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

Profa. Dra. Mariangela Amendola Msc. Anderson Luiz de Souza Prof. Dr. Lacio Carvalho Barros

FEAGRI & IMECC/ UNICAMP

Resumo: Este manual o produto de uma reviso do manual disponibilizado em 2004, que alm de apresentar com detalhes os comandos bsicos para o uso da teoria dos conjuntos fuzzy no ambiente de computao cientfica MATLAB 6.5, cita referncias bibliogrficas onde o usurio pode complementar seus estudos tericos para a interpretao adequada dos resultados do uso desta ferramenta no processo de suporte deciso de sistemas que, aqui, so os agrcolas ou biolgicos.

Verso II, maio de 2005.

Notar que nesta cpia da aquarela de Debret h um erro, descoberto em 1994 somente porque apreciado por um estudante de engenharia mecnica.

1. Introduo e notas histricas. Dentre os processos fsicos de interesse/competncia do profissional da rea de Engenharia Agrcola, possvel reconhecer aqueles da FEAGRI/UNICAMP que vm sendo investigados cientificamente com a finalidade de gerar conhecimentos que permitam a tomada de deciso no momento de seu planejamento ou implementao otimizada. Diretamente relacionados com o contedo das disciplinas que ensinamos no curso de graduao a partir de 1986, (FA 408-Matemtica Aplicada a Agricultura), esto aqueles processos que podem ser modelados matematicamente , como problemas de resoluo de equaes diferenciais ordinrias, sujeitas condies de contorno e/ou iniciais. Relacionados com o que ensinamos em outras disciplinas, tanto no curso de graduao (FA 374 - Clculo Numrico, FA 012 - Mtodos Numricos para Equaes Diferenciais, FA 019- Secagem Avanada), quanto no curso da ps-graduao (AP 132/508 - Introduo a Matemtica Aplicada e Computao Cientfica, AP 518 Matemtica Aplicada e computao Cientfica, AP 181- Estudo Dirigido em gua e Solo, e AP 185 Estudo Dirigido em Tecnologia Ps Colheita), esto aqueles processos que podem ser modelados matematicamente como problemas de: determinao de zeros de funes no lineares; resoluo de sistemas de equaes algbricas, lineares ou no lineares; resoluo de equaes diferenciais ordinrias; integrao numrica; ajuste de curvas; bem como resoluo de equaes diferencias parciais - que so os problemas usuais das pesquisas de diversas engenharias, em particular da Engenharia Agrcola. Somente em 2000, a partir do momento que aprofundamos o contato com alguns dos processos fsicos estudados junto aos especialistas da rea de Construes Rurais e Ambincia (zootecnia de preciso), verificamos a ineficincia do uso de metodologias associada s ferramentas matemticas tradicionais, como as relacionadas acima, o que nos fez procurar novas ferramentas matemticas junto ao IMECC. Neste sentido, por ocasio do X Congresso Latino Americano de Biomatemtica, realizado no IMECC em 2001, por meio de um dos mini-cursos oferecidos (BARROS, 2002), conclumos pela seleo de uma ferramenta matemtica adequada, que a baseada na Teoria de Conjuntos Fuzzy. A partir desta seleo, nossas expectativas foram alm daquelas inicialmente propostas. Foi possvel identificar tambm a utilizao do uso desta teoria para a pesquisa de processos que envolvem a resoluo de equaes diferenciais dependentes de parmetros, como os que requerem o conhecimento do movimento de gua no solo.

O que est por trs de toda essa versatilidade da utilizao desta teoria fuzzy a possibilidade de modelar e manipular matematicamente informaes vagas e imprecisas, naturais da linguagem humana e, portanto, as fornecidas pelos especialistas (no matemticos) ao caracterizar os processos estudados. Esta manipulao feita a partir da composio de variveis escolhidas para modelar matematicamente o processo em questo, quando a implicao das variveis independentes nas dependentes estabelecida por um conjunto de regras lingsticas baseadas no conhecimento de especialistas . As tcnicas da teoria dos conjuntos fuzzy tm alcanado as mais diversas reas de aplicao. Uma das mais aprofundadas de controle fuzzy, que tem possibilitado a automao de diversos processos, que vo de tarefas domsticas at o controle de sofisticados processos industriais. Em produtos de bem de consumo, como mquinas de lavar, televises, cmeras de filmar, entre outros, o Japo foi o pioneiro a explorar o potencial da lgica fuzzy, ainda na dcada de 80. De acordo coma literatura, o trabalho pioneiro de aplicao da lgica fuzzy em controle de processos devido a MAMDANI & ASSILAM (1975), cujos suportes tericos encontram-se nos artigos de ZADEH (1965). Tal aplicao foi voltada para controlar mquinas a vapor, o que possibilitou a modelagem matemtica de aes dos operadores (especialistas) das mquinas, tornando suas tarefas automatizveis. Este trabalho influenciou outros pesquisadores a explorarem controladores fuzzy na teoria de controle, como, por exemplo, o controlador de Sugeno, que no contemplado neste manual. Desde ento, nas diversas reas de conhecimento, os pesquisadores vm desenvolvendo algoritmos especficos para o uso desta teoria para a anlise de seus modelos, como pode ser encontrado tanto na literatura internacional - dentre um nmero 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)-. Tambm na rea de pesquisa terica tem tido bastante avano em tpicos como equaes e incluses diferenciais, equaes de diferenas e sistemas dinmicos gerais, assuntos esses que podem ser encontrados em BARROS et al (2004).

