Livro Calculo Numerico AVILA Final PDF

CÁLCULO NUMÉRICO
APLICADO À ENGENHARIA ELÉTRICA

COM MATLAB
SÉRGIO LUCIANO ÁVILA
1° Edição
Reitora
Maria Clara Kaschny Schneider
Diretora do Campus Florianópolis

Andréa Martins Andujar
Chefe do Departamento Acadêmico de Eletrotécnica

James Silveira
INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA

DE SANTA CATARINA – IFSC – CAMPUS FLORIANÓPOLIS
AV. MAURO RAMOS N. 950, FLORIANÓPOLIS, SC.
SÉRGIO LUCIANO ÁVILA
CÁLCULO NUMÉRICO
APLICADO À ENGENHARIA ELÉTRICA
COM MATLAB©
FLORIANÓPOLIS
2019
Revisão e diagramação: Miriane Campos, jornalista.
Catalogação na fonte pelo Instituto Federal de Educação, Ciência e

Tecnologia de Santa Catarina – IFSC
A958c Ávila, Sérgio Luciano

Cálculo numérico aplicado à engenharia elétrica com MATLAB
[recurso eletrônico] / Sérgio Luciano Ávila. - Florianópolis:
Publicações do IFSC, 2019.
137 p. : il. color.
Inclui índice remissivo.

ISBN 978-85-8464-138-3
1. Cálculo numérico. 2. Raízes numéricos. 3. Sistemas

lineares. 4. Sistemas não-lineares. I. Título
CDD 518
Elaborada pela Bibliotecária Renata Ivone Garcia – CRB-14/1417

CREATIVE COMMONS
VEDADO USO PARA FINS COMERCIAIS
GITHUB
HTTPS://GITHUB.COM/PECCE-IFSC/CALCULO_NUMERICO_MATLAB
TODOS OS ALGORITMOS ESTÃO DISPONIBILIZADOS
MATLAB ©
LICENÇA R2019A 40822288
GRUPO DE PESQUISAS EM COMPUTAÇÃO CIENTÍFICA PARA ENGENHARIA

SITES.FLORIANOPOLIS.IFSC.EDU.BR/PECCE
REVISADO POR
PROFESSOR FERNANDO SANTANA PACHECO, DR. ENG.
[email protected]
Eletrotécnico (ETFSC-1994) e Engenheiro Industrial Eletricista
(FURB-2000). Possui mestrado pela UFSC (2002) e doutorado
com duplo-diploma pela Ecole Centrale de Lyon/França e UFSC
(2006), ambos em engenharia elétrica e versando sobre
otimização de dispositivos e sistemas. Pós-doutoramento
industrial na Schneider Electric (INPG – França, 2006). Pós-
doutoramento na Escola Politécnica da USP (2008). Desde 2010
é Professor no IFSC. Líder do Grupo de Pesquisas em
Computação Científica para Engenharia (PECCE), que envolve
pesquisadores do IFSC e empresas da Associação Catarinense
de Empresas de Tecnologia. Atualmente, trabalha no
desenvolvimento de soluções para diagnóstico preditivo, que
envolvem instrumentação industrial e ferramentas de
inteligência artificial.
lattes.cnpq.br/7864845374871073
“Naturalmente deves trabalhar de maneira a não atentar contra a

própria consciência.”
Umberto Eco
Agradecimentos,
aos colegas do IFSC.
ao PECCE.
ao Professor Fernando Santana Pacheco pelas contribuições.
a minha família, obrigado pela paciência.
ei, tem onda. toca!
Motivação
____________________________________________________________________
Cálculo Numérico
Aplicado à Engenharia Elétrica
Área de concentração : Engenharia Elétrica
Público : graduandos e pós-graduandos
cálculo numérico,
Palavras-chave : métodos numéricos,
aprendizagem baseada em problemas
A motivação deste livro é ter um material onde a partir de um problema e

