Baixe o app para aproveitar ainda mais
Prévia do material em texto
CAP. 7 - Lista de exercícios 1) Determine (a partir da definição de concavidade e convexidade) a concavidade ou convexidade das funções: (a) f x x x x( , )1 2 1 2 2 22 3 1 no domínio: x x1 2 0, ; G x( ) xf1 x( ) G x( ) 2 x0 4 6 x1 6 H x( ) Jacob G x( ) x( ) H x( ) 2 0 0 6 eigenvals H x( )( ) 6 2 ==> função convexa! f y z( ) f1 y z M CreateMesh f 0 4 0 2( ) MM (b) f x x x x x x( , , )1 2 3 1 2 2 2 3 22 3 no domínio: x x x1 2 3 0, , . G x( ) xf2 x( ) G x( ) 4 x0 2 x1 6 x2 H x( ) Jacob G x( ) x( ) H x( ) 4 0 0 0 2 0 0 0 6 eigenvals H x( )( ) 4 2 6 ==> função nem côncava nem convexa! f_0 y z( ) f2 y z 0 f_1 y z( ) f2 y 0 z f_2 y z( ) f2 0 y z M0 CreateMesh f_0 0 1 0 2( ) M1 CreateMesh f_1 0 2 0 2( ) M2 CreateMesh f_2 0 2 0 2( ) M0 M1 M2 2) Determine a localização e a natureza dos pontos estacionários das funções abaixo, determine também (em cada caso) o máximo e o mínimo globais: (a)f x x x ( ) 2 1 2 para x 0; G x( ) xfa x( ) G x( ) simplify 2 x2 1 x2 1 2 G(x) = 0 ==> xo 1 H x( ) Jacob G x( ) x( ) H x( ) simplify 4 x x 2 3 x2 1 3 H xo( ) 1 ==> máximo global 0 1 2 3 4 5 0.5 0 0.5 1 1.5 G x( ) 0 x 0 1 2 3 4 5 0 0.2 0.4 0.6 0.8 1 fa x( ) x (b)f x sen x x ( ) ( ) para - x ; G x( ) xfb x( ) G x( ) collect sin x( ) x cos x( ) x2 xo root G x( ) x ( ) xo 0 Nota: 0x G x( )lim 0 H x( ) Jacob G x( ) x( ) H x( ) simplify x 2 sin x( ) 2 sin x( ) 2 x cos x( ) x3 H xo( ) 0.333 ==> máximo global 4 2 0 2 40.6 0.4 0.2 0 0.2 0.4 0.6 G x( ) 0 x 4 2 0 2 40.5 0 0.5 1 fb x( ) x (c)f x e sen xx( ) ( ) 2 para 0 x ; G x( ) xfc x( ) G x( ) simplify e x2 cos x( ) 2 x sin x( )( ) xo root G x( ) x 0 ( ) xo 0.653 H x( ) Jacob G x( ) x( ) H x( ) factor e x 2 4 x2 sin x( ) 3 sin x( ) 4 x cos x( ) H xo( ) 1.867 ==> máximo global 0 1 2 3 4 0.5 0 0.5 1 1.5 G x( ) 0 x 0 1 2 3 4 0.1 0 0.1 0.2 0.3 0.4 fc x( ) x (d)f x x x x x x( , )1 2 1 3 1 2 2 23 3 ; G x( ) xfd x( ) G x( ) simplify 3 x0 2 3 x1 6 x1 3 x0 x0 x1( ) 2 x1 r x1( ) 3 x0 x1( )2 3 x1 factor 3 x1 4 x1 1( ) = 0 xo1 0 0 xo2 1 2 1 4 G xo1( ) 0 0 G xo2( ) 0 0 H x( ) Jacob G x( ) x( ) H x( ) factor 6 x0 3 3 2 3 H xo1( ) 0 3 3 6 H xo2( ) 33 3 6 eigenvals H xo1( )( ) 1.243 7.243 eigenvals H xo2( )( ) 1.146 7.854 ==> ponto sela ==> mínimo global f y z( ) fd y z M CreateMesh f 1 2 1 2( ) M M (e)f x x x x x x x x( , ) ,1 2 1 2 2 2 1 2 1 2 1 2 0 para x1 . G x( ) xfe x( ) G x( ) simplify x1 2 x0 1 x0 x1 x0 x1( ) x1 r x1( ) x1 2 x0 x1( ) 1 1 x1 = 0 xo 1 1 G xo( ) 00 H x( ) Jacob G x( ) x( ) H x( ) factor 2 1 1 1 eigenvals H xo( )( ) 2.618 0.382 ==> máximo global f y z( ) fe y z M CreateMesh f 0 4 0 4( ) M M TOL 10 9 7) Em um reator químico é conduzida uma reação química irreversível de segunda ordem, o processo é em batelada. O balanço de massa do reagente é