Por outro lado o uso da teoria dos conjuntos fuzzy mostrou-se promissor tambm em pesquisas aplicadas, como pode ser constatado em vrias oportunidades na ocasio do Ciclo de Palestras / 2002 a 2004, realizado na FEAGRI sob nossa coordenao (www.agr.unicamp.br), e do que resultou distintos tipos de projetos de vrios nveis (iniciao cientfica, mestrado, doutorado e ps doutorado), bem como trabalhos apresentados em congressos ou publicados em revistas. Em geral, estas aplicaes so trabalhos de anlise de condies de conforto em galpes de criao animal como funo da composio de duas variveis que traduzem o ambiente trmico gerado em galpes. O trabalho pioneiro foi o realizado por AMENDOLA et al (2004), para simular condies de conforto em galpes de criao de frangos de corte a partir da composio das variveis 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 sunos como consta em QUEIROZ et al (2004); bem como outros projetos em andamento atualmente sob orientao da Professora Irenilza da FEAGRI. Alm disso, do oferecimento da disciplina AP 182N- Estudo Dirigido em Construes Rurais e Ambincia, resultou um outro projeto para animais em geral como consta em AMENDOLA, MOLLO & CRUZ (2005). Aplicaes em outras reas da FEAGRI, como da rea de gua e Solo para a caracterizao de propriedades de solos, seguem com a orientao do Professor Matsura, enquanto que da rea de Tecnologia Ps Colheita, referentes caracterizao da qualidade de produtos como funo da composio das variveis que exercem influncia na sua preservao para o consumo ainda esto 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 tericos que simulam alguns fenmenos biolgicos. Um dos temas estudados foi a Morte Sbita do Citros, doena que tem dado enormes prejuzos aos plantadores de laranja do Estado de So Paulo. Neste tema os sistemas fuzzy desenvolvidos so para descrever a evoluo dessa doena. Outros sistemas fuzzy foram desenvolvidos para estudar uma relao do tipo presa - predador para simular o controle biolgico do agente causador da morte sbita, alm de estudar os efeitos do controle qumico usado contra tal agente como consta em PEIXOTO (2005). Ainda em ecologia, h o trabalho sobre a

competio de duas espcies de moscas (uma nativa e outra introduzida vinda da frica na dcada de 70). Para esse caso tambm foram desenvolvidos alguns sistemas fuzzy para simular a competio. Tais resultados tm se confirmado segundo dados bilogos como consta em MAGNAKO (2005). Outro trabalho interessante, na rea de medicina, trata de proposio de um controlador fuzzy para simular a atuao de um especialista (mdico) no diagnstico de cncer de prstata. Esse ltimo 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 avano do conhecimento se mostrar efetivo aps o cumprimento rigoroso da clssica seqncia de etapas relacionadas simulao de processos, como se encontra na literatura, as quais so intensamente discutidos em todas as disciplinas citadas e brevemente comentadas no que segue. Antes de qualquer etapa para o conhecimento de um processo fsico, de fundamental importncia a descrio fsica do mesmo, o que s possvel aps exaustiva observao, coleta adequada, identificao e anlise de dados importantes (variveis, parmetros, interaes, 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 observaes sobre a aquarela de Debret (extrado da Folha de So Paulo em 1994), e apresentada na primeira pgina deste manual. A partir desta etapa, pode-se avanar a investigao cientfica daqueles processos atravs da sua descrio em uma linguagem universal, isto , atravs de um modelo matemtico. So diversos os tipos de modelos que podem ser reconhecidos nesta etapa, o que envolve tambm os limites do conhecimento atual que o pesquisador tem tanto do processo quanto dos modelos. Isto pode ser compreendido a partir da referida identificao de metodologias que se deu aps 2000. fato que tais modelos podem envolver variveis, parmetros ou fatores de difcil obteno experimental ou que so coletados desordenadamente e/ou extrados da literatura; ou ainda adequados a problemas no caractersticos daquelas classes de problemas matemticos para os quais se tem como obter a soluo exata (objeto de estudo da rea de matemtica). Sendo assim, em geral, torna-se necessrio simplificar o modelo matemtico e/ou procurar mtodos de resoluo que gerem solues

aproximadas, os denominados mtodos numricos (objeto de estudo da Matemtica Aplicada), ou ainda procurar usar pacotes de computao cientficos apropriados para a anlise requerida. Em qualquer caso, a obteno das tais solues e/ou anlises requer muitos clculos, e sendo assim torna-se necessrio o uso de computadores. Para tanto, a partir da elaborao de um algoritmo associado a um mtodo de resoluo ou anlise adequadamente selecionado, h que se elaborar um programa de computao cientfica em uma linguagem eficiente (Pascal, Fortran, C, C++, etc.) que traduza aquele algoritmo; ou usar algum pacote de computao cientfica (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 no especialistas da rea de matemtica aplicada e computao cientfica. Este perigo pode ser compreendido tanto pela inadequada entrada de dados quanto pela interpretao dos resultados que o uso de um programa requer ou gera. Tendo avanado nas etapas anteriores, para se obter solues e/ou anlises procuradas, revela-se necessria a tarefa de validao do conjunto de etapas acima descritas, o que pode indicar a necessidade de reformul-las at que se garanta a legitimidade das mesmas. Finalmente, e de fundamental importncia, pode-se efetuar a simulao ou anlise daquele processo em estudo, objetivando o seu planejamento, controle ou implementao melhorada . Como reconhecer os processos/sistemas; identificar as variveis e parmetros importantes; classificar o tipo de problema fsico; identificar o modelo matemtico que pode ser associado; selecionar o mtodo e/ou a ferramenta para a busca da anlise do modelo; construir o algoritmo associado; desenvolver ou usar pacotes de computao cientfica; interpretar resultados; analisar as possveis fontes de erros; e, se necessrio, retomar algumas das etapas anteriores? Estas so as questes que os pesquisadores da rea de matemtica aplicada e computao cientfica buscam para atingir sucesso na Simulao Matemtica ou Numrica de processos.

2. Como identificar um processo passvel da anlise segundo a teoria dos conjuntos fuzzy

Antes de iniciar a seqncia de instrues associadas ao uso da teoria dos conjuntos fuzzy no MATLAB, seguem alguns conceitos que devem ser observados porque essenciais para a identificao, pelo usurio especialista, do conjunto de variveis importantes do processo em estudo que devem ser da classe das denominadas variveis fuzzy. O primeiro conceito est associado a definio de conjuntos fuzzy. Um subconjunto A de um conjunto U considerado subconjunto fuzzy de U se for descrito como um conjunto de pares ordenados segundo o que segue:

A = {(x , A ( x));
onde

x U A ( x ) [ 0 ,1 ]

A (x) uma funo de pertinncia que determina com que grau x est em A: x pertence totalmente ao conjunto A; x pertence parcialmente ao conjunto A; x no pertence ao conjunto A.

A (x) = 1 0 < A (x) < 1 A (x) = 0

Sendo assim, a lgebra entre os conjuntos fuzzy no segue a teoria clssica usual, em especial devido ao fato de que as operaes de unio e de interseco de um conjunto e seu complementar so diferentes de 1 e vazio respectivamente, e portanto operaes especficas entre os conjuntos fuzzy devem ser estabelecidas (detalhes tericos esto no ANEXO 1). Outro conceito essencial o reconhecimento desta caracterizao de variveis da existncia do que consiste uma base de regras entre as mesmas. Isto se estabelece a partir do conhecimento do especialista na forma de proposies do tipo se E1 e/ou E2 ento S1, onde E1 e E2 referem-se a classificaes lingsticas das variveis de entrada e S1 a de sada, as quais, a partir do uso desta teoria, se mostra como conseqncia das operaes e/ou algbricas acima referidas, onde e designa unio e ou interseco (detalhes prticos esto no ANEXO 2). Outros conceitos so brevemente explicados medida que forem requeridos.

