Manual Fuzzy Matlab, Manuais, Projetos, Pesquisas de Informática
arnaldo-araujo-11
arnaldo-araujo-11

Manual Fuzzy Matlab, Manuais, Projetos, Pesquisas de Informática

46 páginas
50Números de download
1000+Número de visitas
Descrição
Tutorial para o uso de sistemas Fuzzy por meio de implemantação Matlab
90 pontos
Pontos de download necessários para baixar
este documento
Baixar o documento
Pré-visualização3 páginas / 46
Esta é apenas uma pré-visualização
3 mostrados em 46 páginas
Esta é apenas uma pré-visualização
3 mostrados em 46 páginas
Esta é apenas uma pré-visualização
3 mostrados em 46 páginas
Esta é apenas uma pré-visualização
3 mostrados em 46 páginas
MANUAL_2005

Manual do uso da teoria dos conjuntos Fuzzy no MATLAB 6.5.

Profa. Dra. Mariangela Amendola Msc. Anderson Luiz de Souza

Prof. Dr. Laécio Carvalho Barros

FEAGRI & IMECC/ UNICAMP

Resumo: Este manual é o produto de uma revisão do manual disponibilizado em 2004,

que além de apresentar com detalhes os comandos básicos para o uso da teoria dos

conjuntos fuzzy no ambiente de computação científica MATLAB 6.5, cita referências

bibliográficas onde o usuário pode complementar seus estudos teóricos para a

interpretação adequada dos resultados do uso desta ferramenta no processo de suporte à

decisão de sistemas que, aqui, são os agrícolas ou biológicos.

Versão II, maio de 2005.

Notar que nesta cópia da aquarela de Debret há um erro, descoberto em 1994

somente porque apreciado por um estudante de engenharia mecânica.

1

1. Introdução e notas históricas.

Dentre os processos físicos de interesse/competência do profissional da área de

Engenharia Agrícola, é possível reconhecer aqueles da FEAGRI/UNICAMP que vêm

sendo investigados cientificamente com a finalidade de gerar conhecimentos que

permitam a tomada de decisão no “momento” de seu planejamento ou implementação

otimizada.

Diretamente relacionados com o conteúdo das disciplinas que ensinamos no

curso de graduação a partir de 1986, (FA 408-Matemática Aplicada a Agricultura),

estão aqueles processos que podem ser modelados matematicamente, como problemas

de resolução de equações diferenciais ordinárias, sujeitas à condições de contorno e/ou

iniciais. Relacionados com o que ensinamos em outras disciplinas, tanto no curso de

graduação (FA 374 - Cálculo Numérico, FA 012 - Métodos Numéricos para Equações

Diferenciais, FA 019- Secagem Avançada), quanto no curso da pós-graduação (AP

132/508 - Introdução a Matemática Aplicada e Computação Científica, AP 518 -

Matemática Aplicada e computação Científica, AP 181- Estudo Dirigido em Água e

Solo, e AP 185 – Estudo Dirigido em Tecnologia Pós Colheita), estão aqueles processos

que podem ser modelados matematicamente como problemas de: determinação de zeros

de funções não lineares; resolução de sistemas de equações algébricas, lineares ou não

lineares; resolução de equações diferenciais ordinárias; integração numérica; ajuste de

curvas; bem como resolução de equações diferencias parciais - que são os problemas

usuais das pesquisas de diversas engenharias, em particular da Engenharia Agrícola.

Somente em 2000, a partir do momento que aprofundamos o contato com alguns

dos processos físicos estudados junto aos especialistas da área de Construções Rurais e

Ambiência (zootecnia de precisão), verificamos a ineficiência do uso de metodologias

associada às ferramentas matemáticas tradicionais, como as relacionadas acima, o que

nos fez procurar novas ferramentas matemáticas junto ao IMECC. Neste sentido, por

ocasião do X Congresso Latino Americano de Biomatemática, realizado no IMECC em

2001, por meio de um dos mini-cursos oferecidos (BARROS, 2002), concluímos pela

seleção de uma ferramenta matemática adequada, que é a baseada na Teoria de

Conjuntos Fuzzy.

A partir desta seleção, nossas expectativas foram além daquelas inicialmente

propostas. Foi possível identificar também a utilização do uso desta teoria para a

pesquisa de processos que envolvem a resolução de equações diferenciais dependentes

de parâmetros, como os que requerem o conhecimento do movimento de água no solo.

2

O que está por trás de toda essa versatilidade da utilização desta teoria fuzzy é a

possibilidade de modelar e manipular matematicamente informações vagas e

imprecisas, naturais da linguagem humana e, portanto, as fornecidas pelos especialistas

(não matemáticos) ao caracterizar os processos estudados.

Esta manipulação é feita a partir da composição de variáveis escolhidas para

modelar matematicamente o processo em questão, quando a implicação das variáveis

independentes nas dependentes é estabelecida por um conjunto de regras lingüísticas

baseadas no conhecimento de especialistas.

As técnicas da teoria dos conjuntos fuzzy têm alcançado as mais diversas áreas

de aplicação. Uma das mais aprofundadas é de controle fuzzy, que tem possibilitado a

automação de diversos processos, que vão de tarefas domésticas até o controle de

sofisticados processos industriais.

Em produtos de bem de consumo, como máquinas de lavar, televisões, câmeras

de filmar, entre outros, o Japão foi o pioneiro a explorar o potencial da lógica fuzzy,

ainda na década de 80. De acordo coma literatura, o trabalho pioneiro de aplicação da

lógica fuzzy em controle de processos é devido a MAMDANI & ASSILAM (1975),

cujos suportes teóricos encontram-se nos artigos de ZADEH (1965). Tal aplicação foi

voltada para controlar máquinas a vapor, o que possibilitou a modelagem matemática de

“ações” dos operadores (especialistas) das máquinas, tornando suas tarefas

automatizáveis. Este trabalho influenciou outros pesquisadores a explorarem

controladores fuzzy na teoria de controle, como, por exemplo, o controlador de Sugeno,

que não é contemplado neste manual.

Desde então, nas diversas áreas de conhecimento, os pesquisadores vêm

desenvolvendo algoritmos específicos para o uso desta teoria para a análise de seus

modelos, como pode ser encontrado tanto na literatura internacional - dentre um número

enorme de bons livros citamos KLIR & YUAN (1995) e PEDRYCZ & GOMIDE

(1998) -, bem como nacional - onde indicamos os trabalhos de doutorado: BARROS

(1997), RIBACIONKA (1999) e ORTEGA (2001)-.

Também na área de pesquisa teórica tem tido bastante avanço em tópicos como

equações e inclusões diferenciais, equações de diferenças e sistemas dinâmicos gerais,

assuntos esses que podem ser encontrados em BARROS et al (2004).

3

Por outro lado o uso da teoria dos conjuntos fuzzy mostrou-se promissor também

em pesquisas aplicadas, como pode ser constatado em várias oportunidades na ocasião

do Ciclo de Palestras / 2002 a 2004, realizado na FEAGRI sob nossa coordenação

(www.agr.unicamp.br), e do que resultou distintos tipos de projetos de vários níveis

(iniciação científica, mestrado, doutorado e pós doutorado), bem como trabalhos

apresentados em congressos ou publicados em revistas.