descrito pela equação diferencial: 02 0 com )()( c)c(tckdt tdc A variação da concentração do reagente com o tempo é medida construindo-se a tabela: t (min) 1 2 3 4 5 7 10 12 15 20 25 c x100 (mol/lit) 4.049 3.086 2.604 2.222 1.912 1.524 1.142 0.980 0.741 0.649 0.521 Baseado nestes dados estime os valores de k e de c0. Resolução: Reescrevendo a equação na forma: tc c tck c tctk ctc dtk tc tdc 1 0 0 0 0 2 11 )(1 )( 1 )( )( sendo: 01 ckc Definindo: 11 1 2 1 0 exp10 1 , i i i tc c tcccS , assim: 1 1 1 2 1 11 1 1 exp 10 11 1 1 0 exp 10 10 1 1 1 0 11 12 , i i i i i i i i i tc tc tc cc tc c tc tcc ccS e 0 11 0 11 2 , 11 1 1 10 ex p2 1 1 11 1 1 0 exp2 1 0 1 10 i i i i i i i i i i tc cc tc tc t cf tc c tc tc t c c ccS t 1 2 3 4 5 7 10 12 15 20 25 c 4.049 3.086 2.604 2.222 1.912 1.524 1.142 .98 .741 .649 .521 10 2 i 0 10 Solução do Problema Linear Considerando o Ajuste de 1/c versus t, para dar o chute inicial yi 1 ci a0 intercept t y( ) a1 slope t y( ) C0 1 a0 C1 a1 a0 1 Primeiro Método: anulando as duas derivadas da soma do quadrado dos erros g α( ) i ci 1 α ti i 1 1 α ti 2 f α( ) i ti 1 α ti 2 ci g α( ) 1 α ti α C1 f α( ) 3.3165 10 5 α root f α( ) α( ) α 0.391076 cinicial g α( ) k α cinicial cinicial 100 5.610581 k 6.970327 cmod t( ) cinicial 1 α t d cinicial α j 0 100 τj t10 j 100 0 10 20 0 0.02 0.04 0.06 ci cmod τj ti τj 0.01 0.02 0.03 0.04 0.01 0.02 0.03 0.04 ci cmod ti ci Segundo Método: usando direto a função Minimize do MATHCAD S C( ) i ci C0 1 C1 ti 2 C Minimize S C( ) CT 0.056106 0.391075( ) Cinicial C0 K C1 C0 Cinicial 100 5.610571 K 6.970315 S C( ) 1.247749 10 6 S d( ) 1.247749 10 6 C d 1.4 10 6 S C( ) S d( ) 1.842756 10 15 2 TOL 10 9 8) A intensidade de radiação de uma fonte radioativa é expressa por: teItI 0)( . Determine os valores de I0 e de que melhor ajustem os dados experimentais abaixo: t 0.2 0.3 0.4 0.5 0.6 0.7 0.8 I(t) 3.16 2.38 1.75 1.34 1.00 0.74 0.56 i 0 6 ti .2 .1 i I 3.16 2.38 1.75 1.34 1.00 0.74 0.56 y ln I( ) Solução do Problema Linear Considerando o Ajuste de ln[I(t)] versus t, para dar o chute inicial a0 intercept t y( ) a1 slope t y( ) a0 e a0 aT 5.631019 2.888285( ) Primeiro Método) Construindo a equação de diferenças como chute inicial e depois resolvendo a regressão não linear p 0 5 i Ii Ii 1 0 5 i Ii 2 p 0.749248 C1 10 ln p( ) C0 i e C1 ti Ii i e 2 C1 ti CT 5.629403 2.886846( ) g α( ) i e α ti Ii i e 2 α ti f α( ) i ti e α ti Ii g α( ) e α ti α C1 f α( )3.01368 10 4 α root f α( ) α( ) C g α( ) α C T 5.636061 2.890593( ) S C( ) i Ii C0 e C1 ti 2 S C( ) 8.939661 10 4 Imod t( ) C0 eC1 t Segundo Método) Usando a função Minimize do MATHCAD c Minimize S a( ) cT 5.636061 2.890593( ) S c( ) 8.939661 10 4 j 0 100 τj t6 j 100 0 0.2 0.4 0.6 0.8 0 2 4 6 Ii Imod τj ti τj 1 2 3 1 2 3 Ii Imod ti Ii 1 TOL 10 9 9) y é uma função