3. Utilizao do MATLAB O MATLAB um ambiente de computao cientfica, disponvel na FEAGRI desde 2000, que permite a interao com o usurio atravs de uma janela, denotada por Janela de Comando, onde os comandos devem ser fornecidos pelos usurios para que os clculos e resultados, realizados atravs da linguagem FORTRAN, sejam exibidos. Os passos para esta interao so 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 cone como o que segue, no caso da verso 6.1:

MATLAB 6.1.lnk

e ento pressionar o boto esquerdo do mouse no mesmo, a partir do que aparecer a referida Janela de Comando, a qual estar pronta para receber os comandos to logo apaream os caracteres >> e a palavra Ready nos locais que esto 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 informao Ready

A partir disto pode-se fazer distintos usos do MATLAB, dentre eles o uso de vrios toolbox , cada um constando de uma coleo de arquivos destinados a tratar certas classes de problemas cientficos. Dentre estes, encontra-se o Fuzzy Logical Toolbox, que 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 esto disponibilizados arquivos e funes destinados ao uso da teoria de conjuntos fuzzy. Neste caso, recomenda-se o reconhecimento das Palavras-chave associadas ao uso desta teoria, que esto sublinhadas na seqncia de comandos relacionados como segue. 3.2.1 Como entrar no Fuzzy Logical Toolbox Na Janela de Comando da Figura 1 aps >> digitar a palavra fuzzy como: >> fuzzy e, em seguida, pressionar a tecla Enter a partir do que aparecer a tela inicial deste toolbox como mostra o que aparece na Figura 2a.

Figura 2a: Tela inicial do Fuzzy Logical Toolbox.

Como pode ser notada na Figura 2a, a opo referente ao tipo de anlise fuzzy est destacada com o nome MAMDANI. Sendo assim, no que segue descreve-se brevemente do que o sistema MAMDANI constitudo.

3.2.2 O sistema de Mamdani Em geral, um sistema fuzzy faz corresponder a cada entrada fuzzy uma sada fuzzy. No entanto, espera-se que a cada entrada crisp (um nmero real, ou par de nmeros reais, ou n-upla de nmeros reais) faa corresponder uma sada crisp. Neste caso, um sistema fuzzy uma funo de Rn em R, construda de alguma maneira especfica. Os mdulos que seguem indicam a metodologia para a construo desta funo: 1) Mdulo de fuzzificao: o que modela matematicamente a informao das variveis de entrada por meio de conjuntos fuzzy. neste mdulo que se mostra a grande importncia do especialista do processo a ser analisado, pois a cada varivel de entrada devem ser atribudos termos lingsticos que representam os estados desta varivel e, a cada termo lingstico, deve ser associado um conjunto fuzzy por uma funo de pertinncia; 2) Mdulo da base de regras : o que constitui o ncleo do sistema. neste mdulo onde se guardam as variveis e suas classificaes lingsticas; 3) Mdulo de inferncia: onde se definem quais so os conectivos lgicos usados para estabelecer a relao fuzzy que modela a base de regras. deste mdulo que depende o sucesso do sistema fuzzy j que ele fornecer a sada (controle) fuzzy a ser adotado pelo controlador a partir de cada entrada fuzzy; e 4) Mdulo de defuzzificao : que traduz o estado da varivel de sada fuzzy para um valor numrico. importante ressaltar que existem diferentes mtodos de inferncia fuzzy com diferentes propriedades. O Fuzzy Logic toolbox do MATLAB oferece duas opes: o Mtodo de Mamdani e o Mtodo de Sugeno. Analogamente, existem diversos mtodos de defuzzificao. Devido simplicidade e eficincia, alm de ser bastante condizente com a intuio humana, todo o contedo desta apostila foi preparado utilizando-se os seguintes mtodos disponibilizados por este toolbox : o Mtodo de Mamdani, na etapa de inferncia, e o Mtodo do centro de gravidade (centroid), na etapa de defuzzificao. Nota-se que h casos especficos em que se recomenda o uso do mtodo de Sugeno (ver manual do MATLAB). Para um melhor entendimento destes e de outros mtodos de inferncia e de defuzzificao, sugere-se a leitura de PEDRYCZ & GOMIDE (1998). A Figura 2b destaca a configurao bsica para o uso do Fuzzy Logic Toolbox , segundo estas especificaes, e ser mantida como base para todo o desenvolvimento

deste manual.

TermosRelacionados o Mtodo comdeInferncia ( Mtodo deMamdani)

Mtodo deDefuzzificao Figura 2b: Configurao bsica segundo especificaes pr-estabelecidas para o uso do Fuzzy Logic Toolbox

3.2.3 Como introduzir ou adicionar as variveis de entrada (input) e/ou de sada (output). Neste momento, para introduzir ou adicionar as variveis no Fuzzy Logic Toolbox , devem ser criadas caixas para guard-las, o que feito na tela inicial, para cada uma das variveis de entrada (caixas amarelas) e/ou variveis de sada (caixas azuis), selecionando as opes: Imput Output

Edit

Add Variables

como mostra o destaque da Figura 3.

10

Figura 3: Destaque das opes selecionadas para a introduo das variveis de entrada e/ou sada

importante ressaltar que pode haver diversas variveis de entrada bem como de sada. Porm, neste manual, ser tomado o sistema de duas variveis de entrada e uma de sada, o que, na literatura descrito como MISO, posto que em Ingls MISO significa multiple input and simple output; outros sistemas so descritos por MIMO (multiple input and multiple output).

3.2.4 Como remover variveis de entrada e/ou de sada Para remover caixas de variveis de entrada e/ou de variveis de sada, pressionar o boto esquerdo do mouse uma vez na caixa correspondente varivel que se quer remover, seguindo a opo:
Remove Selected

Edit

A d dV Vaar r les ii aa bb le

como mostra o que est destacado na Figura 4.