Em geral, estas aplicações são trabalhos de análise de condições de conforto em

galpões de criação animal como função da composição de duas variáveis que traduzem

o ambiente térmico gerado em galpões. O trabalho pioneiro foi o realizado por

AMENDOLA et al (2004), para simular condições de conforto em galpões de criação de

frangos de corte a partir da composição das variáveis independentes de temperatura e

umidade relativa do ar. Os resultados, que constam do ANEXO 2 , foram tomados como

exemplo e incentivaram o desenvolvimento de outros trabalhos de mesma natureza,

como por exemplo, ainda para frangos de corte, por MOURA et al (2004) e por

AMENDOLA & WATANABE (2005); para suínos como consta em QUEIROZ et al

(2004); bem como outros projetos em andamento atualmente sob orientação da

Professora Irenilza da FEAGRI.

Além disso, do oferecimento da disciplina AP 182N- Estudo Dirigido em

Construções Rurais e Ambiência, resultou um outro projeto para animais em geral como

consta em AMENDOLA, MOLLO & CRUZ (2005).

Aplicações em outras áreas da FEAGRI, como da área de Água e Solo para a

caracterização de propriedades de solos, seguem com a orientação do Professor

Matsura, enquanto que da área de Tecnologia Pós Colheita, referentes à caracterização

da qualidade de produtos como função da composição das variáveis que exercem

influência na sua preservação para o consumo ainda estão em desenvolvimento.

Por outro lado e enquanto isso, juntamente com o Professor Rodney Bassanezi e

alunos de doutorado do IMECC, foram desenvolvidos sistemas fuzzy para descrever

modelos teóricos que simulam alguns fenômenos biológicos. Um dos temas estudados

foi a Morte Súbita do Citros, doença que tem dado enormes prejuízos aos plantadores de

laranja do Estado de São Paulo. Neste tema os sistemas fuzzy desenvolvidos são para

descrever a evolução dessa doença. Outros sistemas fuzzy foram desenvolvidos para

estudar uma relação do tipo presa - predador para simular o controle biológico do agente

causador da morte súbita, além de estudar os efeitos do controle químico usado contra

tal agente como consta em PEIXOTO (2005). Ainda em ecologia, há o trabalho sobre a

4

competição de duas espécies de moscas (uma nativa e outra introduzida vinda da África

na década de 70). Para esse caso também foram desenvolvidos alguns sistemas fuzzy

para simular a competição. Tais resultados têm se confirmado segundo dados biólogos

como consta em MAGNAKO (2005). Outro trabalho interessante, na área de medicina,

trata de proposição de um controlador fuzzy para simular a atuação de um especialista

(médico) no diagnóstico de câncer de próstata. Esse último trabalho faz parte da tese de

doutorado de CASTANHO (2005) que foi desenvolvida juntamente com o Professor

Vendite, do IMECC, e com o Professor Akebo da FEEC.

Em quaisquer dos casos comentados acima, o desempenho do avanço do

conhecimento se mostrará efetivo após o cumprimento rigoroso da clássica seqüência de

etapas relacionadas à simulação de processos, como se encontra na literatura, as quais

são intensamente discutidos em todas as disciplinas citadas e brevemente comentadas

no que segue.

Antes de qualquer etapa para o conhecimento de um processo físico, é de

fundamental importância a descrição física do mesmo, o que só é possível após

exaustiva observação, coleta adequada, identificação e análise de dados

importantes (variáveis, parâmetros, interações, etc...), que podem ser obtidos

experimentalmente. Ressalta-se que esta etapa mostra-se mais ou menos adequada ao

processo em estudo, de acordo como os limites do conhecimento atual que o

pesquisador tem dos mesmos. Isto pode ser completamente compreendido a partir das

observações sobre a aquarela de Debret (extraído da Folha de São Paulo em 1994), e

apresentada na primeira página deste manual.

A partir desta etapa, pode-se avançar a investigação científica daqueles

processos através da sua descrição em uma linguagem universal, isto é, através de um

modelo matemático. São diversos os tipos de modelos que podem ser reconhecidos

nesta etapa, o que envolve também os limites do conhecimento atual que o pesquisador

tem tanto do processo quanto dos modelos. Isto pode ser compreendido a partir da

referida identificação de metodologias que se deu após 2000.

É fato que tais modelos podem envolver variáveis, parâmetros ou fatores de

difícil obtenção experimental ou que são coletados desordenadamente e/ou extraídos da

literatura; ou ainda adequados a problemas não característicos daquelas classes de

problemas matemáticos para os quais se tem como obter a solução exata (objeto de

estudo da área de matemática). Sendo assim, em geral, torna-se necessário simplificar o

modelo matemático e/ou procurar métodos de resolução que gerem soluções

5

aproximadas, os denominados métodos numéricos (objeto de estudo da Matemática

Aplicada), ou ainda procurar usar pacotes de computação científicos apropriados para a

análise requerida.

Em qualquer caso, a obtenção das tais soluções e/ou análises requer muitos

cálculos, e sendo assim torna-se necessário o uso de computadores.

Para tanto, a partir da elaboração de um algoritmo associado a um método de

resoluçãoouanálise adequadamente selecionado, há que se elaborar um programa de

computação científica em uma linguagem eficiente (Pascal, Fortran, C, C++, etc.) que

traduza aquele algoritmo; ou usar algum pacote de computação científica

(“software”), como, por exemplo, o MATLAB, o Mathematica, o MAPLE, PCC, etc...

Nesta etapa, ressalta-se “o perigo” associado ao uso de “caixas pretas” por

pesquisadores que não especialistas da área de matemática aplicada e computação

científica. Este perigo pode ser compreendido tanto pela inadequada entrada de dados

quanto pela interpretação dos resultados que o uso de um programa requer ou gera.

Tendo avançado nas etapas anteriores, para se obter soluções e/ou análises

procuradas, revela-se necessária a tarefa de validação do conjunto de etapas acima

descritas, o que pode indicar a necessidade de reformulá-las até que se garanta a

legitimidade das mesmas.

Finalmente, e de fundamental importância, pode-se efetuar a simulação ou

análise daquele processo em estudo, objetivando o seu planejamento, controle ou

implementação melhorada.

Como reconhecer os processos/sistemas; identificar as variáveis e parâmetros

importantes; classificar o tipo de problema físico; identificar o modelo matemático que

pode ser associado; selecionar o método e/ou a ferramenta para a busca da análise do

modelo; construir o algoritmo associado; desenvolver ou usar pacotes de computação

científica; interpretar resultados; analisar as possíveis fontes de erros; e, se necessário,

retomar algumas das etapas anteriores? Estas são as questões que os pesquisadores da

área de matemática aplicada e computação científica buscam para atingir sucesso na

Simulação Matemática ou Numérica de processos.

6

2. Como identificar um processo passível da análise segundo a teoria dos conjuntos

fuzzy

Antes de iniciar a seqüência de instruções associadas ao uso da teoria dos

conjuntos fuzzy no MATLAB, seguem alguns conceitos que devem ser observados

porque essenciais para a identificação, pelo usuário especialista, do conjunto de

variáveis importantes do processo em estudo que devem ser da classe das denominadas

variáveis fuzzy.

O primeiro conceito está associado a definição de conjuntos fuzzy. Um

subconjunto A de um conjunto U é considerado subconjunto fuzzy de Use for descrito

como um conjunto de pares ordenados segundo o que segue:

( ){ ]1,0[)());(, ∈∈= xUxxxA AA µµ

onde

(x) é uma função de pertinência que determina com que grau x está em A:

. 0 (x)

; 1(x)0

;1 (x)

A

A

A

Aconjuntoaopertencenãox

Aconjuntoaoteparcialmenpertencex

Aconjuntoaototalmentepertencex

= << =

µ µ µ

Sendo assim, a álgebra entre os conjuntos fuzzy não segue a teoria clássica usual,

em especial devido ao fato de que as operações de união e de intersecção de um

conjunto e seu complementar são diferentes de 1 e vazio respectivamente, e portanto

operações específicas entre os conjuntos fuzzy devem ser estabelecidas (detalhes

teóricos estão no ANEXO 1).

