rede, fazendo uso da normalização tanto dos dados de entrada como dos dados de saída, é
possível atingir o desempenho desejado, com 144 iterações em um intervalo de tempo de 24
segundos.
Para o caso de RNAs separadas para cada saída, a Tabela 4.14 resume os dados.
Tabela 4.14: Resultados das RNAs separadas
RNAs Separadas
Com normalização Sem normalização
Treinamento Iterações Tempo (s) Iterações Tempo (s)
1 27 2 -- --
2 35 3 -- --
3 55 4 -- --
4 40 3 -- --
Total 157 12 -- --
Percebe-se que não é possível a realização do treinamento da rede sem a utilização da
normalização dos dados, pois não houve convergência após o número máximo de iterações
estabelecido ser atingido.
Já com relação ao treinamento da RNA com o uso da normalização, observa-se que os tempos
dos treinos separados são bem menores que o tempo da RNA com apenas uma saída. Além
disso, a soma dos tempos de cada treinamento separado ainda é menor que o tempo de treino
da RNA única. Apesar disso, é mais trabalhoso para o usuário treinar as redes separadas que
treinar a rede única.
70
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
4.4.2.3 Otimização da arquitetura da RNA quanto à quantidade de neurônios em cada camada
Para o caso de três parâmetros de entrada, a RNA é treinada apenas três vezes, pois há um
maior refinamento na quantidade de combinações que converge em cada rodada de
treinamento, quando comparado com a RNA com apenas uma parâmetro de entrada. Portanto,
no terceiro treino já é possível obter resultados melhores que os da Tabela 4.5, como pode ser
visto na Tabela 4.15. Vale ressaltar que para as análises de otimização da arquitetura, a
quantidade de combinações dos parâmetros de entrada é de 2184 e o número máximo de
iterações é de 400.
Tabela 4.15: Número de convergências por combinação
N1 N2 Convergência
5 10 2
6
8 1
9 1
10 3
7
7 1
8 1
9 3
10 3
8
6 1
9 3
10 3
9
6 1
7 1
8 2
9 2
10 3
10
5 2
6 2
7 2
8 2
9 3
10 3
Após isso, realiza-se uma nova análise com as combinações com as quais a RNA converge em
todos os treinamentos. Para cada combinação, a rede é treinada cinco vezes e são calculadas
as médias aritméticas das quantidades de iterações e dos tempos. Além disso, é importante
frisar que o número máximo de iterações utilizado é de 1000.
71
Modelagem computacional da interação entre o solo marinho e a linha de ancoragem enterrada.
Os resultados dessa análise encontram-se resumidos na Tabela 4.16.
Tabela 4.16: Resultados do treinamento
N1 N2 Nite Tempo Velocidade de treinamento (Nite/s)
6 10 350 56 6,3
7 9 365 58 6,3
10 207 34 6,1
8 9 207 34 6,1
10 111 19 5,8
9 10 114 21 5,4
10 9 105 22 4,8
10 124 25 5,0
Analisando os resultados, percebe-se que os treinamentos com as convergências mais rápidas
ocorrem com um número de neurônios na primeira camada a partir de 8, como também com 9
e 10 neurônios na segunda camada. Os treinamentos a partir da combinação 8 e 10
apresentam valores de iteração e tempo muito próximos, indicando que qualquer uma destas
combinações podem ser utilizadas quando se quer a otimização no tempo de treinamento,
pois, como já comentado, esses resultados dependem da divisão aleatória dos dados de
entrada feita pelo programa, apesar de haver certa tendência quanto à quantidade de iterações
e ao tempo.
Escolhe-se como melhor combinação a que tem 8 neurônios na primeira camada e 10 na
segunda, porque esta resulta no menor tempo de convergência, com um intervalo de 19
segundos, mas, apesar de ser mais rápida, não obteve o menor número de iterações, o qual
ocorreu com a combinação 10 e 9, com 105 iterações. Isso ocorre, pois a velocidade de
treinamento decresce com o aumento de neurônios nas camadas, ou seja, apesar de a
combinação 10 e 9 apresentar o menor número de iterações, a velocidade de treinamento desta
rede é menor que o da rede com a combinação 8 e 10, o que demanda um tempo maior.