Figura 4: Opo selecionada para a remoo de variveis de entrada e/ou sada

11

3.2.5 Como mudar o nome das variveis de entrada e/ou sada Nesta etapa sero dados nomes s variveis de entrada e de sada. Para mudar o nome das caixas das variveis de entrada, e/ou de sada, pressionar o boto 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: Mudana do nome das variveis de entrada

Escolher o Nome

Figura 5b: Mudana do nome das variveis de sada

12

3.2.6 Como alterar o domnio das variveis de entrada e/ou sada A primeira alterao que deve ser feita dentro das caixas das variveis de entrada e/ou sada, para que estas fiquem representativas do problema que se quer estudar, a determinao do domnio de cada uma dessas variveis. Para tanto se deve pressionar o boto esquerdo do mouse na caixa da varivel, alterando-se o que est destacado no que mostram as Figuras 6a, no caso das variveis de entrada, e 6b no caso das variveis de sada, e pressionar a tecla Enter.

Definir o Domnio

Figura 6a: Definio do domnio das variveis de entrada

Definir o Domnio

Figura 6b: Definio do domnio das variveis de sada

Este procedimento deve ser repetido tantas vezes quanto for o nmero de caixas de variveis de entrada e/ou sada que se quer alterar o domnio.

13

3.2.7 Funes de pertinncia. De acordo com o que consta na seco 3.2.2, um conjunto fuzzy caracterizado por uma funo de pertinncia que assume valores dentro do intervalo [0,1]. Enquanto na teoria de conjuntos clssica, a funo de pertinncia assume apenas os valores zeroindicando que o elemento no 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 pertinncia entre zero e um indicando que os mesmos podem pertencer parcialmente a um conjunto. A princpio, qualquer funo que associe valores entre zero e um a elementos de um dado conjunto, pode ser tomada como funo de pertinncia. Entretanto, na escolha de tais funes, deve-se levar em conta o contexto em que estas sero utilizadas na representao das variveis lingsticas. Neste sentido, tanto o nmero quanto o formato das funes de pertinncia devem ser escolhidos de acordo com o conhecimento sobre o processo que se quer estudar. Uma breve descrio de funes de pertinncia do mtodo de Mamdani pode ser vista no ANEXO 1.

3.2.7.1 Como alterar o nmero e o formato das funes de pertinncia Para se alterar o nmero e o formato das funes de pertinncia das variveis de entrada deve-se, a partir do que est indicado na Figura 6a, pressionar o boto esquerdo do mouse nas seguintes opes:

Edit

Remove all

MFs

e posteriormente, em:

Edit

Remove Add MFs all

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

14

Figura 7 a: Escolha do nmero e da forma das funes de pertinncia para variveis de entrada

De acordo com as Figuras 7b e 7c, que exibem uma ampliao da regio destacada na Figura 7a, deve-se escolher a quantidade e o tipo das funes de pertinncia. Escolhidos o nmero e o formato das funes de pertinncia deve-se pressionar em OK. Tal procedimento deve ser repetido para todas as variveis de entrada. Para se alterar o nmero e o formato das funes de pertinncia das variveis de sada deve-se seguir os mesmos procedimentos j descritos para as variveis de entrada, porm a partir do que est ilustrado na Figura 6b.

Escolha o Nmero de Funes de Pertinncia

Figura 7b: Escolha do nmero de funes de pertinncia para variveis de entrada.

15

Escolha o Formato da Funo de Pertinncia

Figura 7c: Escolha do formato das funes de pertinncia para variveis de entrada.

3.2.7.2 Como alterar o domnio e o nome das funes de pertinncia Uma vez selecionados o nmero e formato, deve-se determinar, para cada uma das funes de pertinncia, os valores associados mxima pertinncia, onde a funo de pertinncia igual a um, e os valores associados mnima pertinncia, onde o valor da funo de pertinncia igual a zero. Tal procedimento diferente para os distintos formatos de funes de pertinncia disponveis no Fuzzy Logical Toolbox. Os formatos mais comumente utilizados para funes de pertinncia so os triangulares (trimf), os trapezoidais (trapmf) e os gaussianos (gaussmf). Por esta razo, neste manual, apenas para estes formatos sero indicados quais procedimentos devem ser seguidos. 3.2.7.2.1 Funes de pertinncia triangulares (trimf) As funes de pertinncia triangulares so caracterizadas por uma terna ( a, b, c), onde a e c determinam o intervalo dentro do qual a funo de pertinncia assume valores diferentes de zero, e b o ponto onde a funo de pertinncia mxima. A Figura 8 exibe uma funo de pertinncia triangular onde so destacados a, b e c. Nesta figura encontram-se no eixo vertical os valores da funo de pertinncia e no eixo horizontal os valores da varivel que se quer estudar.
b

Figura 8 : Funo de pertinncia triangular

16

O que de fato o toolbox aciona a funo: 0 x a A ( x ) = b a c x c b 0 se x a se a < x b se b < x c se x > c

Nome da Funo de Pertinncia

Formato da Funo de Pertinncia Domnio da varivel de entrada input 1. Pontos da Funo de Pertinncia. (a= 0.1; b=0.5 e c= 0.9)

Figura 9: Funes de pertinncia triangular da varivel de entrada Input1

Para se determinar os valores de a, b e c deve-se, na Figura 7c, escolher a opo trimf. Como exemplo, como mostrado na Figura 9, escolheu-se, para a varivel de entrada input1, trs funes de pertinncia 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 funes de pertinncia. Pressionando-se o boto esquerdo do mouse em cima da funo de pertinncia que se quer alterar, esta aparecer destacada em vermelho, como o caso da funo mf2 que aparece na Figura 9. Nos locais indicados nesta mesma Figura, deve-se selecionar um nome apropriado para cada funo de pertinncia, e digitar entre os colchetes, separados por um espao, os valores de a, b, c e pressionar a tecla Enter.

17

Caso haja interesse pode-se utilizar em uma mesma varivel de entrada e/ou sada, funes de pertinncia com formatos distintos. Para tanto basta escolher outro formato no local indicado na Figura 9.

3.2.7.2.2 Funes de pertinncia Gaussianas (gaussmf) As funes de pertinncia Gaussianas so caracterizadas pela sua mdia ( ) e seu desvio padro ( ). Este tipo de funo de pertinncia tem um decaimento suave e tem valores diferentes de zero para todo domnio da varivel estudada. A Figura 10 exibe uma funo de pertinncia Gaussiana. Nesta figura encontram-se no eixo vertical os valores da funo de pertinncia e no eixo horizontal os valores da varivel que se quer estudar.

Figura 10: Funo de pertinncia gaussiana.

Neste caso, a funo que o toolbox aciona :

se x est fora do domnio 0 A ( x ) = 2 2 exp( ( x ) ) / 2 )

Para se escolher o formato Gaussiano para as funes de pertinncia de uma varivel de entrada e/ou sada, deve-se escolher a opo gaussmf (ver Figura 7c). Como exemplo, observa-se na Figura 11 que se escolheu, para a varivel de entrada input1, trs funes de pertinncia com formato Gaussiano.