Outro conceito essencial é o reconhecimento desta caracterização de variáveis da

existência do que consiste uma base de regras entre as mesmas. Isto se estabelece a

partir do conhecimento do especialista na forma de proposições do tipo “se E1 e/ou E2

então S1”, onde E1 e E2 referem-se a classificações lingüísticas das variáveis de entrada

e S1 a de saída, as quais, a partir do uso desta teoria, se mostra como conseqüência das

operações “e/ou” algébricas acima referidas, onde “e” designa união e “ou” intersecção

(detalhes práticos estão no ANEXO 2).

Outros conceitos são brevemente explicados à medida que forem requeridos.

7

3. Utilização do MATLAB

O MATLAB é um ambiente de computação científica, disponível na FEAGRI

desde 2000, que permite a interação com o usuário através de uma janela, denotada por

Janela de Comando, onde os comandos devem ser fornecidos pelos usuários para que os

cálculos e resultados, realizados através da linguagem FORTRAN, sejam exibidos. Os

passos para esta interação são descritos no que segue.

3.1 Como entrar e/ou executar no MATLAB

Para entrar e/ou executar no MATLAB em ambiente Windows, deve-se colocar

o cursor em cima do ícone como o que segue, no caso da versão 6.1:

MATLAB 6.1.lnk

e então pressionar o botão esquerdo do mouse no mesmo, a partir do que aparecerá a

referida Janela de Comando, a qual estará pronta para receber os comandos tão logo

apareçam os caracteres >> e a palavra Ready nos locais que estão destacados no canto superior esquerdo e no canto inferior esquerdo da Figura 1 respectivamente.

Figura 1: Janela de Comando do MATLAB que mostra >> e a informação Ready

8

A partir disto pode-se fazer distintos usos do MATLAB, dentre eles o uso de

vários toolbox, cada um constando de uma coleção de arquivos destinados a tratar certas

classes de problemas científicos. Dentre estes, encontra-se o Fuzzy Logical Toolbox,

que é o de interesse neste manual, e cujo uso descreve-se no que segue.

3.2 Do que consta o Fuzzy Logical Toolbox

No Fuzzy Logical Toolbox estão disponibilizados arquivos e funções destinados

ao uso da teoria de conjuntos fuzzy. Neste caso, recomenda-se o reconhecimento das

Palavras-chave associadas ao uso desta teoria, que estão sublinhadas na seqüência de

comandos relacionados como segue.

3.2.1 Como entrar no Fuzzy Logical Toolbox

Na Janela de Comando da Figura 1 após >> digitar a palavra fuzzy como:

>> fuzzy

e, em seguida, pressionar a tecla Enter a partir do que aparecerá a tela inicial deste

toolbox como mostra o que aparece na Figura 2a.

Figura 2a: Tela inicial doFuzzy LogicalToolbox.

Como pode ser notada na Figura 2a, a opção referente ao tipo de análise fuzzy

está destacada com o nome MAMDANI. Sendo assim, no que segue descreve-se

brevemente do que o sistema MAMDANI é constituído.

9

3.2.2 O sistema de Mamdani

Em geral, um sistema fuzzy faz corresponder a cada entrada fuzzy uma saída fuzzy.

No entanto, espera-se que a cada entrada crisp (um número real, ou par de números

reais, ou n-upla de números reais) faça corresponder uma saída crisp. Neste caso, um

sistema fuzzy é uma função de Rn em R, construída de alguma maneira específica. Os

módulos que seguem indicam a metodologia para a construção desta função:

1) Módulo de fuzzificação: é o que modela matematicamente a informação das

variáveis de entrada por meio de conjuntos fuzzy. É neste módulo que se mostra

a grande importância do especialista do processo a ser analisado, pois a cada

variável de entrada devem ser atribuídos termos lingüísticos que representam os

estados desta variável e, a cada termo lingüístico, deve ser associado um

conjunto fuzzy por uma função de pertinência;

2) Módulo da base de regras: é o que constitui o núcleo do sistema. É neste

módulo onde “se guardam” as variáveis e suas classificações lingüísticas;

3) Módulo de inferência:é onde se definem quais são os conectivos lógicos usados

para estabelecer a relação fuzzy que modela a base de regras. É deste módulo que

depende o sucesso do sistema fuzzy já que ele fornecerá a saída (controle) fuzzy a

ser adotado pelo controlador a partir de cada entrada fuzzy; e

4) Módulo de defuzzificação: que traduz o estado da variável de saída fuzzy para

um valor numérico.

É importante ressaltar que existem diferentes métodos de inferência fuzzy com

diferentes propriedades. O Fuzzy Logic toolbox do MATLAB oferece duas opções: o

Método de Mamdani e o Método de Sugeno. Analogamente, existem diversos métodos

de defuzzificação. Devido à simplicidade e eficiência, além de ser bastante condizente com a intuição humana, todo o conteúdo desta apostila foi preparado utilizando-se os

seguintes métodos disponibilizados por este toolbox: o Método de Mamdani, na etapa

de inferência, e o Método do centro de gravidade (centroid), na etapa de defuzzificação.

Nota-se que há casos específicos em que se recomenda o uso do método de Sugeno (ver

manual do MATLAB).

Para um melhor entendimento destes e de outros métodos de inferência e de

defuzzificação, sugere-se a leitura de PEDRYCZ & GOMIDE (1998).

A Figura 2b destaca a configuração básica para o uso do Fuzzy Logic Toolbox,

segundo estas especificações, e será mantida como base para todo o desenvolvimento

10

deste manual.

TermosRelacionados como Método deInferência

( Método deMamdani)

Método deDefuzzificação

Figura 2b: Configuração básica segundo especificações pré-estabelecidas para o uso do Fuzzy

Logic Toolbox

3.2.3 Como introduzir ou adicionar as variáveis de entrada (input) e/ou de saída

(output).

Neste momento, para introduzir ou adicionar as variáveis no Fuzzy Logic

Toolbox, devem ser criadas “caixas” para guardá-las, o que é feito na tela inicial, para

cada uma das variáveis de entrada (caixas amarelas) e/ou variáveis de saída (caixas

azuis), selecionando as opções:

Edit Add Variables Output

Imput

como mostra o destaque da Figura 3.

11

Figura 3: Destaque das opções selecionadas para a introdução das variáveis de entrada e/ou

saída

É importante ressaltar que pode haver diversas variáveis de entrada bem como

de saída. Porém, neste manual, será tomado o sistema de duas variáveis de entrada e

uma de saída, o que, na literatura é descrito como MISO, posto que em Inglês MISO

significa “multiple input and simple output”; outros sistemas são descritos por MIMO

(multiple input and multiple output).

3.2.4 Como remover variáveis de entrada e/ou de saída

Para remover “caixas” de variáveis de entrada e/ou de variáveis de saída,

pressionar o botão esquerdo do mouse uma vez na “caixa” correspondente à variável

que se quer remover, seguindo a opção:

E d i t A d d V a r i a b l e s

R e m o v e S e l e c t e d V a r i a b l e

como mostra o que está destacado na Figura 4.