entendendo a sua natureza, o leitor escolha a ferramenta numérica mais
apropriada para a sua resolução. A inspiração são as práticas pedagógicas
conhecidas por metodologia da problematização ou aprendizagem
baseada na resolução de problemas (problem based learning).
Assim, apresenta-se aqui um livro de cálculo numérico aplicado à

engenharia elétrica e as suas principais técnicas numéricas.
Neste contexto, não serão tratados em profundidade as teorias de cada

método, sua origem ou a sua validação matemática. O objetivo é dotar
o leitor de conhecimento suficiente para entender a natureza do seu
problema, e assim o sendo, que ele possa escolher e aplicar um método
numérico apto a sua resolução.
O livro é organizado por capítulos, onde cada um trata de uma

natureza de problemas dentro da engenharia elétrica. Cada capítulo
possui: apresentação de um problema; apresentação da sua solução
analítica ou a explicação do por que ela não é possível; debate sobre
método(s) numérico(s) que o resolva; apresentação da resolução do
problema pelo método numérico escolhido; justificativa se a solução
____________________________________________________________________
i
Motivação
____________________________________________________________________
obtida é adequada; apresentação de pseudocódigo computacional e

bibliotecas numéricas sobre o tema; lista de problemas similares;
referências bibliográficas básicas e de aplicações.
O conteúdo inicia com uma discussão preliminar sobre a modelagem

numérica, o uso de computadores, suas vantagens e desvantagens.
Após, seguem-se capítulos sobre a busca por raízes, a resolução de
sistemas lineares e não lineares, a interpolação de dados, a derivação
e integração de funções, a resolução de equações diferenciais
ordinárias e parciais, e por fim, a resolução de equações integrais.
Reconhece-se que faltam aqui temas relevantes como métodos

estocásticos para resolução de sistemas de equações. Estes temas
aparecerão em edições futuras. Outros temas foram considerados
muito densos para a presente proposta. São exemplos: pesquisa
operacional, otimização, aprendizado de máquina e inteligência
artificial. Estes temas serão o foco de futuras publicações.
Reforça-se que o propósito maior deste livro é abrir portas, nunca

esgotar assuntos. Para obter maior detalhamento dos métodos bem
como suas validações, sugere-se a busca pelas obras clássicas sobre
cálculo numérico ou específicos de cada tema. Este livro é inspirado
nas seguintes referências:
[1] L. C-Torres and M. B-Tobar, Problem-Based Learning: a didactic

strategy in the teaching of system, Springer, 2019. ISBN
978303013394.
[2] C. Glover, Numerical Computing with MATLAB, MATHWORKS,
[online] https://www.mathworks.com/moler/index_ncm.html
[3] S. C. Chapra, Métodos Numéricos Aplicados com Matlab, 3rd Ed.
AMGH, 2013. ISBN 9788580551761.
[4] REAMAT, Cálculo Numérico – Um Livro Colaborativo, UFRGS.
[online] www.ufrgs.br/reamat/CalculoNumerico
[5] M. N. O. Sadiku, Numerical Techniques in Electromagnetics with
Matlab, CRC Press, 2009. ISBN 9781420063097.
____________________________________________________________________
ii
Sumário
____________________________________________________________________
Pg.
Motivação i
Sobre cálculo numérico 1

Resolvendo problemas da engenharia com computador 1
Aproximações e erros 4
1. Raízes 7
1.1. Método intervalar: bissecção 10
1.2. Método iterativo: Newton-Raphson 12
1.3. Exercícios propostos 15
2. Sistemas Lineares 17
2.1. Método direto: eliminação de Gauss 21
2.2. Método direto: decomposição LU 22
2.3. Método iterativo: Gauss-Siedel 23
3. Sistemas Não-Lineares 29
3.1. Método iterativo: Newton-Raphson 31
4. Ajuste de Curvas 35
4.1. Ajuste de curvas por regressão 36
4.1.1. Mínimo quadrados discreto – regressão linear 37
4.1.2. Mínimo quadrados contínuo – regressão polinomial 39
4.2. Ajuste de curvas por interpolação 43
4.2.1. Polinômios interpoladores de Newton 44
4.2.2. Polinômios interpoladores de Lagrange 46
4.3. Interpolação por splines ou por partes 48
4.4. Ajuste de curvas por funções senoidais 55
4.5. Série de Fourier 58
____________________________________________________________________
ii
Sumário
____________________________________________________________________
5. Integração Numérica 65
5.1. Fórmulas de Newton-Cotes 67
5.2. Fórmulas de integração de funções 70
6. Derivação Numérica 75
6.1. Fórmulas de derivação 76
6.2. Gradiente 79
7. Equações Diferenciais Ordinárias 83