de x dada pela tabela abaixo, sabe-se que esta dependência é expressa por: xx eBeA)x(y . Determine os valores de A, B, e . x 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 y(x) 2.31604 2.02877 1.78030 1.56513 1.37854 1.21651 1.07561 0.95289 x .4 .5 .6 .7 .8 .9 1.0 1.1 y 2.31604 2.02877 1.78030 1.56513 1.37854 1.21651 1.07561 0.95289 Construindo a equação de diferenças como chute inicial e depois resolvendo a regressão não linear por Newton-Raphson s 0 5 i yi 2 0 5 i yi yi 1 0 5 i yi yi 1 0 5 i yi 1 2 1 0 5 i yi yi 2 0 5 i yi 1 yi 2 s 0.79045 1.7799 s2 1 v polyroots s( ) v 0.85039 0.92951 λ 10 ln v( ) λ 1.62059 0.73095 i 0 7 j 0 1 Ai j e λj xi c AT A 1 AT y cT 2.99719 1.00284( ) a c0 λ0 c1 λ1 ymod x α( ) α0 e α1 x α2 e α3 x erro i α( ) yi ymod xi α S α( ) i erro i α( )2 I identity 4( )S a( ) 1.81 10 11 δ 10 6 g α( ) g0 i e α1 xi erro i α( ) g1 i e α1 xi xi erro i α( ) g2 i e α3 xi erro i α( ) g3 i e α3 xi xi erro i α( ) g J α( ) f g α( ) β α δ I j J j g β( ) f δ j 0 3for J solução α( ) flag 0 f g α( ) β α J α( ) 1 f f g β( ) flag 1 β α TOLif flag 1 f TOLif α β flag 0=while β 5 aT 2.99719 1.62059 1.00284 0.73095( ) α solução a( ) αT 2.99616 1.62083 1.00391 0.73129( ) S α( ) 1.61 10 11 j 0 50 Xj .4 .7 j 50 α a 1.54 10 3 0.4 0.6 0.8 1 1 1.5 2 ymod Xj α yi Xj xi 1 1.5 2 1 1.5 2 yi ymod xi α yi Construindo a equação de diferenças como chute inicial e depois resolvendo a regressão não linear pelo Minimize do MATHCAD c Minimize S a( ) cT 2.99719 1.62059 1.00284 0.73095( ) c a 0 Observa-se que o Minimize não conseguiu refinar os valores dos coeficientes! 6 10) y é uma função de x dada pela tabela abaixo, sabe-se que esta dependência é expressa por: xbseneCxy xa )( . Determine os valores de C , a e b x 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 y(x) 0.00000 0.15398 0.18417 0.16156 0.12301 0.08551 0.05537 0.03362 0.01909 TOL 10 9 i 0 8 xi i .2 y .00000 .15398 .18417 .16156 .12301 .08551 .05537 .03362 .01909 Construindo a equação de diferenças como chute inicial e depois resolvendo a regressão não linear por Newton-Raphson s 0 6 i yi 2 0 6 i yi yi 1 0 6 i yi yi 1 0 6 i yi 1 2 1 0 6 i yi yi 2 0 6 i yi 1 yi 2 s 0.38135 1.19607 s2 1 v polyroots s( ) v 0.59803 0.15395i 0.59803 0.15395i a 5 ln Re v0 b 5 arg v1 a 2.57053 b 1.2598 ymod x α( ) α0 e α1 x sin α2 x erro i α( ) yi ymod xi α C i e a xi sin b xi yi i e a xi sin b xi 2 C 1.08661 S α( ) i erro i α( )2 c C a b S c( ) 2.14 10 4 δ 10 6 I identity 3( ) g α( ) g0 i e α1 xi sin α2 xi erro i α( ) g1 i e α1 xi sin α2 xi xi erro i α( ) g2 i e α1 xi cos α2 xi xi erro i α( ) g J α( ) f g α( ) β α δ I j J j g β( ) f δ j 0 2for J 5 solução α( ) flag 0 f g α( ) β α J α( ) 1 f f g β( ) flag 1 β α TOLif flag 1 f TOLif α β flag 0=while β α solução c( ) αT 1.00011 2.41007 1.25987( ) S α( ) 