4.4.2.4 Otimização da arquitetura da RNA quanto à função de transferência de cada camada
Da mesma forma que se fez na seção 5.4.1.4, são analisadas as combinações das funções de
transferência para cada camada, variando entre purelin, logsig e tansig. Para cada
combinação, realizam-se três treinos e obtém-se a média aritmética.
Os resultados dessa análise encontram-se resumidos na Tabela 4.17.
72
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
Tabela 4.17: Resultados da função de treinamento
Nite Tempo
purelin
purelin -- --
logsig -- --
tansig -- --
logsig
purelin -- --
logsig 97 17
tansig 178 30
tansig
purelin -- --
logsig 219 37
tansig 100 17
Analisando a Tabela 4.17 acima, observa-se que os melhores resultados ocorrem quando
utilizadas as funções de transferência logsig para ambas as camadas, havendo convergência
do treinamento em 97 iterações após um intervalo de tempo de 17 segundos. Nota-se que a
combinação tansig-tansig apresenta resultados tão bons quanto à combinação logsig-logsig,
com valores praticamente iguais. Além disso, não há convergência quando se utiliza a função
purelin, para nenhuma das combinações.
4.4.2.5 Influência da quantidade de dados de entrada no treino
Para esta análise, treina-se uma Rede Neural Artificial com a arquitetura baseada nos
resultados anteriores, ou seja, com duas camadas, sendo a primeira constituída de 8 neurônios
e a segunda de 10 neurônios, utilizando a função de ativação logsig para ambas as camadas e
como algoritmo de aprendizado o trainlm. Além disso, a RNA é treinada recebendo três
parâmetros de entrada: a tensão inicial no leito marinho T0, o ângulo formado entre a linha e a
horizontal no ponto inicial do trecho enterrado θ0 e a profundidade de assentamento da âncora
P, e retornando os quatro dados de saída anteriormente comentados, a tensão Tanc, o ângulo
θanc, a projeção horizontal H e o comprimento L.
Os resultados sobre o número de iterações e o tempo para cada treinamento são obtidos pela
média de três treinamentos. Com isso, são obtidos os resultados a partir de 120 combinações
de entrada (Ncomb) até 13923, os quais se encontram listados na Tabela 4.18.
73
Modelagem computacional da interação entre o solo marinho e a linha de ancoragem enterrada.
Tabela 4.18: Resultado do treino para a quantidade de combinações
Ncomb Nite Nite Tempo (s) Velocidade de treinamento (Nite/s)
120
Max 153 4 38,3
Med 106 3 35,3
Min 35 1 35,0
198
Max 227 8 28,4
Med 146 5 29,2
Min 87 3 29,0
504
Max 243 12 20,3
Med 125 6 20,8
Min 69 3 23,0
1260
Max 318 33 9,6
Med 197 21 9,4
Min 101 11 9,2
2538
Max 179 41 4,4
Med 126 28 4,5
Min 60 14 4,3
3834
Max 317 107 3,0
Med 166 63 2,6
Min 29 13 2,2
4680
Max 136 50 2,7
Med 119 47 2,5
Min 100 42 2,4
6060
Max 273 157 1,7
Med 177 123 1,4
Min 119 93 1,3
7878
Max 159 114 1,4
Med 117 83 1,4
Min 86 61 1,4
10647
Max 373 363 1,0
Med 197 192 1,0
Min 100 98 1,0
13923
Max 215 283 0,8
Med 169 224 0,8
Min 123 163 0,8
Com os valores médios acima, constrói-se a Tabela 4.19.
74
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
Tabela 4.19: Resultado do treinamento
Ncomb Nite Tempo (s) Velocidade de treinamento (Nite/s)
120 106 3 35,3
198 146 5 29,2
504 125 6 20,8
1260 197 21 9,4
2538 126 28 4,5
3834 166 63 2,6
4680 119 47 2,5
6060 177 123 1,4
7878 117 83 1,4
10647 197 192 1,0
13923 169 224 0,8
Com isso, faz-se a análise da relação entre a quantidade de dados de entrada e o número de
iterações do treinamento através da Figura 4.6.
Figura 4.6: Comparação entre a quantidade de combinações e o
número de iterações
0
50
100
150
200
250
0 2000 4000 6000 8000 10000 12000 14000 16000
Nú
me
ro d
e it
era
çõe
s
Quantidade de combinações
75
Modelagem computacional da interação entre o solo marinho e a linha de ancoragem enterrada.
