Made available in DSpace on 2014-06-12T17:38:07Z (GMT). No. of bitstreams: 2 arquivo2435_1.pdf: 3502745 bytes, checksum: 4d9345dea9759878dee2a393aa22325a (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2009 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / Com o rápido aumento da capacidade computacional, o tema otimização avançou de maneira notável nos últimos anos. Atualmente inúmeras aplicações de projetos ótimos em diferentes especialidades, como mecânica estrutural, custos de produção, escoamento de fluidos, acústica, etc. têm sido descritas na literatura. Entretanto, na maioria das aplicações da engenharia, a abordagem tradicional é considerar modelos e parâmetros determinísticos. Infelizmente a abordagem determinística pode levar a soluções cujo desempenho pode cair significativamente devido às perturbações decorrentes das incertezas. Nestas circunstâncias, um objetivo melhor seria um projeto ótimo que tenha um alto grau de robustez. O processo de encontrar este ótimo é chamado Otimização Robusta (OR). Aqui, abordaremos duas técnicas para a análise de propagação de incerteza, não intrusivas, que utiliza modelos computacionais determinísticos: o método de Monte Carlo (MC) e o método da Colocação Probabilística ( Probabilistic Collocation Method ) (PCM). A análise de propagação de incerteza essencialmente envolve o cálculo de momentos estatísticos da função de interesse. Várias medidas de robustez têm sido propostas na literatura, em particular, o valor médio e o desvio padrão da função envolvida no problema de otimização serão considerados aqui. Quando estas medidas de robustez são usadas combinadas, a procura de projetos ótimos robustos surge como um problema de Otimização Multiobjetivo Robusta (OMR). Técnicas de Otimização Multiobjetiva permitem o projetista modelar um problema específico considerando um comportamento mais realista, o qual comumente envolve o atendimento de vários objetivos simultaneamente. O procedimento adequado, quando um problema multiobjetivo precisa ser resolvido, é determinar a fronteira de Pareto. Nos últimos 15 anos, distribuições eficientes de pontos de Pareto têm sido obtidas através de novos algoritmos como o NBI (Normal-Boundary Intersection) e o NNC (Normalized Normal-Constraint). Estas estratégias são implementadas aqui, junto com outras abordagens comumente utilizadas na literatura, como o método da soma ponderada e o método Min-Max. Como a geração de pontos de Pareto e a análise de incerteza podem ser muito custosas, técnicas de aproximação, baseada no uso do Método da Base Reduzida (MBR), são incorporadas ao nosso procedimento. O propósito do método é obter um modelo de alta fidelidade com custo computacional aceitável. Além disto, uma estratégia de separabilidade com uma decomposição afim, permite o desenvolvimento de uma estratégia eficiente de cálculo off-line/on-line , para a implementação computacional do MBR. Problemas contínuos em duas dimensões submetidos a carregamentos estáticos e térmicos são as aplicações consideradas neste trabalho, os desempenhos das diferentes estratégias examinadas são comparadas. A combinação das várias técnicas de aproximação descritas permitiu a obtenção das soluções OMR em pouco tempo computacional