O principal objetivo deste trabalho é contribuir para o desenvolvimento de uma nova técnica de reconstrução numérica do problema de tomografia por impedância elétrica. A abordagem adotada baseia-se na minimização de um funcional de erro convenientemente definido, cujo ponto de mínimo global está relacionado com a imagem do escoamento sensoriado. Nesta formulação, o mau condicionamento se manifesta através de características topológicas dos funcionais de erro (patologia) que prejudicam o desempenho dos métodos de otimização na obtenção do mínimo. Esta abordagem tem vantagens significativas em relação às abordagens tradicionais, normalmente baseadas em hipóteses restritivas e pouco realistas como, por exemplo, considerar o campo de sensoriamento bidimensional e paralelo, além de independente do escoamento. Testes numéricos permitiram realizar estudos preliminares sobre as características topológicas do funcional de erro, necessários para a seleção de métodos de otimização passíveis de serem especializados para a solução do problema tratado neste trabalho. Nestes testes identificou-se a patologia característica do problema tratado: presença de uma região plana (inclinação virtualmente nula) circundando o mínimo global procurado. Dentre os diferentes métodos de otimização considerados, optou-se pelo desenvolvimento de uma estratégia baseada em algoritmos genéticos, devido às suas características serem melhor adaptáveis à patologia do problema em questão. O desempenho do método de otimização desenvolvido foi testado extensivamente em dois problemas básicos: a) posicionar corretamente uma inclusão de forma e contraste conhecidos e b) determinar os valores do contraste em uma sub-região do domínio de sensoriamento, no interior do qual sabe-se que existe uma inclusão. No primeiro caso, os resultados mostraram que, de fato, o algoritmo genético superou a patologia do problema e convergiu para a solução correta. No segundo caso, de dimensionalidade maior, a convergência em um tempo aceitável só pode ser alcançada com a introdução de informações à priori, seja na forma de restrições sobre o espaço de busca, seja na forma de penalidades aplicadas ao funcional de erro. / The main objective of this work is to contribute to the development of a new two-phase flow tomographic reconstruction method suited for electrical impedance tomography. The adopted approach consists in minimizing an error functional, defined so that is global minimum is related with the sensed flow image. In this formulation, the ill conditioning appears through topological features of the error functionals (pathologies) which compromises the performance of the optimization algorithms employed to determine the minimum. This approach has several important advantages over the classical ones, generally based on restrictive and unrealistic hypothesis such as the sensing field being two-dimensional, parallel and independent of the flow. Numerical simulations permitted to conduct preliminary studies about the topological features of the error functional, necessary to select possible optimization methods to be specialized to reach the solution of the problem treated in this work. The characteristic pathology of the problem was identified in these tests: the presence of a flat region (virtually null inclination) around the sought global minimum. Among the different considered methods, genetic algorithms were adopted because of their characteristics of being best adaptive to the pathologies of the current problem. The performance of the developed optimization method was tested through extensive numerical tests in two basic problems: a) to correctly place aninclusion with known shape and contrast and b) to determine the values of the contrast inside a sub-region of the sensed domain, which is known that contains the inclusion. In the first case, results show that the genetic algorithm overcame the pathologies of the problem and converged to the correct solution. In the second case, with higher dimensionality, convergence was achieved in an acceptable time only after the introduction of a priori information, either in the form of restrictions on the search space or in the form of penalties applied to the error functional.

O principal objetivo deste trabalho é contribuir para o desenvolvimento de uma nova técnica de reconstrução numérica do problema de tomografia por impedância elétrica. A abordagem adotada baseia-se na minimização de um funcional de erro convenientemente definido, cujo ponto de mínimo global está relacionado com a imagem do escoamento sensoriado. Nesta formulação, o mau condicionamento se manifesta através de características topológicas dos funcionais de erro (patologia) que prejudicam o desempenho dos métodos de otimização na obtenção do mínimo. Esta abordagem tem vantagens significativas em relação às abordagens tradicionais, normalmente baseadas em hipóteses restritivas e pouco realistas como, por exemplo, considerar o campo de sensoriamento bidimensional e paralelo, além de independente do escoamento. Testes numéricos permitiram realizar estudos preliminares sobre as características topológicas do funcional de erro, necessários para a seleção de métodos de otimização passíveis de serem especializados para a solução do problema tratado neste trabalho. Nestes testes identificou-se a patologia característica do problema tratado: presença de uma região plana (inclinação virtualmente nula) circundando o mínimo global procurado. Dentre os diferentes métodos de otimização considerados, optou-se pelo desenvolvimento de uma estratégia baseada em algoritmos genéticos, devido às suas características serem melhor adaptáveis à patologia do problema em questão. O desempenho do método de otimização desenvolvido foi testado extensivamente em dois problemas básicos: a) posicionar corretamente uma inclusão de forma e contraste conhecidos e b) determinar os valores do contraste em uma sub-região do domínio de sensoriamento, no interior do qual sabe-se que existe uma inclusão. No primeiro caso, os resultados mostraram que, de fato, o algoritmo genético superou a patologia do problema e convergiu para a solução correta. No segundo caso, de dimensionalidade maior, a convergência em um tempo aceitável só pode ser alcançada com a introdução de informações à priori, seja na forma de restrições sobre o espaço de busca, seja na forma de penalidades aplicadas ao funcional de erro. / The main objective of this work is to contribute to the development of a new two-phase flow tomographic reconstruction method suited for electrical impedance tomography. The adopted approach consists in minimizing an error functional, defined so that is global minimum is related with the sensed flow image. In this formulation, the ill conditioning appears through topological features of the error functionals (pathologies) which compromises the performance of the optimization algorithms employed to determine the minimum. This approach has several important advantages over the classical ones, generally based on restrictive and unrealistic hypothesis such as the sensing field being two-dimensional, parallel and independent of the flow. Numerical simulations permitted to conduct preliminary studies about the topological features of the error functional, necessary to select possible optimization methods to be specialized to reach the solution of the problem treated in this work. The characteristic pathology of the problem was identified in these tests: the presence of a flat region (virtually null inclination) around the sought global minimum. Among the different considered methods, genetic algorithms were adopted because of their characteristics of being best adaptive to the pathologies of the current problem. The performance of the developed optimization method was tested through extensive numerical tests in two basic problems: a) to correctly place aninclusion with known shape and contrast and b) to determine the values of the contrast inside a sub-region of the sensed domain, which is known that contains the inclusion. In the first case, results show that the genetic algorithm overcame the pathologies of the problem and converged to the correct solution. In the second case, with higher dimensionality, convergence was achieved in an acceptable time only after the introduction of a priori information, either in the form of restrictions on the search space or in the form of penalties applied to the error functional.