4.29 10 11 j 0 50 Xj 1.6 j 50 α a 5.24 0 0.5 1 1.5 0 0.05 0.1 0.15 0.2 ymod Xj α yi Xj xi 0 0.05 0.1 0.15 0 0.05 0.1 0.15 yi ymod xi α yi Construindo a equação de diferenças como chute inicial e depois resolvendo a regressão não linear pelo Minimize do MATHCAD β Minimize S c( ) βT 1.00011 2.41007 1.25987( ) α β 3.3555 10 7 Valor quase idêntico ao obtido por Newton-Raphson S β( ) 4.29 10 11 6 11) y é uma função de x dada pela tabela abaixo, sabe-se que esta dependência é expressa por: BeAxy x )( . Determine os valores de A, B e x 1.0 1.2 1.4 1.6 1.8 2.0 2.2 2.4 2.6 2.8 3.0 y(x) 3.00767 2.79720 2.61553 2.45874 2.32340 2.20659 2.10576 2.01874 1.94363 1.87880 1.82284 TOL 10 9 i 0 10 xi 1 .2 i I identity 3( ) δ 10 6y 3.00767 2.79720 2.61553 2.45874 2.32340 2.20659 2.10576 2.01874 1.94363 1.87880 1.82284 Construindo a equação de diferenças como chute inicial e depois resolvendo a regressão não linear por Newton-Raphson b 0 8 i yi 1 yi yi 2 yi 1 0 8 i yi 1 yi 2 s b 1 b( ) 1 b 0.86313v polyroots s( ) v 0.86313 1 α 5 ln b( ) Ai 0 1 Ai 1 e α xi c AT A 1 AT y c 1.46996 3.20994 c2 α cT 1.46996 3.20994 0.73596( ) ymod x α( ) α0 α1 e α2 x erro i α( ) yi ymod xi α S α( ) i erro i α( )2 S c( ) 1.22 10 10 g α( ) g0 i erro i α( ) g1 i e α2 xi erro i α( ) g2 i e α2 xi xi erro i α( ) g J α( ) f g α( ) β α δ I j J j g β( ) f δ j 0 2for J solução α( ) flag 0 f g α( ) β α J α( ) 1 f f g β( ) flag 1 β α TOLif flag 1 f TOLif α β flag 0=while β α solução c( ) αT 1.46998 3.20997 0.73598( ) S α( ) 6.72 10 11 5 j 0 50 Xj 1 j 20 1 1.5 2 2.5 3 2 2.5 3 ymod Xj α yi Xj xi 2 2.5 3 2 2.5 3 yi ymod xi α yi Construindo a equação de diferenças como chute inicial e depois resolvendo a regressão não linear pelo Minimize do MATHCAD β Minimize S c( ) βT 1.46998 3.20997 0.73598( ) S β( ) 6.72 10 11 α β 4.02 10 7 Valor quase idêntico ao obtido por Newton-Raphson 6 12) Através de fotografias estroboscópicas de pequenas bolhas de ar é possível medir o perfil de velocidade próxima à parede de um tubo no qual escoa um fluido. Com um número de Reynolds de 1200 e com um tubo de 1 polegada de diâmetro interno os seguintes pontos experimentais são obtidos: y (distância à parede) cm u (velocidade) cm/s y (distância à parede) cm u (velocidade) cm/s 0.003 0.03 0.056 0.85 0.021 0.32 0.061 0.92 0.025 0.30 0.070 1.05 0.025 0.33 0.078 1.117 0.037 0.57 0.085 1.32 0.043 0.66 0.092 1.38 0.049 0.74 0.106 1.57 0.053 0.80 0.113 1.65 0.055 0.84 A função que melhor ajusta o perfil de velocidade é: 2)( yqypyu , baseado nos dados acima determineos valores de p e q. TOL 10 9 y .003 .021 .025 .025 .037 .043 .049 .053 .055 .056 .061 .070 .078 .085 .092 .106 .113 u .03 .32 .30 .33 .57 .66 .74 .80 .84 .85 .92 1.05 1.117 1.32 1.38 1.57 1.65 i 0 16 Ai 0 yi Ai 1 yi 2 c AT A 1 AT u c 15.12523 2.71883 umod y