18

Figura 11: Funes de pertinncia gaussiana da varivel de entrada Input1

A mdia ( ) e o desvio padro ( ) devem ser definidos para cada uma das funes de pertinncia. Clicando-se uma vez em cima da funo de pertinncia que se quer alterar, esta aparecer destacada em vermelho, como o caso da funo mf2 que aparece na Figura 11. Nos locais indicados nesta mesma Figura, deve-se selecionar um nome apropriado para cada funo de pertinncia, e digitar entre colchetes, separados por um espao, os parmetros , e pressionar a tecla Enter.

3.2.7.2.3 Funes de pertinncia trapezoidal (trapmf) As funes de pertinncia trapezoidais so caracterizadas por um conjunto de quatro valores de a, b, c e d, onde a e d determinam o intervalo dentro do qual a funo de pertinncia assume valores diferentes de zero, e b e c determinam o intervalo dentro do qual a funo de pertinncia mxima e igual a 1. A Figura 12 exibe uma funo de pertinncia trapezoidal onde podem so destacados os pontos a, b, c e d. Nesta Figura encontram-se no eixo vertical os valores da funo de pertinncia e no eixo horizontal os valores da varivel que se quer estudar.

19

Figura 12: Funo de pertinncia trapezoidal

Neste caso, acionada a funo:

0 x a b a A ( x ) = 1 d x d c 0

se

xa

se a < x b se b x c se c < x d se x>d

Para se determinar, dentro do Fuzzy Logical Toolbox os valores de a, b, c e d, deve-se escolher a opo trapmf (ver Figura 7c). Como exemplo, como se pode observar na Figura 13, escolheu-se, para a varivel de entrada input1, trs funes de pertinncia com formato trapezoidal. Pressionando-se uma vez em cima da funo de pertinncia que se quer alterar, esta aparecer destacada em vermelho, como o caso da funo mf2 que aparece na Figura 13. Nos locais indicados nesta mesma Figura, deve-se selecionar um nome apropriado para cada funo de pertinncia, e digitar entre os colchetes, separados por um espao, os valores de a, b, c, d e pressionar a tecla Enter.

20

Nome da Funo de Pertinncia

Formato da Funo de Pertinncia Pontos da Funo de Pertinncia ( a=0.05;b= 0.45; c=0.55 e d= 0.95 )

Domnio da Varivel de entrada input1

Figura 13: Funes de pertinncia trapezoidal da varivel de entrada Input1

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

pertinncia.

3.3 Como criar a base de regras Aps os procedimentos descritos anteriormente, deve-se criar a base de regras. Para tanto pressionar o boto esquerdo do mouse em: Edit Rules

que aparecer na janela o que mostra a Figura 14.

21

Quadro Onde as Regras Criadas so Automaticamente Exibidas

Variveis de Entrada

Determina que a Varivel de Entrada e/ou de Sada no est em um Determinado Nvel

Varivel de Sada

Conexo entre as Variveis de Entrada Peso da Regra (Valores entre Zero e Um) Apaga a Regra Selecionada

Altera a Regra Selecionada

Cria uma Nova Regra

Figura 14: Base de regras.

A Figura 14 exibe um exemplo em que duas regras j foram inseridas. Na construo de cada regra deve-se definir a conexo entre as variveis de entrada e as variveis de sada, atravs dos operadores lgicos, e pressionar o boto esquerdo do mouse em add rule. No final deste processo tem-se a formao do sistema de controle fuzzy.

3.4 Como utilizar o sistema de controle fuzzy Construdo o sistema de controle fuzzy pode-se arbitrar valores numricos para as variveis de entrada, simulando cenrios factveis, do ponto de vista do especialista, para observar e analisar os valores obtidos para cada varivel de sada. Para tanto, em qualquer tela dentro do Fuzzy Logical Toolbox , pressionar o mouse em: View View Rules

22

do que aparecer o que mostra a Figura 15.

Valores da Vriavel de Sada

Valores das Variveis de entrada

Figura 15: Um cenrio resultante da seleo de valores das variveis de entrada e os associados valores de sada.

Para o sistema ilustrado na Figura 15, atribuiu-se o valore 0,555 para a varivel de entrada 1 e o valor 0,777 para a varivel 2. Como sada, o sistema fuzzy gerou o valor 0,617, cuja interpretao a que permite o suporte a deciso como ser explicado posteriormente. Para se arbitrar diferentes valores para as variveis de entrada pode-se proceder de duas formas a partir do que mostra a Figura 15: a) ou b) Pressionando e arrastando o mouse nas barras verticais vermelhas destacadas; Digitando os valores desejados no local destacado como valores das variveis de entrada,

Como, para cada valor atribudo s variveis de entrada o sistema gera um valor para a varivel de sada, nota-se que o sistema fuzzy neste caso desempenha o papel de uma funo de duas variveis com valores reais, cujo grfico tridimensional (3D) a superfcie gerada pelas operaes lgicas especficas.

23

3.5 Como visualizar a superfcie 3D Para visualizar-se a superfcie formada pelas variveis de entrada e de sada, em qualquer tela dentro do Fuzzy Logical Toolbox , pressionar o boto esquerdo do mouse em: View View Surface View Rules

do que aparecer o que est ilustrado na Figura 16.

Varivel de Entrada Escolhida para o Eixo X

Varivel de Entrada Escolhida para o Eixo Y

Nmero de Pontos na Malha

Varivel de Sada Escolhida para o Eixo Y

Figura 16: Superfcie 3D gerada

A partir do que mostra a Figura 16, possvel se obter grficos bidimensionais, de qualquer uma das variveis de entrada em funo da varivel de sada. Para tanto, basta escolher a varivel de entrada que deve permanecer e escolher a opo none no local destinado 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 boto esquerdo do mouse em:

24

File

Save to

Disk

como aparece na Figura 17.

Figura 17: Gravao do sistema controle fuzzy.

da aparecer 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 localizao e o nome do arquivo nos locais destacados nos cantos superior e inferior esquerdo da Figura 18 respectivamente.

25

Por outro lado, para carregar, siga os procedimentos descritos nas Sees 3.1 e 3.2.1. Pressionar o mouse em File; Import; From Disk, como indicado na Figura 19.

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

da aparecer o que mostra a Figura 20.