7.1. Range-Kutta de 4° ordem 85
7.2. Problema com múltiplas EDOs 86
7.3. Sistema EDOs rígida 89
8. Equações Diferenciais Parciais 93

8.1. Método das diferenças finitas 96
8.2. Introdução a métodos avançados baseados em EDPs 99
8.2.1. Método de elementos finitos (FEM) 99
8.2.2. Diferenças finitas no domínio do tempo (FDTD) 102
8.2.3. Método de linhas de transmissão (TLM) 105
9. Equações Integrais 111

9.1. Método dos momentos (MoM) 113
Continuação dos estudos 120

Discussão sobre como transformar dados em
informação com otimização, pesquisa operacional,
aprendizado de máquina e inteligência artificial.
Índice remissivo 123
____________________________________________________________________
iii
Sobre cálculo numérico
____________________________________________________________________

Engenharia é a geração e a aplicação do conhecimento para inventar,
construir e melhorar soluções que promovam avanços na qualidade
de vida da sociedade. Portanto, a(o) engenheira(o) pode ser definido
como aquele que conjuga conhecimentos multidisciplinares e os aplica
tendo em conta a sociedade, a técnica, a economia e o meio ambiente.
Engenheiras(os) constroem suas hipóteses tendo por início os

princípios de conservação da natureza, os quais levam a equações de
continuidade e de balanço [1]. O que o engenheiro faz é observar e
entender um fenômeno ou problema, traduzi-lo numa modelagem
matemática coerente, aplicar técnicas numéricas eficientes para
resolvê-lo e, por fim, validar as soluções encontradas. Caso as
soluções não sejam adequadas, volta-se à definição do problema. A
figura 1 ilustra esse processo iterativo de desenvolvimento da solução.
Nas últimas décadas, este processo iterativo pela busca do

conhecimento tornou-se mais simples com a ajuda dos computadores.
Resolvendo problemas da engenharia com computador
Cálculo numérico, métodos numéricos, engenharia assistida por

computador, projeto assistido por computador, computer aided
engineering (CAE), computer aided design (CAD), matemática
computacional e computação científica. Estes são alguns dos nomes
utilizados para designar o campo de estudo interessado na construção
de modelos matemáticos e de técnicas de soluções numéricas
utilizando computadores para analisar e resolver problemas de
engenharia [1]-[3].
___________________________________________________________________
1
____________________________________________________________________
Quando a resolução analítica é possível, ótimo. Entretanto, quanto

mais próximo se deseja a modelagem de um problema real, mais
complexo será o seu entendimento e, consequentemente, mais
complexa a sua formulação matemática.
Utiliza-se a modelagem e a simulação computacional quando o

sistema real é de difícil entendimento na sua totalidade. Outros
aspectos que as motivam são a redução de custos para realização de
ensaios ou de provas, bem como a necessidade de repetibilidade de
resultados ou o estudo de situações críticas.
Figura 1. Metodologia de modelagem numérica – processo iterativo.
___________________________________________________________________
2
____________________________________________________________________
A observação de situações aguça a busca por conhecimento para

entendê-las. Experimentos, testes e busca por teorias existentes
podem ser feitos para aumentar o conhecimento prévio. A experiência
do engenheiro acerca do tema é de grande valia neste momento inicial.
A análise estatística (numerical design of experiments – DoE) ajuda a

