Seorang insinyur biasanya berusaha untuk memperlakukan variabel diskrit sebagai

kontinu bahkan dengan biaya mencapai solusi suboptimal ketika variabel kontinu dibulatkan.
Pertimbangkan variasi biaya isolasi berbagai ketebalan seperti yang ditunjukkan pada
Gambar E 1.1. Meskipun isolasi hanya tersedia dalam 0,5-in. kenaikan, perkiraan terus
menerus untuk ketebalan dapat digunakan untuk memfasilitasi solusi untuk masalah optimasi
ini.

2.2 CARA MEMBANGUN MODEL

Untuk kenyamanan presentasi, pengembangan model dapat dibagi menjadi empat
fase: (1) definisi dan formulasi masalah, (2) analisis awal dan rinci, (3) evaluasi, dan (4)
aplikasi interpretasi. Ingatlah bahwa membangun model adalah prosedur berulang. Gambar
2.2 merangkum kegiatan yang akan dilakukan,

yang dibahas secara rinci nanti. Isi bagian ini sangat terbatas cakupannya; sebelum benar-
benar memulai program pengembangan model yang komprehensif, bacalah buku teks tentang
pemodelan (lihat Referensi).

Tahap definisi dan formulasi masalah

Dalam fase ini masalah didefinisikan dan elemen-elemen penting yang berkaitan dengan
masalah dan solusinya diidentifikasi. Tingkat akurasi yang dibutuhkan dalam model dan
potensi penggunaan model harus ditentukan. Untuk mengevaluasi struktur dan kompleksitas
model, pastikan
1. Jumlah variabel independen untuk dimasukkan dalam model.
2. Jumlah persamaan independen yang diperlukan untuk menggambarkan sistem (kadang-
kadang disebut "urutan" model).
3. Jumlah parameter yang tidak diketahui dalam model

Pada bagian sebelumnya kami membahas beberapa masalah ini dalam konteks
model fisik versus empiris. Masalah-masalah ini juga terkait dengan pertanyaan verifikasi
model: jenis data apa yang tersedia untuk menentukan bahwa model adalah deskripsi proses
yang valid? Pembuatan model adalah proses berulang, seperti yang ditunjukkan oleh daur
ulang informasi pada Gambar 2.2.

Sebelum melakukan pemodelan yang sebenarnya, penting untuk mengevaluasi

justifikasi ekonomi untuk (dan manfaat dari) upaya pemodelan dan kemampuan staf
pendukung untuk melaksanakan proyek semacam itu. Terutama, tentukan bahwa model yang
berhasil dikembangkan sepenuhnya akan membantu menyelesaikan masalah optimisasi.

Fase desain
Fase desain meliputi spesifikasi konten informasi, deskripsi umum logika pemrograman dan
algoritma yang diperlukan untuk mengembangkan dan menggunakan model yang berguna,
perumusan deskripsi matematis dari model seperti itu, dan simulasi model. Pertama, tentukan
variabel input dan output, dan tentukan apa "sistem" dan "lingkungan". Juga, pilih
representasi matematis spesifik yang akan digunakan dalam model, serta asumsi dan batasan
model yang dihasilkan dari terjemahannya ke dalam kode komputer. Implementasi komputer
dari model mengharuskan Anda memverifikasi ketersediaan dan kecukupan perangkat keras
dan perangkat lunak komputer, menentukan media input-output komputer, mengembangkan
logika program dan flowsheet, dan menentukan modul program dan hubungan struktural
mereka. Penggunaan subrutin dan database yang ada menghemat waktu Anda tetapi dapat
mempersulit masalah optimisasi karena alasan yang dijelaskan dalam Bab 15

Fase evaluasi
Fase ini dimaksudkan sebagai pemeriksaan akhir model secara keseluruhan. Pengujian
elemen model individu harus dilakukan selama fase sebelumnya. Evaluasi model dilakukan
sesuai dengan kriteria evaluasi dan rencana uji yang ditetapkan dalam fase definisi masalah.
Selanjutnya, lakukan pengujian sensitivitas input model

dan parameter, dan menentukan apakah hubungan nyata secara fisik bermakna. Gunakan data
aktual dalam model bila memungkinkan. Langkah ini juga disebut sebagai pemeriksaan
diagnostik dan mungkin memerlukan analisis statistik dari parameter yang dipasang (Kotak

et al., 1978).