Percebe-se que, da mesma forma que para a RNA com apenas um parâmetro de entrada, não
há uma relação entre a quantidade de combinações de entrada e o número de iterações para a
convergência do treinamento; isso se deve à aleatoriedade inerente ao processo. A diferença é
que para o caso de mais parâmetros de entrada e consequentemente mais combinações para o
treino, há uma menor oscilação na quantidade de iterações, ou seja, quanto maior o volume de
dados de entrada, menor a oscilação dos valores e em consequência disso, maior a evidência
de tendência do gráfico. Além disso, é possível observar, no decorrer dos treinamentos, que a
partir de 1260 combinações de entrada, há uma garantia quanto à convergência do processo.
Na Figura 4.7, pode-se analisar a relação existente entre a quantidade de dados e o tempo para
treinamento.
Figura 4.7: Relação entre a quantidade de combinações e o tempo de
treino
Assim, quanto maior a quantidade de combinações, maior é o tempo gasto para a
convergência do treinamento da RNA, pois à medida que a quantidade de dados de entrada
aumenta, a arquitetura da rede torna-se mais robusta e, com isso, a velocidade de treino reduz,
como pode ser observado no gráfico da Figura 4.8, o qual apresenta um comportamento
logarítmico.
0
50
100
150
200
250
0 2000 4000 6000 8000 10000 12000 14000 16000
Tem
po
(se
gun
do
s)
Quantidade de combinações
76
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
Figura 4.8: Relação entre a quantidade de combinações e a velocidade
de treino
Por fim, afirma-se que o limite inferior de combinações para o treinamento gira em torno de
120, já que o treinamento da RNA com essa quantidade de dados converge apenas algumas
vezes. Já como limite superior, observa-se uma quantidade de combinações em torno de
13923, acima da qual o tempo computacional para o treino aumenta significativamente.
4.4.2.6 Comparação dos resultados obtidos pela resolução do sistema de EDO e através da
RNA
São realizadas análises comparando o tempo de resolução do problema utilizando uma RNA
(RNA 1) com 8 neurônios na primeira camada e 10 neurônios na segunda, uma RNA (RNA 2)
com 6 neurônios na primeira camada e 10 na segunda, e utilizando a resolução analítica
através das equações diferenciais de equilíbrio do sistema (Equações 19 e 22), bem como os
erros relativos dos resultados da primeira e da segunda RNA com os resultados obtidos por
meio da integração numérica. A escolha da arquitetura da primeira rede se deve aos estudos
realizados nas seções anteriores, os quais mostram que essa configuração apresenta os
melhores resultados. A escolha da segunda é devido ao fato de que esta apresenta a
combinação da Tabela 4.16 com a menor quantidade de neurônios em cada camada.
São analisadas 5 rodadas de resolução, com diferentes combinações de T0, θ0 e P, os quais
variam da seguinte forma:
a) T0 = 106 a 8.10
6 N, com incrementos de 6.10
4;
0,0
5,0
10,0
15,0
20,0
25,0
30,0
35,0
40,0
0 2000 4000 6000 8000 10000 12000 14000 16000
Ve
loci
dad
e d
e t
rein
ame
nto
(N
ite
/s)
Quantidade de combinações
77
Modelagem computacional da interação entre o solo marinho e a linha de ancoragem enterrada.
b) θ0 = 3˚ a 51˚, com incrementos de 4˚;
c) P = 5 a 25 metros, com incrementos de 3 metros.
Dessa forma, a quantidade de combinações possíveis entre esses três parâmetros é de 10647,
obtendo-se os resultados da Tabela 4.20.