NOME

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

26

3.7 Casos especiais 3.7.1 Base de Regras Incompletas. Na construo de um sistema de regras fuzzy deve-se sempre avaliar se a base de regras que est sendo utilizada COMPLETA, isto , deve-se fazer o seguinte questionamento: H regras suficientes para cobrir toda a extenso do problema estudado? Para responder esta questo, considera-se uma varivel fuzzy V, como representada graficamente na Figura 21, onde se pode observar que h uma parte do domnio da varivel V que no est representada ou coberta. Entretanto, mesmo neste caso, o Fuzzy Logical Toolbox, do MATLAB fornece uma sada que corresponde ao ponto mdio do domnio da varivel Resposta, mas que por outro lado no representativa do problema que est sendo utilizado.

0.8

0.6

0.4

0.2

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

A Regio Descoberta

Figura 21: Base de regras incompleta

27

3.7.72 Base de Regras Redundantes.

Na construo de um sistema de regras fuzzy tambm se deve verificar se no h regras desnecessrias e que podem ser removidas do sistema. Para verificar esta situao, considere uma varivel fuzzy V como representada graficamente na Figura 22, onde se pode observar que os conjuntos fuzzy azul e vermelho j representam ou cobrem todo o domnio da varivel. Sendo assim, o conjunto fuzzy verde redundante. Entretanto, mesmo neste caso, o Fuzzy Logical Toolbox, do MATLAB fornece uma sada.

0.8

0.6

0.4

0.2

10

Figura 22: Base de regras redundantes .

Estes dois exemplos, experimentados at ento s pelo segundo autor, ilustram o necessrio conhecimento do modelo a ser analisado bem como dos procedimentos bsicos do uso da teoria fuzzy no MATLAB.

28

3.8 Outros comandos teis fora do Fuzzy Logical Toolbox Os comandos que sero apresentados nesta seo devem ser digitados dentro da janela de comando como aparece na Figura 1. Para definir uma varivel de nome nome faa: >>nome = readfis ('nome do arquivo gerado na Seo 3.6.2 ')

3.8.1 Como gerar grficos das funes de pertinncias associadas s variveis de entrada Para gerar os grficos faa: >>plotmf(nome,' input ',n) onde n o nmero associado varivel de entrada que se queira obter o grfico. Por exemplo, para n=1, faa: >>plotmf (nome,' input',1) Do que aparecer o que mostra a Figura 23:

Figura 23: Funo de pertinncias associada primeira varivel de entrada (input1)

29

3.8.2 Como gerar grficos das funes de pertinncias associadas s variveis de sada Para gerar os grficos de pertinncia faa: >> plotmf (nome,'output',n) Onde n o nmero associado varivel de sada que se querem obter o grfico. Por exemplo, para n=1, faa: >> plotmf(nome,'output',1) Do que aparecer o que mostra a Figura 24:

Figura 24: Funo de pertinncias associada a primeira varivel de sada (output1).

3.8.3 Como obter o resumo do sistema de controle fuzzy Para obter o resumo do sistema de controle faa: >>plotfis(nome) Do que aparecer o que mostra a Figura 25:

30

Figura 25: Resumo do sistema de controle fuzzy.

3.8.4 Como gerar o grfico da superfcie 3D

Para gerar a superfcie 3D faa: >>gensurf( nome) Do que aparecer o que mostra a Figura 28:

Figura 28: Grfico da superfcie 3D

31

3.9 Outras informaes teis aos usurios que querem copiar em seus arquivos o que o toolbox mostra em suas janelas.

1) Estando na janela da figura, selecionar a seqncia de opes/instrues: edit =>copy options=>figure=> copy templates=> word => apply to figure =>ok edit =>copy figure 2) Estando no texto do arquivo Word, selecionar a seqncia de opes/instrues: paste => como figura

32

4. Agradecimentos

Profa. Dra. Maria Jos Castanho, pela dedicao na apresentao de exemplos prticos. Profa. Dra. Irenilza de Alencar Ns pela solicitao e subseqente uso intensivo deste manual no desenvolvimento de pesquisas. Aos alunos Douglas D`Alessandro Salgado e Marcos Paulo G de Queiroz, alunos da ps graduao e graduao da FEAGRI respectivamente, pelos testes de compreenso realizados a partir da primeira verso deste manual; a orientada de IC Bianca M Watanabe e ao aluno do curso de doutorado Mario Mollo Neto, pelo uso e pela dedicao na disciplina de Estudo Dirigido em Construes Rurais e Ambincia AP 182N/2004 respectivamente. Ao querido Prof. Dr. Rodney C. Bassanezy, pela apresentao e discusso de conceitos tericos necessrios para o uso adequado desta teoria.

33

5. Referncias AMENDOLA, M. Ciclo de Palestras Realizadas na Faculdade de Engenharia Agrcola (FEAGRI-UNICAMP). 2002-2004 (www.agr.unicamp.br) AMENDOLA, M.; CASTANHO, M.J.; NS, I.A.; SOUZA, A.L. Anlise matemtica de condies de conforto trmico para avicultura usando a teoria dos conjuntos fuzzy. Biomatemtica. IMECC-UNICAMP, Campinas, v.14, p.87 - 92, 2004. AMENDOLA, M. & WATANABE, B. M. Anlise das condies de conforto de frangos de corte utilizando a teoria dos conjuntos fuzzy. In: 40 Congresso Temtico de Dinmica, Controle e Aplicaes - 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 dinmicos fuzzy: Teoria e Aplicaes. Tese de doutorado IMECC-UNICAMP, Campinas. 1997. 103p. BARROS, L. C. Teoria fuzzy x Biomatemtica. IMECC/UNICAMP. Campinas, SP. 2002. 52p. Apostila de mini-curso.

BARROS, L.C., BASSANEZI, R. C., ZOTIN, OLIVEIRA, R. G. - Fuzzy Differential Inclusion: An Application to Epidemiology In: 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. Flrida: CRC, 1995. 232p. CASTANHO, M.J.P., Construo e avaliao de um modelo matemtico para predizer a evoluo do cncer de prstata e descrever seu crescimento utilizando a teoria dos conjuntos fuzzy.Tese de Doutorado. FEEC/UNICAMP, Campinas. 2005 125p. HANSELMAN, D.; LITTLEFIELD, B. Prentice Hall, 2003. 676p. MATLAB 6 : Curso completo. So Paulo :

34

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: Metapopulao 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 AGRCOLA, 2004, San Jos, Costa Rica. Memoria...Asociacin Costaricense de Ingenieros Agrcolas, 2004, p. 1-7. CD ORTEGA, N.R.S. Aplicao da Teoria da Lgica Fuzzy a Problemas de Biomedicina. Tese de doutorado IF-USP. So Paulo. 2001. 153p PEDRYCZ, W. GOMIDE, F. An introduction to fuzzy sets : analysis and design. Bradford. Imprenta Cambridge, 1998. 465p. PEIXOTO, M. S., Sistemas dinmicos e controladores fuzzy: um estudo sobre a disperso da morte sbita dos citros em So Paulo. Tese de Doutorado. IMECC/UNICAMP, Campinas. 2005. 171p.