Figura 4: Opção selecionada para aremoção de variáveis de entrada e/ou saída

12

3.2.5 Como mudar o nome das variáveis de entrada e/ou saída

Nesta etapa serão dados nomes às variáveis de entrada e de saída. Para mudar o

nome das “caixas” das variáveis de entrada, e/ou de saída, pressionar o botão esquerdo

do mouse em cima da “caixa” que se quer renomear, escrever o nome escolhido no local

destacado em vermelho no canto inferior direito como indicado nas Figuras 5a e/ou 5b

respectivamente e pressionar a tecla Enter.

Escolher o Nome

Figura 5a: Mudança do nome das variáveis de entrada

Escolher o Nome

Figura 5b: Mudança do nome das variáveis de saída

13

3.2.6 Como alterar o domínio das variáveis de entrada e/ou saída

A primeira alteração que deve ser feita dentro das “caixas” das variáveis de

entrada e/ou saída, para que estas fiquem representativas do problema que se quer

estudar, é a determinação do domínio de cada uma dessas variáveis. Para tanto se deve

pressionar o botão esquerdo do mouse na “caixa” da variável, alterando-se o que está

destacado no que mostram as Figuras 6a, no caso das variáveis de entrada, e 6b no caso

das variáveis de saída, e pressionar a tecla Enter.

D e f i n i r o D o m í n i o

Figura 6a: Definição do domínio das variáveis de entrada

Def in ir o Domínio

Figura 6b: Definição do domínio das variáveis de saída

Este procedimento deve ser repetido tantas vezes quanto for o número de

“caixas” de variáveis de entrada e/ou saída que se quer alterar o domínio.

14

3.2.7 Funções de pertinência.

De acordo com o que consta na secção 3.2.2, um conjunto fuzzy é caracterizado

por uma função de pertinência que assume valores dentro do intervalo [0,1]. Enquanto

na teoria de conjuntos clássica, a função de pertinência assume apenas os valores zero-

indicando que o elemento não pertence ao conjunto-, ou um- indicando que o elemento

pertence ao conjunto-, na teoria de conjuntos fuzzy, os elementos podem estar

associados a graus de pertinência entre zero e um indicando que os mesmos podem

pertencer parcialmente a um conjunto.

A princípio, qualquer função que associe valores entre zero e um a elementos de

um dado conjunto, pode ser tomada como função de pertinência. Entretanto, na escolha

de tais funções, deve-se levar em conta o contexto em que estas serão utilizadas na

representação das variáveis lingüísticas. Neste sentido, tanto o número quanto o formato

das funções de pertinência devem ser escolhidos de acordo com o conhecimento sobre o

processo que se quer estudar. Uma breve descrição de funções de pertinência do método

de Mamdani pode ser vista no ANEXO 1.

3.2.7.1 Como alterar o número e o formato das funções de pertinência

Para se alterar o número e o formato das funções de pertinência das variáveis

de entrada deve-se, a partir do que está indicado na Figura 6a, pressionar o botão

esquerdo do mouse nas seguintes opções:

Edit Remove

all MFs

e posteriormente, em:

Edit Remove all

Add MFs

A partir do que aparecerá o que mostra a Figura 7a.

15

Figura 7a: Escolha do número e da forma das funções de pertinência para variáveis de entrada

De acordo com as Figuras 7b e 7c, que exibem uma ampliação da região

destacada na Figura 7a, deve-se escolher a quantidade e o tipo das funções de

pertinência.

Escolhidos o número e o formato das funções de pertinência deve-se pressionar

em “OK”. Tal procedimento deve ser repetido para todas as variáveis de entrada.

Para se alterar o número e o formato das funções de pertinência das variáveis de

saída deve-se seguir os mesmos procedimentos já descritos para as variáveis de entrada,

porém a partir do que está ilustrado na Figura 6b.

Escolha o Número de Funções de Pertinência

Figura 7b: Escolha do número de funções de pertinência para variáveis de entrada.

16

Escolha o Formato da Função de Pertinência

Figura 7c: Escolha do formato das funções de pertinência para variáveis de entrada.

3.2.7.2 Como alterar o domínio e o nome das funções de pertinência

Uma vez selecionados o número e formato, deve-se determinar, para cada uma

das funções de pertinência, os valores associados à máxima pertinência, onde a função

de pertinência é igual a um, e os valores associados à mínima pertinência, onde o valor

da função de pertinência é igual a zero. Tal procedimento é diferente para os distintos

formatos de funções de pertinência disponíveis no Fuzzy Logical Toolbox. Os formatos

mais comumente utilizados para funções de pertinência são os triangulares (trimf), os

trapezoidais (trapmf) e os gaussianos (gaussmf). Por esta razão, neste manual, apenas

para estes formatos serão indicados quais procedimentos devem ser seguidos.

3.2.7.2.1 Funções de pertinência triangulares (trimf)

As funções de pertinência triangulares são caracterizadas por uma terna ( a, b,

c), onde a e c determinam o intervalo dentro do qual a função de pertinência assume

valores diferentes de zero, e b é o ponto onde a função de pertinência é máxima. A

Figura 8 exibe uma função de pertinência triangular onde são destacados a, b e c. Nesta

figura encontram-se no eixo vertical os valores da função de pertinência e no eixo

horizontal os valores da variável que se quer estudar.

a

b

c

Figura 8: Função de pertinência triangular

17

O que de fato o toolbox aciona é a função:

  

  

>

≤< − −

≤< − −

=

cxse

cxbse bc xc

bxase ab ax

axse

xA

0

0

)(µ

Nome da Função de Pertinência

Pontos da Função de Pertinência.

(a= 0.1; b=0.5 e c= 0.9)

Domínio da variável de entrada input 1.

Formato da Função de Pertinência

Figura 9: Funções de pertinência triangular da variável de entrada Input1

Para se determinar os valores de a, b e c deve-se, na Figura 7c, escolher a opção

trimf. Como exemplo, como mostrado na Figura 9, escolheu-se, para a variável de

entrada input1, três funções de pertinência com formato triangular: mf1, mf2 e mf3,

sendo a=0,1;b=0.5 e c=0,9 para mf2. Os outros valores de a, b e c devem ser definidos

para cada uma das funções de pertinência.

Pressionando-se o botão esquerdo do mouse em cima da função de pertinência

que se quer alterar, esta aparecerá destacada em vermelho, como é o caso da função mf2

que aparece na Figura 9. Nos locais indicados nesta mesma Figura, deve-se selecionar

um nome apropriado para cada função de pertinência, e digitar entre os colchetes,

separados por um espaço, os valores de a, b,c e pressionar a tecla Enter.

18

Caso haja interesse pode-se utilizar em uma mesma variável de entrada e/ou

saída, funções de pertinência com formatos distintos. Para tanto basta escolher outro

formato no local indicado na Figura 9.

3.2.7.2.2 Funções de pertinência Gaussianas (gaussmf)

As funções de pertinência Gaussianas são caracterizadas pela sua média (µ) e seu desvio padrão (σ). Este tipo de função de pertinência tem um decaimento suave e tem valores diferentes de zero para todo domínio da variável estudada. A Figura 10

exibe uma função de pertinência Gaussiana. Nesta figura encontram-se no eixo vertical

os valores da função de pertinência e no eixo horizontal os valores da variável que se

quer estudar.

Figura 10: Função de pertinência gaussiana.