Tabela 4.20: Comparação das RNAs com o sistema de EDO
Rodada Tempo
RNA 1 (s)
Tempo
RNA 2 (s)
Tempo
EDO (s)
Tempo RNA 1/Tempo
EDO (%)
Tempo RNA 2/Tempo
EDO (%)
1 0,0110 0,0112 0,0145 76,06 77,20
2 0,0116 0,0119 0,0148 78,43 80,06
3 0,0125 0,0120 0,0156 80,30 76,98
4 0,0115 0,0111 0,0150 77,06 73,98
5 0,0126 0,0123 0,0153 82,48 80,54
Média 0,0118 0,0117 0,0150 78,87 77,75
Observa-se que a RNA 2 é ligeiramente mais rápida que a RNA 1 para a resolução do
problema, pois a arquitetura desta é mais densa que a da primeira, diferindo apenas na
quantidade de neurônios na primeira camada. Como concluído na seção 5.4.1.6, a utilização
de RNA para a resolução do problema abordado é mais rápida que o uso da integração
numérica do sistema de equações diferenciais, com um tempo relativo de 78,87% para a RNA
1 e 77,75% para a RNA 2, sendo ligeiramente maiores que os tempos relativos das redes com
apenas um parâmetros de entrada, já que há duas entradas a mais para tratamento. Além disso,
pode-se observar na Tabela 4.21 e Tabela 4.22 que os erros relativos dos resultados obtidos
são bem maiores que os erros das redes com apenas um parâmetro de entrada. Isso se deve ao
aumento da tolerância do erro no processo de treinamento da rede. Observa-se também que a
RNA 2 apresenta os menores erros relativos para todos os resultados. Tais erros são os
maiores erros relativos calculados entre 10647 resultados.
Tabela 4.21: Erro relativo dos resultados
Erro relativo da RNA 1 (%)
Tanc θanc L H
7,84 5,43 7,76 9,51
78
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
Tabela 4.22: Erro relativo dos resultados
Erro relativo da RNA 2 (%)
Tanc θanc L H
3,04 5,28 7,04 9,01
Logo, conclui-se que há um menor custo computacional quando se utiliza RNA em
comparação com a integração numérica, cerca de 78% do tempo para o caso de três
parâmetros de entrada, e que a RNA 2 se mostra mais eficaz, com 6 neurônios na primeira
camada e 10 neurônios na segunda. Além disso, afirma-se que há uma tendência de melhores
resultados quando utilizadas redes com menos neurônios em cada camada, ou seja, RNAs
com arquitetura menos robusta.
4.4.2.7 Comparação dos resultados obtidos pela resolução do sistema de EDO e através da
RNA única e das RNAs separadas
Realiza-se uma nova comparação para os tempos e erros relativos, da mesma forma que na
seção anterior, utilizando cinco RNAs e a integração numérica. A primeira análise é feita com
a mesma RNA 1 descrita anteriormente, já a segunda é realizada utilizando as quatro RNAs
separadas descrita na seção 5.4.2.2, com cada uma retornando apenas uma saída, ou seja,
implementa-se um arquivo, denominado RNA 3, com essas quatro redes, retornando os quatro
resultados comparados, que são Tanc, θanc, L e H. Além disso, ressalta-se que essas cinco redes
possuem a mesma arquitetura.
Na Tabela 4.23 encontram-se resumidos os resultados dessa análise.
Tabela 4.23: Comparação das RNAs com o sistema de EDO
Rodada Tempo
RNA 1 (s)
Tempo
RNA 3 (s)
Tempo
EDO (s)
Tempo RNA 1/Tempo
EDO (%)
Tempo RNA 3/Tempo
EDO (%)
1 0,0104 0,0417 0,0138 75,48 302,34
2 0,0109 0,0437 0,0138 79,13 316,02
3 0,0106 0,0417 0,0138 77,39 303,18
4 0,0104 0,0417 0,0138 75,52 302,96
5 0,0106 0,0428 0,0140 76,03 306,95
Média 0,0106 0,0423 0,0138 76,71 306,29
79
Modelagem computacional da interação entre o solo marinho e a linha de ancoragem enterrada.
Na seção 5.4.2.2, concluiu-se que os treinamentos separados para cada uma das quatro RNAs
são muito mais rápidos que o treinamento para uma RNA única, além de a soma dos tempos
dos treinos separados ainda ser menor que o tempo do treino único. Apesar disso, quando
essas quatro redes são utilizadas juntas para uma mesma análise, o tempo computacional
demandado é quatro vezes maior que o da RNA 1. Isso se deve, pois, independentemente de
quantas saídas tenha uma RNA, o tempo para seu acesso é praticamente o mesmo de outra
com a mesma arquitetura.
Com os resultados das análises, obtêm-se as Tabela 4.24 e Tabela 4.25 com os erros relativos
das RNAs com a integração numérica.
