[pt] A identificação de sistemas é focalizada sob o ponto de vista da aproximação estocástica. Um sistema sem memória e invariante no tempo, com função completamente desconhecida é identificado por intermédio de uma estimação, que minimiza o critério do erro médio quadrático, tomando como base um conjunto de funções pré- selecionadas e linearmente independentes. A identificação do sistema é obtida através de uma algoritmo recursivo de aproximação estocástica, que converge para o valor real dessa estimativa, com probabilidade 1 e no sentido da média quadrática. Um estudo da aceleração desse algoritmo é efetuado, comprovando a existência de uma seqüência capaz de otimizá-lo. É demonstrada a aplicação desse algoritmo para identificação de um sistema linear e invariante no tempo, entretanto a aceleração da convergência não é mais uma conseqüência do caso anterior. Ainda é apresentada uma tentativa de contornar o problema de acessibilidade dos estados, requerida pelo algoritmo de aproximação estocástica, utilizando simultaneamente à identificação dos parâmetros do sistema, os algoritmos do filtro de Kalman, para estimação dos estados / [en] The stochastic approximation approach is used for systems identification. A memoryless time-invariant system with functional form completely unknow is identified by means of an estimate based on a preselected and linearly independent set of function which minimizes the mean-square-error criterion. The system identification is obtained using a stochastic approximation recursive algorithm, which convergs to a real value of this estimate, with probability 1 and in the mean square sense. The acceleration study of this algorithm is developd by proving the existence of an optimal sequence. The application of this algorithm for a linear timevariant system identification is proved, nevertheless the convergence acceletation is not anymore a consequence of the last case. Next is presented a tentative to by-pass the problem of states accessibility, required for the stochastic approximation, using simultaneously parameters systems identification with the Kalman-filter algorithms for states estimation.

[pt] Sabe-se que a maioria das estruturas reais estão sujeitas à diferentes casos de carregamentos, relacionadas à diferentes solicitações estruturais e à ação de forças naturais, como ventos e ondas. Neste contexto, é importante levar em consideração o efeito da maior quantidade de cenários possíveis que possam atuar em uma estrutura ao realizar um estudo de otimização topológica. A maneira tradicional de solução deste tipo de probema envolve uma análise caso a caso dos cenários, o que no contexto de um algoritmo de otimização estrutural requer a solução de um problema de elementos finitos para cada cenário em cada passo do algoritmo, ficando limitada pelo elevado custo computacional associado. Esta limitação abre espaço para abordagens baseadas em redução de dimensões como a aproximação estocástica e a decomposição em valores singulares. Este trabalho verifica a viabilidade do uso destes dois métodos na solução de problemas de otimização topológica estrutural com muitos casos de carga. Duas aplicações são apresentadas, otimização robusta e o problema de cargas dinâmicas usando o método do carregamento estático equivalente. Com isso, situações envolvendo carregamentos mais complexos podem ser estudadas através de algoritmos eficientes de otimização topológica. Para ambos os casos, são mostrados resultados comparando os resultados obtidos através da metodologia desenvolvida neste trabalho com resultados da literatura. / [en] It is known that most real structures are subject to different loading scenarios, related to different structural solicitations and the action of natural forces, such as winds and sea waves. In this context, it is important to consider the effect of the largest number of possible scenarios that can act on a structure when performing a topology optimization study. The traditional way of solving this type of problem involves a case-by-case analysis of the scenarios, which in the context of a structural optimization algorithm requires the solution of one finite element problem for each scenario and at each step of the algorithm, being limited by the high associated computational cost. This limitation leave room for approaches based on dimenson reduction such as stochastic approximation and decomposition into singular values. This work verifies the feasibility of using these two approaches to solve structural topology optimization problems with many load cases. Two applications are presented, robust optimization and the problem of dynamic loads using the equivalent static loading method. Thus, situations involving more complex loads can be studied through efficient topology optimization algorithms. For both cases, comparisons are established between the results obtained through the methodology developed in this work and the ones from the literature.