Neste caso, a função que o toolbox aciona é:

  

−− =

)2/))(exp(

0 )(

22 σν µ

x

domíniodoforaestáxse xA

Para se escolher o formato Gaussiano para as funções de pertinência de uma

variável de entrada e/ou saída, deve-se escolher a opção gaussmf (ver Figura 7c). Como

exemplo, observa-se na Figura 11 que se escolheu, para a variável de entrada input1,

três funções de pertinência com formato Gaussiano.

19

Figura 11: Funções de pertinência gaussiana da variável de entrada Input1

A média (µ) e o desvio padrão (σ)devem ser definidos para cada uma das funções de pertinência. Clicando-se uma vez em cima da função de pertinência que se

quer alterar, esta aparecerá destacada em vermelho, como é o caso da função mf2 que

aparece na Figura 11. Nos locais indicados nesta mesma Figura, deve-se selecionar um

nome apropriado para cada função de pertinência, e digitar entre colchetes, separados

por um espaço, os parâmetros µ, σ e pressionar a tecla Enter.

3.2.7.2.3 Funções de pertinência trapezoidal (trapmf)

As funções de pertinência trapezoidais são caracterizadas por um conjunto de

quatro valores de a, b, c e d, onde a e d determinam o intervalo dentro do qual a função

de pertinência assume valores diferentes de zero, e b e c determinam o intervalo dentro

do qual a função de pertinência é máxima e igual a 1. A Figura 12 exibe uma função de

pertinência trapezoidal onde podem são destacados os pontos a, b, c e d. Nesta Figura

encontram-se no eixo vertical os valores da função de pertinência e no eixo horizontal

os valores da variável que se quer estudar.

20

a d

b c

Figura 12: Função de pertinência trapezoidal

Neste caso, é acionada a função:

   

   

>

≤< − −

≤≤

≤< − −

=

dxse

dxcse cd xd

cxbse

bxase ab ax

axse

xA

0

1

0

)(µ

Para se determinar, dentro do Fuzzy Logical Toolbox os valores de a, b,c e d,

deve-se escolher a opção trapmf (ver Figura 7c). Como exemplo, como se pode

observar na Figura 13, escolheu-se, para a variável de entrada input1, três funções de

pertinência com formato trapezoidal.

Pressionando-se uma vez em cima da função de pertinência que se quer alterar,

esta aparecerá destacada em vermelho, como é o caso da função mf2 que aparece na

Figura 13. Nos locais indicados nesta mesma Figura, deve-se selecionar um nome

apropriado para cada função de pertinência, e digitar entre os colchetes, separados por

um espaço, os valores de a, b, c, d epressionar a tecla Enter.

21

Nome da Função de Pertinência

Formato da Função de Pertinência

Pontos da Função de Pertinência ( a=0.05;b= 0.45;c=0.55 ed= 0.95 )

Domínio da Variável de entrada input1

Figura 13: Funções de pertinência trapezoidal da variável de entrada Input1

Os valores de a, b,c e d devem ser definidos para cada uma das funções de

pertinência.

3.3 Como criar a base de regras

Após os procedimentos descritos anteriormente, deve-se criar a base de regras.

Para tanto pressionar o botão esquerdo do mouse em:

Edit Rules

que aparecerá na janela o que mostra a Figura 14.

22

Conexão entre as Variáveis de Entrada

Peso da Regra (Valores entre Zero e Um)

Variáveis de Entrada Variável de Saída

Apaga a Regra Selecionada Cria uma Nova Regra

Altera a Regra Selecionada

Quadro Onde as Regras Criadas são Automaticamente Exibidas

Determina que a Variável de Entrada e/ou de Saída não está

em um Determinado Nível

Figura 14: Base de regras.

A Figura 14 exibe um exemplo em que duas regras já foram inseridas. Na

construção de cada regra deve-se definir a conexão entre as variáveis de entrada e as

variáveis de saída, através dos operadores lógicos, e pressionar o botão esquerdo do

mouse em add rule.

No final deste processo tem-se a formação do sistema de controle fuzzy.

3.4 Como utilizar o sistema de controle fuzzy

Construído o sistema de controle fuzzy pode-se arbitrar valores numéricos para

as variáveis de entrada, simulando cenários factíveis, do ponto de vista do especialista,

para observar e analisar os valores obtidos para cada variável de saída. Para tanto, em

qualquer tela dentro doFuzzy Logical Toolbox, pressionar o mouse em:

View View Rules

23

do que aparecerá o que mostra a Figura 15.

Valores das Variáveis de entrada

Valores da Váriavel de Saída

Figura 15: Um cenário resultante da seleção de valores das variáveis de entrada e os associados valores

de saída.

Para o sistema ilustrado na Figura 15, atribuiu-se o valore 0,555 para a variável de

entrada 1 e o valor 0,777 para a variável 2. Como saída, o sistema fuzzy gerou o valor

0,617, cuja interpretação é a que permite o suporte a decisão como será explicado

posteriormente. Para se arbitrar diferentes valores para as variáveis de entrada pode-se

proceder de duas formas a partir do que mostra a Figura 15:

a) Pressionando e arrastando o mouse nas barras verticais vermelhas destacadas;

ou

b) Digitando os valores desejados no local destacado como “valores das

variáveis de entrada”,

Como, para cada valor atribuído às variáveis de entrada o sistema gera um valor

para a variável de saída, nota-se que o sistema fuzzy neste caso desempenha o papel

de uma função de duas variáveis com valores reais, cujo gráfico tridimensional (3D)

é a superfície gerada pelas operações lógicas específicas.

24

3.5 Como visualizar a superfície 3D

Para visualizar-se a superfície formada pelas variáveis de entrada e de saída, em

qualquer tela dentro doFuzzy Logical Toolbox, pressionar o botão esquerdo do mouse

em:

View View RulesView Surface

do que aparecerá o que está ilustrado na Figura 16.

Variável de Entrada Escolhida para o Eixo X

Número de Pontos na Malha

Variável de Entrada Escolhida para o Eixo Y

Variável de Saída Escolhida para o Eixo Y

Figura 16: Superfície 3D gerada

A partir do que mostra a Figura 16, é possível se obter gráficos bidimensionais,

de qualquer uma das variáveis de entrada em funçãoda variável de saída. Para tanto,

basta escolher a variável de entrada que deve permanecer e escolher a opção none no

local destinado à outra.

3.6 Como salvar e carregar o sistema de controle fuzzy

O sistema de controle fuzzy pode ser salvo a partir de qualquer uma das telas

dentro do Fuzzy Logical Toolbox. Para salvar, pressionar o botão esquerdo do mouse

em:

25

File Save to Disk

como aparece na Figura 17.

Figura 17: Gravação do sistema controle fuzzy.

daí aparecerá o que ilustra a Figura 18.

Figura 18: Escolha do local e do nome do arquivo a ser salvo

e onde se pode escolher a localização e o nome do arquivo nos locais destacados nos

cantos superior e inferior esquerdo da Figura 18 respectivamente.

26

Por outro lado, para carregar,siga os procedimentos descritos nas Seções 3.1 e

3.2.1. Pressionar o mouse em File; Import; From Disk, como indicado na Figura 19.

Figura 19: Conjunto de opções para carregar o sistema de controle fuzzy.

daí aparecerá o que mostra a Figura 20.

NOME

Figura 20: Escolha do local e do nome do sistema de controle fuzzy.

27

3.7 Casos especiais

3.7.1 Base de Regras Incompletas.

Na construção de um sistema de regras fuzzy deve-se sempre avaliar se a base de

regras que está sendo utilizada é COMPLETA, isto é, deve-se fazer o seguinte questionamento: Há regras suficientes para cobrir toda a extensão do problema

estudado?