Tabela 4.24: Erro relativo dos resultados
Erro relativo da RNA 1 (%)
Tanc θanc L H
7,84 5,43 7,76 9,51
Tabela 4.25: Erro relativo dos resultados
Erro relativo para RNA 3 (%)
Tanc θanc L H
4,38 4,61 9,14 11,04
Percebe-se que os erros relativos para a RNA 1, deste caso, são iguais aos erros na análise
anterior. Isso se deve ao fato de que a RNA 1 é treinada apenas uma vez, já que se essa rede
fosse treinada novamente para essa análise, provavelmente os resultados seriam diferentes, ou
seja, a RNA 1 retornaria valores de Tanc, θanc, L e H diferentes da análise anterior, pois a rede
possuiria um reconhecimento de padrões diferente, fato esse que será visto na próxima seção.
Além disso, a RNA 3 se aproxima mais dos resultados analíticos para Tanc e θanc e a RNA 1
mostra-se mais próxima dos resultados analíticos para L e H. Desse modo, afirma-se que
apesar de ser muito mais rápido o uso da RNA 1, a aproximação dos resultados de ambas as
análises em relação à integração numérica, em geral, não apresentam diferenças significativas.
Logo, não há vantagens na utilização de RNAs separadas para cada saída em relação à RNA
única.
80
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
4.4.2.8 Redes treinadas com diferentes erros
Também são realizadas as mesmas análises para redes com a mesma arquitetura, mas
treinadas com erros diferentes. Assim, são comparados os resultados de duas RNAs com os
valores resultantes do processo de integração numérica, sendo que a primeira rede é a mesma
RNA 1 acima e a outra, a RNA 4, possui a mesma arquitetura, mas é treinada com um erro de
9.10-7
, menor que o erro com o qual todas as redes com três parâmetros de entrada são
treinadas, o qual é de 10-5
. O final do treinamento da RNA 4 pode ser visto na Figura 4.9.
Figura 4.9: Final do treinamento da RNA 4
Observa-se que o treinamento da RNA 4 demora muito mais que os outros treinamentos já
realizados, com 5406 iterações em um intervalo de tempo de aproximadamente 18 minutos. O
erro de 9.10-7
é escolhido após ser observado o comportamento do treino para diversos
valores, pois, para erros menores que este, raramente ocorria convergência após horas de
processamento.
Na Tabela 4.26, observam-se os resultados da utilização das redes e da resolução do sistema
de equações diferenciais.
81
Modelagem computacional da interação entre o solo marinho e a linha de ancoragem enterrada.
Tabela 4.26: Comparação das RNAs com o sistema de EDO
Rodada Tempo
RNA 1 (s)
Tempo
RNA 4 (s)
Tempo
EDO (s)
Tempo RNA 1/Tempo
EDO (%)
Tempo RNA 4/Tempo
EDO (%)
1 0,0108 0,0111 0,0144 75,39 77,28
2 0,0108 0,0109 0,0144 75,07 76,09
3 0,0111 0,0115 0,0144 77,40 80,26
4 0,0111 0,0110 0,0141 78,61 78,33
5 0,0110 0,0110 0,0140 78,33 78,43
Média 0,0110 0,0111 0,0143 76,96 78,08
Percebe-se que a utilização da RNA 1 é um pouco mais rápida que a utilização da RNA 4 e,
além disso, as resoluções através das redes são mais rápidas que através da integração dos
sistema de equações, com um tempo relativo de 76,96% para a RNA 1 e 78,08% para a RNA
4.
Os erros relativos encontram-se resumidos nas Tabela 4.27 e Tabela 4.28.
Tabela 4.27: Erro relativo dos resultados
Erro relativo da RNA 1 (%)
Tanc θanc L H
6,75 7,22 10,34 11,55
Tabela 4.28: Erro relativo dos resultados
Erro relativo da RNA 4 (%)
Tanc θanc L H
4,80 4,89 2,00 6,21
Analisando essas tabelas, percebe-se que os erros relativos da RNA 1 são diferentes dos erros
das RNAs 1 anteriores, pois, para essa análise, é realizado um novo treinamento da rede.
Além disso, afirma-se que os resultados obtidos com a RNA 4 são muito mais próximos dos
resultados a partir da resolução do sistema de equações diferenciais, quando comparados com
os erros relativos da RNA 1. Isso se deve ao fato de que a RNA 4 é treinada com uma
82
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
tolerância menor de erro, o que leva a resultados mais próximos dos valores gerados pelas
EDOs.