definir uma sequência ordenada de ações na definição do problema
[4]. Além disto, procedimentos de análise de sensibilidade podem
fornecer uma compreensão abrangente das influências dos diversos
parâmetros e suas consequências nos resultados do modelo [5].
Nesta fase inicial, ‘problema em estudo’ conforme Figura 1, os

objetivos são avaliar a influência dos parâmetros e quantificar a
incerteza do modelo. Com base nos resultados das ferramentas do DoE
e de análise de sensibilidade, um modelo reduzido com um conjunto
menor de parâmetros significativos pode ser obtido. Isso pode implicar
em modelos numéricos mais simples. E, em assim sendo, a dificuldade
de resolução pode diminuir.
Uma vez que o problema está claro, a sua representação física e

matemática pode ser definida. Desta forma, novas escolhas devem ser
feitas. Equações algébricas podem ser lineares (capítulo 2) ou não
lineares (capítulo 3). Equações diferenciais podem ser ordinárias
(capítulo 7) ou parciais (capítulo 8). Equações diferenciais podem ser
convertidas em equações integrais equivalentes (capítulo 9). A escolha
por uma formulação é um equilíbrio entre a abstração física e a
correção da solução.
Outras tomadas de decisão devem ser feitas entre a definição do

problema e a validação da solução. Cada escolha pode levar a soluções
mais ou menos precisas, com mais ou menos esforço computacional.
Uma discussão pertinente é a escolha da linguagem de programação

a ser utilizada. É cada vez mais comum encontrar softwares
comerciais para simulação. Eles são úteis e geralmente fornecem
muitas ferramentas de pós-processamento que ajudam a visualizar os
resultados.
___________________________________________________________________
3
____________________________________________________________________
Por outro lado, uma desvantagem no uso de software comercial é a

falta de controle sobre todas as variáveis que um engenheiro deve
abordar durante uma investigação. Assim, o desenvolvimento de
programação própria é válido.
Pascal, Fortran e C, entre outras linguagens de programação exigem

um grande conhecimento em programação estruturada [6]. Este foi o
paradigma dominante na criação de software até a programação
orientada a objetos, sendo as mais populares C ++ e Visual C ++.
Recentemente, surgiu a linguagem interpretada. Ela utiliza

simplificações na maneira de se escrever um código. Muitas vezes isto
resulta em um formalismo pobre e no uso de bibliotecas prontas,
gerando dependência similar aos softwares comerciais. Como enorme
vantagem, a linguagem interpretada permite a(o) engenheira(o) testar
suas ideias sem a necessidade de dedicar um tempo considerável com
a rigidez da programação estruturada. Matlab [7] e Python [8] são
exemplos de linguagens interpretadas.
Além disso, o uso de bibliotecas open source também está se tornando

uma opção regular. Pode-se encontrar muitos exemplos de
ferramentas de código aberto. No entanto, até mesmo um código bem
escrito pode conter erros.
Sobre aproximações e erros
Exatidão pode ser definida como o quão próximo os valores calculados

ou medidos estão próximos do verdadeiro. Importante não confundir
com precisão. Precisão é o quão próximo os valores individuais
medidos ou calculados estão uns dos outros.
Como discutido antes, a primeira questão é saber até que ponto o

modelo matemático bem representa a situação em estudo. Deve-se ter
conhecimentos relativos às etapas de modelagem suficientes para,
pelo menos, ter ciência de qual o grau de exatidão que se pode
conseguir e, consequentemente, qual o erro tolerável.
___________________________________________________________________
4
____________________________________________________________________
Associam-se a isto os chamados erros numéricos. Erros numéricos

são aqueles causados pelo uso de aproximações para representar
quantidades matemáticas exatas. Eles podem ser de dois tipos: erros
de arredondamento e de truncamento.
Erros de arredondamento surgem porque os computadores têm limites

de tamanho e precisão em sua capacidade de representar números.
Em alguns casos, esses erros podem direcionar os cálculos para
instabilidades numéricas, fornecendo resultados incorretos ou mal
condicionados. Erros de arredondamento podem levar a discrepâncias
sutis difíceis de detectar.
Erros de truncamento resultam do uso de uma aproximação numérica