c( ) y c0 c1 y j 0 100 Yj y16 j 100 0 0.05 0.1 0 0.5 1 1.5 2 ui umod Yj c yi Yj 0 0.5 1 1.5 0 0.5 1 1.5 ui umod yi c ui 5 13) Os coeficientes de transferência de calor em trocadores da calor são adequadamente modelados por expressão do tipo: rNu PrRe Onde Nu, Re e Pr são, rspectivamente, os números de Nusselt, Reynolds e Prandt e r é a razão entre a viscosidade à temperatura média do fluido e à temperatura da parede; , , e são constantes. Os seguintes dados experimentais estão disponíveis: Nu Re Pr r 277 49000 2.30 0.947 348 68600 2.28 0.954 421 84800 2.27 0.959 223 34200 2.32 0.943 177 22900 2.36 0.936 114.8 1321 246 0.592 95.9 931 247 0.583 68.3 518 251 0.579 49.1 346 273 0.290 56.0 122.9 1518 0.294 39.9 54.0 1590 0.279 47.0 84.6 1521 0.267 94.2 1249 107.4 0.724 99.9 1021 186 0.612 83.1 465 414 0.512 35.9 54.8 1302 0.273 Estimar os valores de , , e que melhor ajustam os pontos acima. TOL 10 9 A 277 348 421 223 177 114.8 95.9 68.3 49.1 56 39.9 47 94.2 99.9 83.1 35.9 49000 68600 84800 34200 22900 1321 931 518 346 122.9 54 84.6 1249 1021 465 54.8 2.3 2.28 2.27 2.32 2.36 246 247 251 273 1518 1590 1521 107.4 186 414 1302 .947 .954 .959 .943 .936 .592 .583 .579 .29 .294 .279 .267 .724 .612 .512 .273 Estimativa Inicial dos Parâmetros a Partir da Regressão Linear do Logaritmo da Função i 0 15 Bi 0 1 k 1 3 B k ln A k c BT B 1 BT ln A 0 cT 0.63 0.56 0.25 0.07( ) a0 ec0 ak ck Nusselt i a( ) a0 Ai 1 a1 Ai 2 a2 Ai 3 a3 aT 0.5347 0.5588 0.2524 0.0677( ) 5 Minimização da Função Soma dos Quadrados dos Erros pelo Minimize S a( ) i Ai 0 Nusselt i a( ) 2 S a( ) 2.82 103 b Minimize S a( ) bT 0.1512 0.6716 0.337 0.0991( ) S b( ) 8.2 102 Minimização da Função Soma dos Quadrados dos Erros Relativos pelo Minimize Srel a( ) i 1 Nusselt i a( ) Ai 0 2 Srel a( ) 0.14 Srel b( ) 0.19 c Minimize Srel a xx 25300 n 0 1cT 0.5714 0.5519 0.2546 0.0052( ) Srel c( ) 0.13 100 200 300 100 200 300 xxn Nusselt i b( ) Nusselt i c( ) xxn Ai 0 Ai 0 E1i Ai 0 Nusselt i b( ) E2i Ai 0 Nusselt i c( ) max E1 12.44 max E2 51.28 Erel1i E1i Ai 0 100 Erel2i E2i Ai 0 100 max Erel1 24.86 max Erel2 23.13 6 14) Encontre o mínimo das seguintes funções objetivo usando os métodos diretos e indiretos descritos nas seções 7.2 e 7.3 e compare os resultados em termos do número de funções objetivo avaliadas por cada método: a) S(x) = 100 (x2 x12)2 + (1 x1)2 R: xo = [1 1]T S(xo) = 0 b) S(x) = [1,5 x1 (1 x2)]2 + [2,25 x1 (1 x22)]2 + [2,625 x1 (1 x23)]2 R: xo = [3 0,5] T S(xo) = 0 c) S(x) = 4 x12 2 x1 x2 + x22 R: xo = [0 0] T S(xo) = 0 d) S(x) = exp(x1) (4 x12 + 2 x22 + 4 x1 x2 + 2 x2 + 1) R: xo = [0,5 -1] T S(xo) = 0 e) S(x) = 4 (x1 5)2 + (x2 6)2 R: xo = [5 6] T S(xo) = 0 f) S(x) = x12 5 x1 + 3 x22 + 3 R: xo = [2,5 0] T S(xo) = -3,25 g) S(x) = (x1 2)2 + (x2 1)2 R: xo = [2 1] T S(xo) = 0
Compartilhar