Validasi model memerlukan konfirmasi logika, asumsi, dan perilaku. Ini tugas melibatkan
perbandingan dengan data input-output historis, atau data dalam literatur, perbandingan
dengan kinerja pilot plant, dan simulasi. Secara umum, data yang digunakan dalam
merumuskan model tidak boleh digunakan untuk memvalidasinya jika memungkinkan.
Karena evaluasi model melibatkan banyak kriteria, akan sangat membantu untuk menemukan
pendapat ahli dalam verifikasi model, yaitu, apa yang dipikirkan orang yang tahu tentang
proses dimodelkan?

Tidak ada prosedur validasi tunggal yang sesuai untuk semua model. Namun demikian, itu
pantas untuk mengajukan pertanyaan: Apa yang Anda ingin model lakukan? Yang terbaik
dari semua dunia yang mungkin, Anda ingin model untuk memprediksi kinerja proses yang
diinginkan dengan akurasi yang sesuai, tetapi ini sering merupakan tujuan yang sulit
dipahami.

2.3 MEMILIH FUNGSI UNTUK MENDAPATKAN DATA EMPIRIS

Model menghubungkan output (variabel dependen atau variabel) ke independe variabel.

Setiap persamaan dalam model biasanya mencakup satu atau lebih koefisien yang dianggap
konstan. Parameter istilah seperti yang digunakan di sini berarti koefisien dan mungkin input
atau kondisi awal. Dengan bantuan data eksperimen, kita dapat menentukan bentuk model
dan selanjutnya (atau secara bersamaan) memperkirakan nilainya beberapa atau semua
parameter dalam model.

2.3.1 Cara Menentukan Bentuk Model

Model dapat ditulis dalam berbagai bentuk matematika. Gambar 2.3 menunjukkan beberapa
kemungkinan, beberapa di antaranya sudah diilustrasikan dalam Bagian 2.1. Bagian ini
berfokus pada kasus paling sederhana, yaitu model yang terdiri dari persamaan aljabar, yang
merupakan sebagian besar kendala kesetaraan dalam proses optimizati *. Penekanan di sini
adalah pada estimasi koefisien dalam model sederhana dan bukan pada kompleksitas model.

Pemilihan bentuk model empiris membutuhkan penilaian serta beberapa keterampilan dalam
mengenali bagaimana pola respons cocok dengan kemungkinan fungsi aljabar. Metode
optimisasi dapat membantu dalam pemilihan struktur model maupun dalam estimasi
koefisien yang tidak diketahui. Jika Anda dapat menentukan kriteria kuantitatif yang
mendefinisikan apa yang "terbaik" mewakili data, maka model dapat ditingkatkan dengan
menyesuaikan bentuknya untuk meningkatkan nilai kriteria. Model terbaik mungkin
menunjukkan kesalahan paling kecil antara data aktual dan respons yang diprediksi di
beberapa negaramerasakan.
 GAMBAR 2.3

bentuk model matematika yang khas

Hubungan tipikal untuk model empiris mungkinlinear dalam variabel dan koefisien linear
dalam koefisien, nonlinier dalam variabel (xl, x2)nonlinier dalam semua koefisien, nonlinier
dalam koefisien b (Nu: Nomor Nusselt; Re: Bilangan Reynolds). Ketika model linier dalam
koefisien, mereka dapat diperkirakan dengan suatu prosedur disebut regresi linier. Jika model
nonlinier dalam koefisien, estimasi mereka disebut sebagai regresi nonlinier. Dalam kedua
kasus, yang paling sederhana memadai model (dengan jumlah koefisien paling sedikit) harus
digunakan.

y = a. + alxl + a2x2 +...

y = a. + al,x: + a,+lx, +.-.

1
G(s) =
a 0+a 1 s +a 2 s 2

Nu = a(Re)b
Presentasi grafis dari data membantu dalam menentukan bentuk fungsidari satu variabel (atau
dua variabel). Respon y versus variabel independen x dapat diplot dan bentuk model yang
dihasilkan dievaluasi secara visual. Gambar 2.4 menunjukkan data perpindahan panas
eksperimental yang diplot pada koordinat log-log. Jalan cerita
Fig. 2.5 Angka Nusselt terprediksi untuk aliran turbulen dengan fluks panas dinding konstan
(disesuaikan dengan izin dari John Wiley dan Sons dari Bird et al., 1964). Singkatan: Nu =
Nusselt jumlah; Kembali = Jumlah Reynolds; Pr = Nomor Prandtl.