QUEIRZ, M.P.G; NS, 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 Lgica Fuzzy. Tese de Mestrado. Universidade Mackenzie, So Paulo. 1999. 118p

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

35

ANEXO 1 Para modelar matematicamente a base de regras, Mamdani e Assilian propuseram uma relao fuzzy binria M entre as entradas x e as sadas u, cuja funo de pertinncia est descrita como segue: em cada uma das regras da base de regras fuzzy, adota-se o operador matemtico mnimo para o conectivo lgico e e o operador mximo para o conectivo lgico ou . As sentenas se ...ento ... so modeladas pela aplicao mnimo, que erroneamente costuma ser denominada por implicao de Mamdani (o mnimo no uma implicao fuzzy). Formalmente, a relao fuzzy M o subconjunto fuzzy X U cuja funo de pertinncia dada por

M ( x, u ) = mximo1 j n {mnimo[ A j ( x ), B j (u )]},

onde n o nmero de regras que compem a base de regras, e A j ( x) e B j (u ) so os graus com que x e u pertencem aos conjuntos fuzzy Aj e Bj, respectivamente. Como o caso de interesse aqui para entradas crisps (nmeros), vamos detalhar melhor a relao fuzzy M para o caso de duas entradas e uma sada. Sejam R1 e R2 duas regras:

1 R1 : Se x 1 A1 e x 2 A1 2 ento u B1

2 R2 : Se x 2 A12 e x 2 A2 ento u B2 .

Neste caso, para cada terna (x 1 , x2 , u) tem-se

M ( x1, x2, u ) = mximo{mnimo[ A1 (x1 ), A1 ( x2 ), B1 (u )], mnimo[ A 2 ( x1 ), A 2 ( x 2 ), B2 (u)]},

1 2 1 2

36

representando a relao fuzzy obtida da base de regras pelo mtodo de Mamdani. Agora, para um par de entradas x1 = x 1 e x 2 = x 2 , o conjunto fuzzy de sada, representando o controle a ser adotado para esse par, dado pela funo de pertinncia

B (u ) = mximo ( x1 , x2 ) {mnimo[ M ( x1 , x 2 , u), { x } ( x1 ), { x } ( x2 )]}

1 2

= mximo{mnimo[ M ( x1 , x 2 , u), { x } ( x1 ), { x } ( x 2 )]}

1 2

= M ( x1 , x 2 , u ) ,
1 se x1 = x1 onde: { x1 } ( x1 ) = 0 se x1 x1 e { x } ( x 2 ) =
2

1 se x 2 = x2 0 se x 2 x2

so as funes caractersticas de x1 e x 2 , respectivamente. Para uma visualizao da metodologia, o leitor pode acompanhar graficamente o mtodo de Mamdani segundo o esquema das figuras 1 e 2 que seguem.

{} { }

37

Figura 1 - Representao esquemtica do mtodo de Mamdani

Figura 2 - Representao da sada final do mtodo de Mamdani

Pode ser visto, atravs do exemplo acima, que a sada do controlador fuzzy, dada pelo mtodo de inferncia de Mamdani, um conjunto fuzzy mesmo para o caso de uma entrada crisp. Este fato que sugere a defuzzificao do conjunto fuzzy de sada para se obter um valor crisp que o represente.

So muitos os mtodos de defuzzificao que podem ser adotados. A princpio, qualquer nmero real, que de alguma maneira possa representar bem o conjunto fuzzy B pode ser chamado de defuzzificador de B. Aqui ser citado o mais comum que faz parte do mtodo de Mamdani. Tal mtodo (chamado de centro de gravidade) de defuzzificao semelhante a mdia aritmtica para uma distribuio de dados, com a diferena que os pesos aqui so valores B (u i ) que indicam o grau de compatibilidade do valor ui com o conceito modelado pelo conjunto fuzzy B.

A defuzzificao de B, para um domnio discreto,

D ( B) =

u
i =0 i

(u i ) .

i= 0

(u i )

e para um domnio contnuo

38

D ( B) =

u
R R

(u )du

(u)du
B

A defuzzificao pela mdia do mximo est representada pela figura 3 que segue, e calculada tendo como base a sada fuzzy a partir da agregao dos resultados.

Figura 3 - Defuzzificao pela composio da mdia do Mximo.

Partindo da Figura 3, observam-se os pontos p1 e p2 que compem o valor de p atravs da frmula: p = p1 + ( p 2 p1 ) / 2 onde p o centro dos mximos, que encontra as duas regies com maior grau de pertinncia. O valor de p calculado pela mdia entre os pontos p1 e p2 indicados na Figura 3.

39

ANEXO 2

ANLISE MATEMTICA DE CONDIES DE CONFORTO TRMICO 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 extrado de um resumo expandido de artigo publicado no COMBEA 2004 e posteriormente publicado na revista Biomatemtica, v.14, p.87 - 92, 2004, do IMECC/UNICAMP. Palavras chave : Anlise fuzzy, suporte deciso, conforto trmico, frangos de corte. Introduo e Objetivos : A partir das palestras de vrios convidados que apresentarem tanto pesquisas j realizadas na rea de sade, como, por exemplo, da Msc. Rosana Jafelice (2002), quanto do MATLAB 6.5, como, por exemplo, a da MSc. Maria Jos Castanho (2003), foi possvel o amadurecimento de nossos conhecimentos tericos e prticos desta ferramenta. Neste sentido, este trabalho foi pioneiro ao divulgar esta ferramenta matemtica como promissora na anlise de sistemas e/ou processos das diversas reas da Engenharia Agrcola, particularmente na rea de Construes Rurais e especificamente para a rea de Produo Animal, como descrito no que segue, para analisar como a composio das variveis climticas independentes, tais como a temperatura e umidade relativa do ar, influenciam a varivel dependente denominada conforto trmico.