no lugar de um procedimento matemático exato, geralmente uma
tomada de decisão do engenheiro. Por exemplo, um número máximo
de repetições em um processo iterativo.
Além disso, na ciência da computação, a eficiência pode ser uma

característica relacionada ao número de recursos computacionais
utilizados pelo algoritmo, como tempo, espaço e memória. Então, na
análise numérica, os erros de discretização são aqueles que resultam
do fato de que uma função de uma variável contínua é representada
por um número finito de avaliações. De forma geral, os erros de
discretização podem ser reduzidos usando um número maior de
avaliações. Logo, tem-se o aumento do custo computacional.
Finalmente, outras ferramentas numéricas podem ser usadas para

entender melhor a solução numérica obtida. Cita-se como exemplo a
regressão, a interpolação e as splines (capítulo 4). Entender o
comportamento do problema, não apenas o valor bruto da solução
final, também pode ser possível em muitos casos.
Utilizada em uma ampla gama de situações, técnicas de aprendizado

de máquina ou de forma genérica, a chamada inteligência artificial,
estão sendo aplicadas para a modelagem numérica e a sua solução. O
uso dessas técnicas é um marco importante, a saber, como interpretar
dados sem assistência humana [9].
___________________________________________________________________
5
____________________________________________________________________
Em resumo, a metodologia para desenvolver uma representação

numérica exige uma grandeza de detalhes e cuidados proporcionais à
complexidade da situação em estudo. Simplificações, aproximações e
erros são comuns. Entender tais limitações é fundamental para se
obter e julgar soluções como adequadas.
A motivação deste livro é ter um material onde a partir de um problema

real e entendendo a sua natureza, o leitor escolha a ferramenta
numérica mais apropriada para a sua resolução. Claro, num estágio
inicial, chamado de cálculo numérico.
Referências
[1] J. Jewett and R. Serway, Física para cientistas e engenheiros, Ed.

Cegange Learning, 2011. ISBN 9788522111107.
[2] W. Shen, An Introduction to Numerical Computation, E. World
Scientific Publishing, 2018. ISBN 9789814730068.
[3] T. A. Driscoll and R. J. Braun, Fundamentals of Numerical
Computation, Ed. Siam, 2017. ISBN 9781611975079.
[4] T. Elser, Factorial Design: Understanding Design of Experiments
(DoE) and Applying it in Practice, Ed. CreateSpace Independent
Publishing Platform, 2017. ISBN 9781542906111.
[5] Il H. Park, Design Sensitivity Analysis and Optimization of
Electromagnetic Systems (Mathematical and Analytical
Techniques with Applications to Engineering). Ed. Springer, 2019.
ISBN 9789811343643.
[6] M. Back, Programação na Engenharia! Guia prático para começar
a programar em Linguagem C. e-book Kindle Edition, 2017.
[7] https://www.mathworks.com/products/matlab.html
[8] https://python.org.br/
[9] M. Awad and R. Khanna, Efficient Learning Machine: Theories,
Concepts and Applications for Engineers and System Designers,
eBook Kindle, 2015. ISBN 1430259892.
___________________________________________________________________
6
Capítulo 1: Raízes
____________________________________________________________________
Raízes
As equações da engenharia são usualmente baseadas em princípios
de conservação, por exemplo as leis de Kirchhoff para análise de
circuitos elétricos. Esses princípios são explicados por funções de
continuidade e de balanço que explicitam o comportamento do
fenômeno em estudo.
Caso tenhamos uma única função que bem represente esse fenômeno,
uma possível solução é buscar a sua raiz. Uma raiz ou zero da função
consiste em determinar os pontos de intersecção da função com o eixo
das abscissas no plano cartesiano.
Para tal, baseia-se no teorema de Bolzano sobre existência e