tampaknya sekitar linier pada rentang yang luas dari angka Reynolds (Re). Garis lurus pada
Gambar 2.4 akan sesuai dengan log Nu = log a + b log Re atau Nu = u (R ~) ~. Amati sebaran
data eksperimental pada Gambar 2.4, terutama untuk nilai-nilai Re yang besar. Jika dua
variabel independen terlibat dalam model, plot seperti itu ditunjukkan pada Gambar 2.5 dapat
membantu; dalam hal ini variabel independen kedua mampu menjadi parameter yang dijaga
konstan di berbagai tingkatan. Angka 2,6 menunjukkan berbagai fungsi nonlinear dan plot
terkait. Data ini dapat membantu memilih hubungan untuk fungsi nonlinear dari y versus x.
Fungsi empiris dari lebih dari dua variabel harus dibangun (atau dipangkas) secara bertahap
untuk menghindari variabel berlebihan yang tidak relevan atau hilang yang penting. Lihat ke
Bagian 2.4 untuk prosedur yang sesuai. Sekarang mari kita tinjau contoh untuk memilih
bentuk model yang sesuai dengan data percobaan.
Fig. 2.6. (lanjutan)

CONTOH 2.3 ANALISIS KOEFISIEN TRANSFER PANAS

Misalkan keseluruhan koefisien perpindahan panas dari penukar panas shell-and-tube adalah
dihitung setiap hari sebagai fungsi dari laju aliran di shell dan sisi tabung (ws dan wt secara
masing-masing). U memiliki satuan btu / (h) ("F) (ft 2), dan wt dan ws, berada dalam lb/h.
Angka E2.3a dan E2.3b menggambarkan data yang diukur. Tentukan bentuk model
semiempirical dari U versus ws dan wp berdasarkan analisis fisik.

Larutan. Anda dapat memilih untuk hanya memasukkan U sebagai fungsi polinomial dari ws
dan wt; tampaknya efeknya sangat kecil ws pada U, tetapi U tampak bervariasi secara linear
dengan w, (kecuali di kisaran atas w, saat mulai mendatar). Pendekatan yang lebih kuantitatif
atau dapat didasarkan pada analisis fisik penukar. Pertama tentukan mengapa w, tidak
memiliki efek pada U. Hasil ini dapat dijelaskan dengan rumus untuk perpindahan panas
secara keseluruhan koefisien

Jika ht kecil dan hs besar, U didominasi oleh ht, maka perubahan ws punya sedikit efek,
seperti yang ditunjukkan pada Gambar E2.3a.

Selanjutnya, periksa data untuk U versus w, dalam konteks Gambar 2.6. Untuk sebuah
alasan-kisaran mampu wt polanya mirip dengan kurva D dalam Persamaan (3) di mana

Yang dapat juga ditulis dengan

Perhatikan persamaan di antara Persamaan (c) dan (a), di mana x = h, dan y = U. Dari standar
korelasi koefisien perpindahan panas dard (Gebhart, 1971), Anda dapat menemukan bahwa h,
juga bervariasi berdasarkan Ktwt0,8, di mana Kt adalah koefisien yang tergantung pada cairan
fisik yang tepat. ikatan dan geometri penukar. Jika kita menggumpal llh, dan l / hf bersama
menjadi satu konstanta l/hsf, model semiempirik menjadi
Baris pada Gambar E2.3b menunjukkan seberapa baik Persamaan (d) cocok dengan data.

Dalam contoh dan angka sebelumnya kami menunjukkan bahwa fungsi untuk dua
independen variabel dapat dipilih. Ketika tiga (atau lebih) variabel independen terjadi, alat
analisis lanjutan, seperti desain eksperimental (lihat Bagian 2.4) atau analisis komponen
utama (Jackson, 1991), diperlukan untuk menentukan struktur dari model.

Setelah bentuk model dipilih, bahkan ketika itu melibatkan lebih dari dua variabel
independen, cocok dengan koefisien yang tidak diketahui dalam model menggunakan linear
atau regresi nonlinier cukup mudah. Kami membahas metode pemasangan koefisien di
bagian selanjutnya.

2.3.2 Memasukkan Model oleh Kotak Terkecil

Bagian ini menjelaskan ide dasar estimasi kuadrat terkecil, yang digunakan untuk
menghitung nilai koefisien dalam model dari data eksperimen. Dalam memperkirakan nilai-
nilai koefisien untuk berbasis empiris atau secara teoritis model, perlu diingat bahwa jumlah
set data harus sama atau lebih besar dari jumlah koefisien dalam model. Misalnya, dengan
tiga titik data y versus x, Anda dapat memperkirakan paling banyak nilai tiga koefisien.
Periksa Gambar 2.7. Garis lurus mungkin mewakili tiga poin secara memadai, tetapi data
dapat dipasang persis menggunakan model kuadratik

Dengan memperkenalkan nilai-nilai titik data (Y ,, x,) ke dalam Persamaan 2.2, Anda
memperolehnya persamaan Yl sebagai fungsi dari tiga koefisien yang tidak diketahui.
Himpunan tiga data Oleh karena itu poin menghasilkan tiga persamaan linier dalam tiga tidak
diketahui (koefisien) itu bisa dipecahkan dengan mudah.
Untuk mengkompensasi kesalahan yang terlibat dalam data eksperimen, jumlah data set harus
lebih besar dari jumlah koefisien p dalam model. Kotak kuadrat hanyalah penerapan optimasi
untuk mendapatkan solusi "terbaik" dari persamaan, yang berarti bahwa jumlah kuadrat
kesalahan antara diprediksi dan nilai eksperimental dari variabel dependen y untuk setiap titik
data x diminimalkan. Pertimbangkan model aljabar umum yang linier dalam koefisien.