Para responder esta questão, considera-se uma variável fuzzy V, como

representada graficamente na Figura 21, onde se pode observar que há uma parte do

domínio da variável V que não está representada ou coberta.

Entretanto, mesmo neste caso, o Fuzzy Logical Toolbox, do MATLAB

fornece uma saída que corresponde ao ponto médio do domínio da variável

Resposta, mas que por outro lado não é representativa do problema que está sendo

utilizado.

0 0 . 1 0 . 2 0 . 3 0 . 4 0 . 5 0 . 6 0 . 7 0 . 8 0 . 9 1

0

0 . 2

0 . 4

0 . 6

0 . 8

1

A

Reg ião Descober ta

Figura 21: Base de regras incompleta

28

3.7.72 Base de Regras Redundantes.

Na construção de um sistema de regras fuzzy também se deve verificar se não há

regras desnecessárias e que podem ser removidas do sistema. Para verificar esta

situação, considere uma variável fuzzy Vcomorepresentada graficamente na Figura 22,

onde se pode observar que os conjuntos fuzzy azul e vermelho já representam ou cobrem

todo o domínio da variável. Sendo assim, o conjunto fuzzy verde é redundante.

Entretanto, mesmo neste caso, o Fuzzy Logical Toolbox, do MATLAB

fornece uma saída.

0 1 2 3 4 5 6 7 8 9 1 0

0

0 . 2

0 . 4

0 . 6

0 . 8

1

Figura 22: Base de regras redundantes .

Estes dois exemplos, experimentados até então só pelo segundo autor, ilustram o

necessário conhecimento do modelo a ser analisado bem como dos procedimentos

básicos do uso da teoria fuzzy no MATLAB.

29

3.8 Outros comandos úteis fora do Fuzzy Logical Toolbox

Os comandos que serão apresentados nesta seção devem ser digitados dentro da

janela de comando como aparece na Figura 1.

Para definir uma variável de nome “nome” faça:

>>nome = readfis('nome do arquivo gerado na Seção 3.6.2 ')

3.8.1 Como gerar gráficos das funções de pertinências associadas às

variáveis de entrada

Para gerar os gráficos faça:

>>plotmf(nome,'input',n)

onde n é o número associado à variável de entrada que se queira obter o gráfico.

Por exemplo, para n=1, faça:

>>plotmf (nome,'input',1)

Do que aparecerá o que mostra a Figura 23:

Figura 23: Função de pertinências associada à primeira variável de entrada (input1)

30

3.8.2 Como gerar gráficos das funções de pertinências associadas às

variáveis de saída

Para gerar os gráficos de pertinência faça:

>> plotmf (nome,'output',n)

Onde n é o número associado à variável de saída que se querem obter o gráfico.

Por exemplo, para n=1, faça:

>> plotmf(nome,'output',1)

Do que aparecerá o que mostra a Figura 24:

Figura 24: Função de pertinências associada a primeira variável de saída (output1).

3.8.3 Como obter o resumo do sistema de controle fuzzy

Para obter o resumo do sistema de controle faça:

>>plotfis(nome)

Do que aparecerá o que mostra a Figura 25:

31

Figura 25: Resumo do sistema de controle fuzzy.

3.8.4 Como gerar o gráfico da superfície 3D

Para gerar a superfície 3D faça:

>>gensurf(nome)

Do que aparecerá o que mostra a Figura 28:

Figura 28: Gráfico da superfície 3D

32

3.9 Outras informações úteis aos usuários que querem copiar em seus

arquivos o que o toolbox mostra em suas janelas.

1) Estando na janela da figura, selecionar a seqüência de opções/instruções:

edit =>copy options=>figure=> copy templates=> word => apply to figure =>ok

edit =>copy figure

2) Estando no texto do arquivo Word, selecionar a seqüência de opções/instruções:

paste => como figura

33

4. Agradecimentos

À Profa. Dra. Maria José Castanho, pela dedicação na apresentação de

exemplos práticos.

À Profa. Dra. Irenilza de Alencar Nääs pela solicitação e subseqüente uso

intensivo deste manual no desenvolvimento de pesquisas.

Aos alunos Douglas D`Alessandro Salgado e Marcos Paulo G de Queiroz,

alunos da pós graduação e graduação da FEAGRI respectivamente, pelos testes de

compreensão realizados a partir da primeira versão deste manual; a orientada de IC

Bianca M Watanabe e ao aluno do curso de doutorado Mario Mollo Neto, pelo uso e

pela dedicação na disciplina de Estudo Dirigido em Construções Rurais e Ambiência -

AP 182N/2004 respectivamente.

Ao querido Prof. Dr. Rodney C. Bassanezy, pela apresentação e discussão de

conceitos teóricos necessários para o uso adequado desta teoria.

34

5. Referências

AMENDOLA, M. Ciclo de Palestras Realizadas na Faculdade de Engenharia Agrícola

(FEAGRI-UNICAMP). 2002-2004 (www.agr.unicamp.br)

AMENDOLA, M.; CASTANHO, M.J.; NÄÄS, I.A.; SOUZA, A.L. Análise matemática

de condições de conforto térmico para avicultura usando a teoria dos conjuntos fuzzy.

Biomatemática. IMECC-UNICAMP, Campinas, v.14, p.87 - 92, 2004.

AMENDOLA, M. & WATANABE, B. M. Análise das condições de conforto de

frangos de corte utilizando a teoria dos conjuntos fuzzy.In: 40 Congresso Temático de

Dinâmica, Controle e Aplicações - DINCON – 2005. UNESP, Bauru - SP. 8p.

AMENDOLA, M., MOLLO, M. & CRUZ, V. F. Using fuzzy sets theory to improve the

animal productivity. EFITA/WCCA - 2005. PORTUGAL. 8p.

BARROS, L.C. Sobre sistemas dinâmicos fuzzy: Teoria e Aplicações. Tese de

doutorado IMECC-UNICAMP, Campinas. 1997. 103p.

BARROS, L. C. Teoria fuzzy x Biomatemática. Apostila de mini-curso.

IMECC/UNICAMP. Campinas, SP. 2002. 52p.

BARROS, L.C., BASSANEZI, R. C., ZOTIN, OLIVEIRA, R. G. - Fuzzy Differential

Inclusion: An Application to EpidemiologyIn: Soft Methodology and Random

Information Systems ed. Warsaw: Springer, 2004, p. 631-637.

BARDOSSY,A.; DUCSTEIN, L. Fuzzy Rule-Based Modeling with Applications to

Geophysical, Biological and Engineering Systems. Flórida: CRC, 1995. 232p.

CASTANHO, M.J.P., Construção e avaliação de um modelo matemático para predizer a

evolução do câncer de próstata e descrever seu crescimento utilizando a teoria dos

conjuntos fuzzy.Tese de Doutorado. FEEC/UNICAMP, Campinas. 2005 125p.

HANSELMAN, D.; LITTLEFIELD, B. MATLAB® 6: Curso completo. São Paulo :

Prentice Hall, 2003. 676p.

35

KLIR G.J., YUAN B. Fuzzy Sets and Fuzzy Logic: Theory and Applications .

Prentice Hall, New Jersey.1995. 574p.

MAGNAGO, K.F., Abordagem Fuzzy em Modelos Populacionais Discretos:

Metapopulação de Moscas Varejeiras. Tese de Doutorado. IMECC/UNICAMP,

Campinas. 2005. 165p.