unicidade:
Assumindo que 𝑓: [𝑎, 𝑏] → ℝ e 𝑓(𝑥) é uma função contínua tal
que 𝑓(𝑎). 𝑓(𝑏) < 0, então, existe 𝑥 ∗ ∈ (𝑎, 𝑏) tal que 𝑓(𝑥 ∗ ) = 0. [1]
Este capítulo apresenta duas maneiras para a aproximação numérica

na busca de raízes: um método intervalar (bissecção) e um método
aberto (Newton-Raphson).
Quando o problema em estudo apresenta aspectos de

interdependência entre variáveis, certamente resultará em um
conjunto de funções acopladas. Elas devem ser resolvidas
simultaneamente por meio de um sistema de equações. Isto será
tratado nos capítulos sobre sistemas lineares e sistemas não-lineares.
____________________________________________________________________
7
____________________________________________________________________
Importante a distinção entre raiz, valores máximos e valores mínimos

de uma função. Processos para a determinação de valores máximos e
mínimos são denominados otimização – tema não abordado neste
livro. A busca por raízes pode ser transformada em otimização e vice-
versa. Para tal, manipulações na equação devem ser realizadas. A
figura 1.1. ilustra esta diferença.
Figura 1.1. Raízes, máximos e mínimos de uma função.
O problema
Calcule a corrente que circulará no circuito eletrônico ilustrado.
Admitindo um diodo de silício

próximo da idealidade, sua queda
de tensão é de 0,7 V.
Por análise de malha:
𝐼 = (𝑉 − 𝑉𝑑 )/𝑅. (1.1)
____________________________________________________________________
8
____________________________________________________________________
A equação 1.1 é uma equação algébrica com simples resolução

analítica. Considerando V = 24 V e R = 10 Ω, tem-se I = 2,3300A.
Saindo da idealidade, sabe-se que a operação do diodo varia com a sua

temperatura. Um possível modelo que relaciona a tensão (Vd), a
corrente (Id) e a temperatura de operação (T) no diodo pode ser:
𝑘𝑇 𝐼
𝑉𝑑 = (𝑛 ) log( 𝐼 𝑑 + 1), (1.2)
𝑞 𝐶𝑅
onde ICR é a corrente de condução reversa, n é o coeficiente de emissão,

k é a constante de Boltzmann e q é a carga do elétron [2][3].
Entendendo que a corrente no diodo é a corrente no circuito, por

análise de malha, tem-se:
𝑉 = 𝑉𝑑 + 𝑅𝐼𝑑 ,
(1.3)
𝑘𝑇 𝐼𝑑
então 𝑉 = (𝑛 ) log ( 𝐼 + 1) + 𝑅 𝐼𝑑 .
𝑞 𝐶𝑅
A partir daqui, por mais que se tente manipular, não se consegue

resolver a equação de forma explícita para Id. O termo log (𝐼𝑑 ⁄𝐼𝐶𝑅 + 1)
não permite. Assim sendo, uma resolução direta fica inviável.
Uma maneira alternativa é subtrair dos dois lados da igualdade o

termo a sua esquerda, adquirindo uma nova função:
𝑘𝑇 𝐼
𝑓(𝐼) = (𝑛 ) log ( 𝐼 𝑑 + 1) + 𝑅 𝐼𝑑 − 𝑉 . (1.4)
𝑞 𝐶𝑅
Agora, a resposta para o problema é encontrar um valor para Id que

torna a função igual a zero, portanto, a sua raiz.
____________________________________________________________________
9
____________________________________________________________________
Uma maneira para isto é graficar o comportamento de 𝑓(𝐼). Por inspeção

visual e pouco precisa, obtém-se I. Admitindo um diodo 1N4001 com
ICR = 31,9824 nA, n = 2, k = 1,3806.10-23 J/K, T = 300K (26,85C°) e q =
1,6022×10−19 C, consegue-se o comportamento ilustrado.
A corrente tem valor

aproximado de 2,3000A.
Assim sendo, conforme (1.1),

obtém-se Vd de 0,9353V.
Pode-se utilizar métodos numéricos para se resolver o problema com

mais precisão, caso necessário. Existe inúmeros métodos para
identificação de raízes, que podem ser divididos em duas famílias:
métodos intervalares e métodos iterativos. Talvez os mais conhecidos
e eficientes dentro dessas famílias para o objetivo aqui proposto sejam
os métodos de bissecção e Newton-Raphson, respectivamente.
1.1. Método intervalar: bissecção
De forma geral, se f(x) for real e contínua no intervalo [𝑥1 , 𝑥2 ] e