Logo, quanto menor o erro escolhido para o treinamento da RNA, mais exatos serão os
resultados da rede com relação aos dados obtidos através da integração numérica. Apesar
disso, quanto maior o erro para o treino, maior será o custo computacional com o processo, o
que demanda computadores com melhores desempenhos.
83
Modelagem computacional da interação entre o solo marinho e a linha de ancoragem enterrada.
5. CONCLUSÕES
O presente trabalho focou na modelagem da interação entre o solo marinho e a linha de
ancoragem enterrada, através da integração numérica das equações diferenciais de equilíbrio,
aplicando-se posteriormente o conceito de Redes Neurais Artificiais em susbstituição ao
processo de integração.
Devido ao próprio movimento da unidade flutuante, as tensões na linha de ancoragem variam
com o tempo, e dessa forma, o ponto de afloramento da linha de ancoragem enterrada
translada constatemente no leito marinho. Por isso, deve-se considerar os graus de liberdade
do ponto de afloramento desse trecho nas análises da linha de ancoragem como um todo.
Além disso, a geometria do trecho enterrado da linha tende a linearizar-se à medida que a
tensão inicial aumenta, se apresentando praticamente reta nos primeiros metros e possuindo
uma maior variação na inclinação nos últimos metros de profundidade, com variação
praticamente linear. O mesmo ocorre com o comportamento da tensão na linha ao longo da
profundidade.
Os resultados obtidos com o programa computacional desenvolvido foram satisfatórios, visto
que o maior erro relativo do comprimento foi de 1,89% e da projeção horizontal foi de 2,99%,
ambos relativos ao ÂNCORA. Já os menores erros foram com relação ao DIGIN, pois as
fórmulas utilizadas no presente trabalho foram as recomendadas pela DNV e
consequentemente utilizadas no DIGIN. Dessa forma, valida-se o programa desenvolvido.
Foram utilizadas basicamente dois tipos de RNAs ao longo da pesquisa: a primeira recebendo
um parâmetro de entrada e a segunda recebendo três parâmetros de entrada. Os melhores
resultados ocorreram quando utilizou-se uma única RNA para as quatro saídas e fez-se o uso
da normalização dos dados de entrada e saída. Além disso, a rede mostrou-se mais eficiente
quando utilizada a função de transferência logsig para ambas as camadas e quando o número
de neurônios em ambas as camadas era maior que 7, de modo que os melhores resultados
foram obtidos com 10 neurônios na segunda camada.
Nas análises realizadas, percebe-se que não existe uma relação entre a quantidade de dados de
entrada e o número de iterações do treinamento, pois o mesmo depende da divisão dos dados
de entrada, a qual é feita aleatoriamente. Já o tempo de treino aumenta à medida que o volume
de dados de entrada aumenta. Percebe-se também que quanto maior o volume de dados para
84
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
treinamento e quanto maior a quantidade de neurônios nas camadas, menor é a velocidade de
treinamento, a qual apresenta decaimento logarítmico.
O uso de RNA mostrou-se muito vantajoso, pois o tempo de resolução do problema é cerca de
80% do tempo da integração numérica das equações diferenciais. Além disso, para as redes
com apenas um parâmetro de entrada, os erros relativos dos resultados são desprezíveis, já os
erros relativos das redes com três parâmetros de entrada são mais expressivos. Tais erros
podem ser reduzidos com a adoção de tolerâncias de erro cada vez menores nos treinamentos.
Apesar disso, quanto menor o erro adotado no treinamento, maior será o custo computacional
com o processo, o que demanda computadores com melhores capacidades de processamento.
5.1 Sugestões para futuros trabalhos
Para a continuidade do presente trabalho sugere-se o treinamento de uma RNA que receba
todos os outros parâmetros de entrada, utilizados na resolução do sistema de equações
diferenciais ordinárias de equilíbrio da catenária invertida. Feito isso, propõe-se acoplar a
RNA do trecho enterrado à análise dinâmica da parte submersa da linha. Em relação ao
modelo matemático, sugere-se levar em consideração a deformabilidade da linha de
ancoragem.
Além disso, sugere-se realizar as mesmas análises para RNAs com mais camadas
intermediárias e com diferentes algoritmos de treinamento, utilizando tolerâncias de erro de
treinamento cada vez menores.