Gambar 2.7 Linear versus kuadrat cocok untuk tiga titik data.

Ada p variabel bebas xj, j = 1,. . . , hal. Independen di sini berarti dapat dikontrol atau
disesuaikan, tidak berfungsi secara independen. Persamaan (2.3) adalah linear dengan
menghormati Pj, tetapi xj bisa nonlinier. Perlu diingat, bahwa nilai-nilai xj (berdasarkan data
input) hanya angka yang diganti sebelum diselesaikan estimasi Dj, maka fungsi-fungsi
nonlinear dari xj dalam model tidak menjadi perhatian. Untuk Misalnya, jika model adalah
fungsi kuadratik,

kami tentukan
dan struktur umum Persamaan (2.3) terpenuhi. Dalam membaca Bagian 2.4 Anda akan
belajar bahwa perhatian khusus harus diambil dalam mengumpulkan nilai x untuk
menghindari nilai tinggi tingkat korelasi antara xi.

Pengenalan Persamaan (2.3) ke dalam fungsi objektif jumlah kesalahan kuadrat member

GAMBAR 2.7. Linear versus fit kuadrat untuk tiga titik data.

Ada p variabel bebas xj, j = 1,. . . , hal. Independen di sini berarti dapat dikendalikan atau
disesuaikan, tidak independen secara fungsional. Persamaan (2.3) adalah linier sehubungan
dengan Pj, tetapi xj bisa nonlinier. Perlu diingat, bahwa nilai-nilai xj (berdasarkan data input)
hanyalah angka-angka yang disubstitusikan sebelum penyelesaian untuk estimasi Dj, maka
fungsi-fungsi nonlinear dari xj dalam model tidak menjadi perhatian. Misalnya, jika model
adalah fungsi kuadratik,

y=β 1 + β 2 x + β 3 x 2

Dengan specify

x 1=1

x 2=x

x 3=x 2

dan struktur umum Persamaan (2.3) terpenuhi. Dalam membaca Bagian 2.4 Anda akan
belajar bahwa perhatian khusus harus diambil dalam mengumpulkan nilai x untuk
menghindari tingkat korelasi yang tinggi antara xi. Pengenalan Persamaan (2.3) menjadi
fungsi objektif jumlah kesalahan kuadrat memberikan

Variabel independen sekarang diidentifikasi oleh subskrip ganda, indeks pertama yang
menunjukkan jumlah kumpulan data (percobaan) (i = 1, ..., n) dan yang kedua variabel
independen (j = 1, p).

Meminimalkan f sehubungan dengan β melibatkan membedakan f sehubungan dengan β 1, β 2,.

. . , β p, dan menyamakan p derivatif parsial menjadi nol. Ini menghasilkan persamaan p yang
menghubungkan nilai p yang tidak diketahui dari estimasi koefisien β 1 ,. . . , β p

Ketika, β 1 = nilai estimasi dari β 1

x 'ij s = nilai eksperimental dari xj

Yi = variabel dependen yang diukur

Note : simetri istilah penjumlahan dalam x, dan penomoran xu dalam penjumlahan sesuai
dengan indeks matriks (baris, kolom). Himpunan p persamaan ini dalam p tidak diketahui
dapat diselesaikan pada komputer menggunakan salah satu dari banyak rutin yang tersedia
untuk memecahkan persamaan linear simultan.

Persamaan (2.5) dapat diekspresikan dalam bentuk yang lebih kompak jika notasi matriks
digunakan (lihat Lampiran A). Biarkan model diekspresikan dalam notasi matriks vektor
sebagai
Paket statistik dan spreadsheet memecahkan persamaan simultan dalam (2.8) untuk
memperkirakan 6 daripada menghitung matriks invers dalam Persamaan (2.9). Dua contoh
berikut menggambarkan penerapan Persamaan 2.9 agar sesuai dengan koefisien dalam fungsi
objektif. Prosedur yang sama digunakan untuk menyesuaikan koefisien dalam model kendala.