MAMDANI, E. H.; ASSILAN, S. A. An experiment in linguistic synthesis with a

fuzzy logic controller. Int. J. Man - machine Studies, 7. 1975. p1-13.

MOURA, D. J.; NAAS, I. A.; QUEIROZ, M. P. G. AMENDOLA, M. Estimating

thermal comfort and solar orientation in broiler housing using fuzzy logic. In: VI

CONGRESO LATINOAMERICANO Y DEL CARIBE DE INGENIERIA

AGRÍCOLA, 2004, San José, Costa Rica. Memoria...Asociación Costaricense de

Ingenieros Agrícolas, 2004, p. 1-7. CD

ORTEGA, N.R.S. Aplicação da Teoria da Lógica Fuzzy a Problemas de Biomedicina.

Tese de doutorado IF-USP. São Paulo. 2001. 153p

PEDRYCZ, W. GOMIDE, F. An introduction to fuzzy sets: analysis and design.

Bradford. Imprenta Cambridge, 1998. 465p.

PEIXOTO, M. S., Sistemas dinâmicos e controladores fuzzy: um estudo sobre a

dispersão da morte súbita dos citros em São Paulo. Tese de Doutorado.

IMECC/UNICAMP, Campinas. 2005. 171p.

QUEIRÓZ, M.P.G; NÄÄS, I. A.; AMENDOLA, M.; SAMPAIO, C. A. P. Estimating

tolerance limit to aggressive environment in swine production. In: CIGR

INTERNATIONAL CONFERENCE. Beijing, China. Proceedings. CD. 2004, p.1-7.

RIBACIONKA, F. Sistemas Computacionais Baseados em Lógica Fuzzy. Tese de

Mestrado. Universidade Mackenzie, São Paulo. 1999. 118p

ZADEH, L.A. Fuzzy Sets. Information and control. v.8. 1965. p. 338-353.

36

ANEXO 1

Para modelar matematicamente a base de regras, Mamdani e Assilian

propuseram uma relação fuzzy binária M entre as entradas x e as saídas u, cuja função de

pertinência está descrita como segue: em cada uma das regras da base de regras fuzzy,

adota-se o operador matemático mínimo para o conectivo lógico “e” e o operador

máximo para o conectivo lógico “ou” . As sentenças “se ...então ...” são modeladas pela

aplicação mínimo, que erroneamente costuma ser denominada por implicação de

Mamdani (o mínimo não é uma implicação fuzzy).

Formalmente, a relação fuzzyM é o subconjunto fuzzyX U cuja função de pertinência é dada por

)]},(),([{),( 1 uxmínimomáximoux jj BAnjM ϕϕϕ ≤≤=

onde n é o número de regras que compõem a base de regras, e )(x jA

ϕ e )(u jB

ϕ são os

graus com que x e u pertencem aos conjuntos fuzzyAj e Bj, respectivamente.

Como o caso de interesse aqui é para entradas crisps (números), vamos detalhar

melhor a relação fuzzyM para o caso de duas entradas e uma saída. Sejam R1 e R2 duas

regras:

R1 : Se x1 é 11A e x2 é 1 2A então u é 1B

R2 : Se x2 é 21A e x2 é 2 2A então u é 2B .

Neste caso, para cada terna (x1, x2, u) tem-se

)]},(),(),([)],(),(),([{),,( 2

2 2

12 11

21 2

11 1

221 uxxmínimouxxmínimomáximouxx BAABAAM ϕϕϕϕϕϕϕ =

37

representando a relação fuzzy obtida da base de regras pelo método de Mamdani.

Agora, para um par de entradas 11 xx = e 22 xx = , o conjunto fuzzy de saída,

representando o controle a ser adotado para esse par, é dado pela função de pertinência

[{ )]}(),(),,,()( 2}{1}{21),( 2121 xxuxxmínimomáximou xxMxxB χχϕϕ =

[{ )]}(),(),,,( 2}{1}{21 21 xxuxxmínimomáximo xxM χχϕ=

),,( 21 uxxMϕ= ,

1 se 11 xx = 1 se 22 xx =

onde: )( 1}{ 1 xxχ = e =)( 2}{ 2 xxχ

0 se 11 xx ≠ 0 se 22 xx

são as funções características de { }1x e { }2x , respectivamente.

Para uma visualização da metodologia, o leitor pode acompanhar graficamente o

método de Mamdani segundo o esquema das figuras 1 e 2 que seguem.

38

Figura 1 - Representação esquemática do método de Mamdani

Figura 2 - Representação da saída final do método de Mamdani

Pode ser visto, através do exemplo acima, que a saída do controlador fuzzy, dada

pelo método de inferência de Mamdani, é um conjunto fuzzy mesmo para o caso de uma

entrada crisp. Este fato é que sugere a defuzzificação do conjunto fuzzy de saída para se

obter um valor crisp que o represente.

São muitos os métodos de defuzzificação que podem ser adotados. A princípio,

qualquer número real, que de alguma maneira possa representar “bem” o conjunto fuzzy

B pode ser chamado de defuzzificador de B. Aqui será citado o mais comum que faz

parte do método de Mamdani. Tal método (chamado de centro de gravidade) de

defuzzificação é semelhante a média aritmética para uma distribuição de dados, com a

diferença que os pesos aqui são valores )( iB uϕ que indicam o grau de compatibilidade

do valor ui com o conceito modelado pelo conjunto fuzzyB.

A defuzzificação de B, para um domínio discreto, é

. )(

)(

)(

0

0

=

== n

i iB

n

i iBi

u

uu BD

ϕ

ϕ

e para um domínio contínuo

39

∫ ∫

=

R B

R B

duu

duuu BD

)(

)(

)( ϕ

ϕ

A defuzzificação pela média do máximo está representada pela figura 3 que

segue, e é calculada tendo como base a saída fuzzy a partir da agregação dos resultados.

Figura 3 - Defuzzificação pela composição da média do Máximo.

Partindo da Figura 3, observam-se os pontos p1 e p2 que compõem o valor de p através da fórmula:

2/)( 121 pppp −+=

onde p é o centro dos máximos, que encontra as duas regiões com maior grau de pertinência. O valor de p é calculado pela média entre os pontos p1 e p2 indicados na Figura 3.

40

ANEXO 2

ANÁLISE MATEMÁTICA DE CONDIÇÕES DE CONFORTO TÉRMICO

PARA AVICULTURA USANDO A TEORIA DOS CONJUNTOS FUZZY

AMENDOLA, M.

CASTANHO M. J.

NAAS, I. A.

SOUZA, A.L.

Resumo :Este material foi elaborado para ser usado como exemplo a ser reproduzido na

atividade “oficina”, dentro do Ciclo de Palestras III/2004 realizado na FEAGRI, que foi

extraído de um resumo expandido de artigo publicado no COMBEA – 2004 e

posteriormente publicado na revista Biomatemática, v.14, p.87 - 92, 2004, do

IMECC/UNICAMP.

Palavras –chave: Análise fuzzy, suporte à decisão, conforto térmico, frangos de corte.

Introdução e Objetivos :

A partir das palestras de vários convidados que apresentarem tanto pesquisas já

realizadas na área de saúde, como, por exemplo, da Msc. Rosana Jafelice (2002), quanto

do MATLAB 6.5, como, por exemplo, a da MSc. Maria José Castanho (2003), foi

possível o amadurecimento de nossos conhecimentos teóricos e práticos desta

ferramenta. Neste sentido, este trabalho foi pioneiro ao divulgar esta ferramenta

matemática como promissora na análise de sistemas e/ou processos das diversas áreas

da Engenharia Agrícola, particularmente na área de Construções Rurais e

especificamente para a área de Produção Animal, como descrito no que segue, para

analisar como a composição das variáveis climáticas independentes, tais como a

temperatura e umidade relativa do ar, influenciam a variável dependente denominada

conforto térmico.