40

Para tanto necessria a construo de regras segundo o conhecimento de especialistas, a partir das quais possvel simular cenrios distintos para o suporte deciso de construo do galpo para a criao de animais. Para o estudo de caso de galpes para a criao de frango de corte, seguem as especificaes do material, mtodo, resultados e discusses relativas ao modelo formulado como exerccio aos participantes da oficina. Material, Mtodos, Resultados e Discusses: O material a ser usado consta das informaes extradas de PEREIRA (2002), baseado nos trabalhos de TINCO (2001) e COSTA (1994), do que se tem o que consta na Tabela 1.

UR (%) <70 70-80 >80 <12 Ruim Ruim Ruim 12-21 mdio bom mdio

Temperatura (C) 21-24 bom bom bom

24-29 bom mdio ruim

>29 ruim ruim ruim

Tabela 1: Classificaes em termos lingsticos do estado de conforto trmico como funo de faixas de Temperatura T (C) e de Umidade Relativa UR (%) do ar.

Para a varivel lingstica umidade relativa, foi considerado o domnio no intervalo [50, 100], representando as faixas < 70, 70-80 e > 80 pelos termos lingsticos: baixa, mdia e alta respectivamente. Para a varivel lingstica temperatura, foi considerado o domnio no intervalo [5, 35], representado as faixas < 12, 12-21, 21-24, 24-29 e > 29 pelos termos: muito baixa, baixa, mdia, alta e muito alta. Tomando por base as questes incertas, com relao aos limites do conforto ambiental para matrizes de frango de corte, que atualmente aparecem na literatura, foi criado um cenrio para a varivel de sensao de conforto trmico com os termos: ruim, mdio e bom, num domnio [0, 1] de forma que o valor prximo do zero indica a pior sensao e perto do 1, a melhor.

41

As funes de pertinncia selecionadas em ambas variveis foram as trapezoidais, mas podem ser alteradas aps consulta ao especialista. O mtodo de inferncia utilizado foi o Mtodo de Mamdani que combina os graus de pertinncia referentes a cada um dos valores de entrada, atravs do operador mnimo e agrega as regras atravs do operador mximo . medida que foram procedidas as anlises para o cenrio simulado, os valores da Tabela 1 foram alterados, em funo das regras sugeridas por especialista. A base de regras composta por uma coleo de proposies fuzzy, apresentadas na forma se-ento, foi construda a partir da informao da Tabela 1 e com auxlio do especialista, do que se obtm o que mostra a Tabela 2.
Tabela 2: Composio da Base de Regras utilizando as variveis de entrada (Umidade Relativa- UR e Temperatura- T) e de sada (Conforto Trmico - CT).

1. Se (UR Baixa) e (T Muito-baixa) ento (CT Ruim) (1) 2. Se (UR Baixa) e (T Baixa) ento (CT Mdio) (1) 3. Se (UR Baixa) e (T Mdia) ento (CT Bom) (1) 4. Se (UR Baixa) e (T Alta) ento (CT Bom) (1) 5. Se (UR Baixa) e (T Muito-Alta) ento (CT Ruim) (1) 6. Se (UR Mdia) e (T Muito-baixa) ento (CT Ruim) (1) 7. Se (UR Mdia) e (T Baixa) ento (CT Bom) (1) 8. Se (UR Mdia) e (T Mdia) ento (CT Bom) (1) 9. Se (UR Mdia) e (T Alta) ento (CT Mdio) (1) 10. Se (UR Mdia) e (T Muito-Alta) ento (CT Ruim) (1) 11. Se (UR Alta) e (T Muito-baixa) ento (CT Ruim) (1) 12. Se (UR Alta) e (T Baixa) ento (CT Mdio) (1) 13. Se (UR Alta) e (T Mdia) ento (CT Bom) (1) 14. Se (UR Alta) e (T Alta) ento (CT Ruim) (1) 15. Se (UR Alta) e (T Muito-Alta) ento (CT Ruim) (1)

Nesta Tabela 2, os valores entre parnteses indicam o peso da informao, que pode estar em [0,1], dependendo da indicao pelo especialista.

42

A Figura 1 mostra a superfcie 3D da variao no-linear da sensao de conforto trmico, como funo 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 inferncia de um valor , no intervalo [0,1] que representa a sensao de conforto trmico das matrizes. Neste sentido, possvel obter uma sada do sistema de inferncia para, por exemplo, uma temperatura de 26 C e umidade relativa de 75%, e, aps a defuzzificao encontrase o valor de 0,54, orientando que estas temperatura e umidade relativa dos ar geram condies de um ambiente de sensao de conforto trmico mdio. Esta a interpretao que permite o suporte a deciso.

Figura 1: Superfcie 3D-Sensao trmica como funo da temperatura e umidade relativa do ar.

Este resultado auxilia no suporte a deciso do controle da climatizao do galpo, garantindo assim uma melhor produo. Isso em geral realizado pela manuteno da varivel temperatura, uma vez que o controle da umidade relativa mostra-se operacionalmente complexo.

Concluses: O uso da teoria dos Conjuntos Fuzzy de interesse e utilidade para a continuidade de pesquisas desta natureza, pois permite a flutuao dos parmetros com resultados que concordam com as regras estabelecidas por especialistas. Nesse sentido, 43

j vm sendo criados cenrios para suporte a deciso na determinao da zona de termoneutralidade de algumas espcies em produo industrial. Ressalta-se que a observao e o armazenamento de informaes e dados do modelo que se quer analisar desempenham um papel decisivo nos resultados desse tipo de anlise. O uso dessa tcnica pode contribuir com o avano significativa desta rea de pesquisa, quando seus resultados forem associados aos dados de produo, o que j vem sendo estudado na Faculdade de Engenharia Agrcola da UNICAMP.

Referncias citadas AMENDOLA, M. Modelagem matemtica e simulao numrica para suporte a deciso de sistemas agrcolas. Ciclo de Palestras. CPG/FEAGRI.( www.agr.unicamp.br). COSTA, C. A Pontos Crticos do manejo de matrizes, Manejo de Matrizes, Campinas: Fundao Apinco de Cincia e Tecnologia Avcolas, 1-10p., (1994) JAFELICE, R., BARROS, L., BASSANEZI, R. e GOMIDE, F. Modelos Epidemiolgicos com Parmetros Subjetivos Relatrio Tcnico FEECUNICAMP, (2001). PEREIRA, D. F. - Avaliao do comportamento individual de matrizes pesadas (frango de corte) em funo do ambiente e identificao da temperatura crtica mxima. Dissertao de Mestrado. FEAGRI-UNICAMP. Campinas SP (2002). TINOCO, I.F.F. Ambincia e instalaes na produo de matrizes avcolas, In. SILVA, I.J.O, Ambincia na produo de aves em clima tropical, vol.2, p 1-74, (2001).

44