85
Modelagem computacional da interação entre o solo marinho e a linha de ancoragem enterrada.
REFERÊNCIAS BIBLIOGRÁFICAS
AGUIAR, C. S. Análise de vibrações livres em estruturas offshore com ênfase em linhas
de ancoragem. Trabalho de Conclusão de Curso, Tecnologia em Construção Naval, UEZO,
Rio de Janeiro, RJ, Brasil, 2010.
AMORIM, T. O. Plataformas offshore, uma breve análise desde a construção ao
descomissionamento. Trabalho de Conclusão de Curso, Engenharia Civil, COPPE/UFRJ, Rio
de Janeiro, RJ, Brasil, 2010.
BANG, S., RICHARDSON, R., CHO, Y., KIM, Y.S. “Calibration of Analytical Solution
Using Centrifuge Model Tests on Mooring Lines”. In: Proceedings of the Thirteenth
International Offshore and Polar Engineering Conference, Honolulu, Hawaii, USA, 2003.
BANG, S., HAN, H., TAYLOR, R.J. “Development and validation of mooring line
analysis in cohesive seafloor”. In: Proceedings of the Tenth International Offshore and Polar
Engineering Conference, Seattle, USA, 2000.
BEALE, M.H., HAGAN, M.T., DEMUTH H.B. “Neural network toolbox: matlab user’s
guide”. Natick, MA: MathWorks, 2012, 420 f.
BEZERRA, M.V.O., MORISHITA, H.M. Aplicação de superfícies de resposta para
otimização dos parâmetros de controle de um sistema de posicionamento dinâmico. In:
Congresso Nacional de Transporte Aquaviário, Construção Naval e Offshore, 24, 2012, Rio
de Janeiro, Brasil. Disponível em:
http://www.ipen.org.br/downloads/sobena/proyectos/TF053.pdf. Acesso em: 20 de junho
2013.
DNV. “Design and installation of fluke anchors in clay”, RECOMMENDED PRACTICE
RP-E301. Det Norske Veritas, Norway, 2000.
HAYKIN, S. Redes Neurais: princípios e práticas. 2a edição. Tradução de Paulo Martins
Engel. Porto Alegre: ARTMED, 2001. 908 f.
KAWASAKI, P.Y. Análise de linhas de ancoragem de plataformas oceânicas
considerando diversos tramos e o trecho enterrado da linha. Trabalho de Conclusão de
Curso, Engenharia Civil, COPPE/UFRJ, Rio de Janeiro, RJ, Brasil, 2010.
LACERDA, T.A.G. Análise de sistemas de ancoragem de plataformas flutuantes.
Trabalho de Conclusão de Curso, Engenharia Civil, UFRJ, Rio de Janeiro, RJ, Brasil, 2005.
MATSUNAGA, V.Y. Curso de redes neurais utilizando o matlab. 2012. 22 f., Belém, PA,
Brasil.
PINA, A.A. Metodologias de análise, síntese e otimização de sistemas para produção de
86
Thiago Delfino Lima Vasconcelos (thiagodel@lccv.ufal.br). Trabalho de Conclusão de Curso. Maceió, AL, UFAL, 2013.
petróleo offshore através de metamodelos e enxame de partículas. Tese de Doutorado,
Engenharia Civil, COPPE/UFRJ, Rio de Janeiro, RJ, Brasil, 2006.
SILVA, L.C.F. Inteligência computacional para predição de produção de reservatórios de
petróleo. Tese de Doutorado, Engenharia Civil, COPPE/UFRJ, Rio de Janeiro, RJ, Brasil,
2006.
TIQUILLOCA, J.L.M., MORISHITA, H.M., SIMÕES, M.G. Análise dinâmica de sistemas
de produção flutuante de petróleo através de redes neurais artificiais. In: Simpósio
Brasileiro de Automação Inteligente, 4., 1999, São Paulo, SP, Brasil. Disponível em:
http://fei.edu.br/sbai/SBAI1999/ARTIGOS/IV_SBAI_19.pdf. Acesso em: 23 de junho 2013.
WANG, L., GUO, Z., YUAN, F. “Quasi-static three-dimensional analysis of suction
anchor mooring system”. Ocean Engineering, v. 37, n. 13, pp. 1127-1138, 2010.