41

Para tanto é necessária a construção de regras segundo o conhecimento de

especialistas, a partir das quais é possível simular cenários distintos para o suporte à

decisão de construção do galpão para a criação de animais.

Para o estudo de caso de galpões para a criação de frango de corte, seguem as

especificações do material, método, resultados e discussões relativas ao modelo

formulado como exercício aos participantes da oficina.

Material, Métodos, Resultados e Discussões:

O material a ser usado consta das informações extraídas de PEREIRA (2002),

baseado nos trabalhos de TINÔCO (2001) e COSTA (1994), do que se tem o que consta

na Tabela 1.

Temperatura (ºC)UR (%) <12 12-21 21-24 24-29 >29

<70 Ruim médio bom bom ruim 70-80 Ruim bom bom médio ruim >80 Ruim médio bom ruim ruim

Tabela 1: Classificações em termos lingüísticos do estado de conforto térmico como função de faixas de

Temperatura T (ºC) e de Umidade Relativa UR (%) do ar.

Para a variável lingüística umidade relativa, foi considerado o domínio no

intervalo [50, 100], representando as faixas < 70, 70-80 e > 80 pelos termos

lingüísticos: baixa, média e alta respectivamente.

Para a variável lingüística temperatura, foi considerado o domínio no intervalo

[5, 35], representado as faixas < 12, 12-21, 21-24, 24-29 e > 29 pelos termos: muito

baixa, baixa, média, alta e muito alta.

Tomando por base as questões incertas, com relação aos limites do conforto

ambiental para matrizes de frango de corte, que atualmente aparecem na literatura, foi

criado um cenário para a variável de sensação de conforto térmico com os termos:

ruim, médio e bom, num domínio [0, 1] de forma que o valor próximo do zero indica a

pior sensação e perto do 1, a melhor.

42

As funções de pertinência selecionadas em ambas variáveis foram as

trapezoidais, mas podem ser alteradas após consulta ao especialista.

O método de inferência utilizado foi o Método de Mamdani que combina os

graus de pertinência referentes a cada um dos valores de entrada, através do operador

mínimo e agrega as regras através do operador máximo.

À medida que foram procedidas as análises para o cenário simulado, os valores

da Tabela 1 foram alterados, em função das regras sugeridas por especialista.

A base de regras composta por uma coleção de proposições fuzzy, apresentadas

na forma se-então, foi construída a partir da informação da Tabela 1 e com auxílio do

especialista, do que se obtém o que mostra a Tabela 2.

Tabela 2: Composição da Base de Regras utilizando as variáveis de entrada (Umidade Relativa- UR e

Temperatura- T) e de saída (Conforto Térmico - CT).

1. Se (UR é Baixa) e (T é Muito-baixa) então (CT é Ruim) (1)

2. Se (UR é Baixa) e (T é Baixa) então (CT é Médio) (1)

3. Se (UR é Baixa) e (T é Média) então (CT é Bom) (1)

4. Se (UR é Baixa) e (T é Alta) então (CT é Bom) (1)

5. Se (UR é Baixa) e (T é Muito-Alta) então (CT é Ruim) (1)

6. Se (UR é Média) e (T é Muito-baixa) então (CT é Ruim) (1)

7. Se (UR é Média) e (T é Baixa) então (CT é Bom) (1)

8. Se (UR é Média) e (T é Média) então (CT é Bom) (1)

9. Se (UR é Média) e (T é Alta) então (CT é Médio) (1)

10. Se (UR é Média) e (T é Muito-Alta) então (CT é Ruim) (1)

11. Se (UR é Alta) e (T é Muito-baixa) então (CT é Ruim) (1)

12. Se (UR é Alta) e (T é Baixa) então (CT é Médio) (1)

13. Se (UR é Alta) e (T é Média) então (CT é Bom) (1)

14. Se (UR é Alta) e (T é Alta) então (CT é Ruim) (1)

15. Se (UR é Alta) e (T é Muito-Alta) então (CT é Ruim) (1)

Nesta Tabela 2, os valores entre parênteses indicam o peso da informação, que

pode estar em [0,1], dependendo da indicação pelo especialista.

43

A Figura 1 mostra a superfície 3D da variação não-linear da sensação de

conforto térmico, como função da Umidade Relativa e Temperatura do ar e foi gerada a

partir da Base de Regras estabelecidas na Tabela 2. Isto posto, e dados valores de

temperatura e umidade relativa do ar, tem-se como resultado a inferência de um

valorα , no intervalo [0,1] que representa a sensação de conforto térmico das matrizes. Neste sentido, é possível obter uma saída do sistema de inferência para, por exemplo,

uma temperatura de 26 ºC e umidade relativa de 75%, e, após a defuzzificação encontra-

se o valor α de 0,54, orientando que estas temperatura e umidade relativa dos ar geram condições de um ambiente de sensação de conforto térmico médio. Esta é a

interpretação que permite o suporte a decisão.

Figura 1: Superfície 3D-Sensação térmica como função da temperatura e umidade relativa do ar.

Este resultado auxilia no suporte a decisão do controle da climatização do

galpão, garantindo assim uma melhor produção. Isso em geral é realizado pela

manutenção da variável temperatura, uma vez que o controle da umidade relativa

mostra-se operacionalmente complexo.

Conclusões:

O uso da teoria dos Conjuntos Fuzzy é de interesse e utilidade para a

continuidade de pesquisas desta natureza, pois permite a flutuação dos parâmetros com

resultados que concordam com as regras estabelecidas por especialistas. Nesse sentido,

44

já vêm sendo criados cenários para suporte a decisão na determinação da zona de

termoneutralidade de algumas espécies em produção industrial.

Ressalta-se que a observação e o armazenamento de informações e dados do

modelo que se quer analisar desempenham um papel decisivo nos resultados desse tipo

de análise.

O uso dessa técnica pode contribuir com o avanço significativa desta área de

pesquisa, quando seus resultados forem associados aos dados de produção, o que já vem

sendo estudado na Faculdade de Engenharia Agrícola da UNICAMP.

Referências citadas

AMENDOLA, M. Modelagem matemática e simulação numérica para suporte a decisão

de sistemas agrícolas. Ciclo de Palestras. CPG/FEAGRI.( www.agr.unicamp.br).

COSTA, C. A – Pontos Críticos do manejo de matrizes, Manejo de Matrizes, Campinas:

Fundação Apinco de Ciência e Tecnologia Avícolas, 1-10p., (1994)

JAFELICE, R., BARROS, L., BASSANEZI, R. e GOMIDE, F. – Modelos

Epidemiológicos com Parâmetros Subjetivos – Relatório Técnico – FEEC-

UNICAMP, (2001).

PEREIRA, D. F. - Avaliação do comportamento individual de matrizes pesadas (frango

de corte) em função do ambiente e identificação da temperatura crítica máxima.

Dissertação de Mestrado. FEAGRI-UNICAMP. Campinas SP (2002).

TINOCO, I.F.F. Ambiência e instalações na produção de matrizes avícolas, In. SILVA,

I.J.O, Ambiência na produção de aves em clima tropical, vol.2, p 1-74, (2001).

Até o momento nenhum comentário
Esta é apenas uma pré-visualização
3 mostrados em 46 páginas