𝑓(𝑥1 ) e 𝑓(𝑥2 ) tiverem sinais opostos, portanto
𝑓(𝑥1 ). 𝑓(𝑥2 ) < 0 , (1.4)
então existe pelo menos uma raiz real entre x1 e x2.
O método intervalar de bissecção utiliza este entendimento. A nova

solução x é obtida pela média entre x1 e x2. A determinação do novo
intervalo é feita pela checagem de (1.4) para x, x1 e x2. O critério de
parada pode ser definido como a diferença de f(x) entre duas iterações
subsequentes ou pela sua proximidade com o zero. A figura 1.2. ilustra
três iterações do método intervalar de bissecção.
____________________________________________________________________
10
____________________________________________________________________
Figura 1.2. Método de Bissecção.
Resolução assistida por computador
x=x1;
while (1)
x = (x1+x2)/2;
fx1 = f(x1);
fx = f(x);
test = fx1*fx;
if test<0 x2 = x;
elseif test > 0 x1 = x;
else ec = 0;
end
e = abs(fx1-fx); iter = iter+1;
if e <= TOL || iter >= maxit, break, end
end
É necessário declarar a função em estudo ( f ), o erro tolerado (TOL),
o número de iterações máximo (iter) e os valores iniciais de x1 e x2.
Função nativa do Matlab: fzero – busca uma raiz numa equação.
____________________________________________________________________
11
____________________________________________________________________
A tabela 1.1. apresenta o resultado numérico para o problema do

circuito eletrônico. A função em estudo é a eq. (1.4).
Os valores iniciais de x1 e x2 foram adotados tendo por base a

experiência prévia sobre o problema, no caso a resolução analítica
próximo à idealidade. Aqui foi usado [2,0000 2,5000] A.
Tabela 1.1. Resolução pelo método de bissecção.
Iteração x1 x2 X F(x1) F(x) Erro

1 2,0000 2,5000 2,2500 -3,0719 -0,5658 2,5061
2 2,2500 2,5000 2,3750 -0,5658 0,6870 1,2528
3 2,2500 2,3725 2,3125 -0,5658 0,0606 0,6264
4 2,2500 2,3125 2,2812 -0,5658 -0,2526 0,3132
5 2,2812 2,3125 2,2969 -0,2526 -0,0960 0,1568
...
16 2,3064 2,3064 2,3064 -0,0002 -0,0001 0,0001
O conhecimento prévio acelera processos numéricos, entretanto deve ser

usado com cuidado para não induzir falsas ou não tão boas soluções.
O critério de parada utilizado foi a diferença de f(x) entre duas iterações

subsequentes iguais ou menores que 0,0002. O valor de x na 16a
iteração é de 2,3064 A. Com este valor, conforme (1.1), Vd = 0,9355 V.
Destaca-se aqui o cuidado com o número de algoritmos significativos.

O cálculo realizado, bem como a Tabela 1.1, foram truncados em
quatro algarismos e pode incutir em erro. O erro por arredondamentos
mal feitos em aproximações numéricas é bem comum. Aqui, uma
forma de mitigá-lo é reduzir o erro tolerado (< 0,0002). Isto aumenta o
esforço computacional.
1.2. Método iterativo: Newton-Raphson
A derivada de primeira ordem de uma função ( 𝑓′(𝑥) ) é equivalente à

inclinação da função, assim sendo, uma aproximação da raiz é:
____________________________________________________________________
12
____________________________________________________________________
𝑓(𝑥 )
𝑥𝑖+1 = 𝑥𝑖 − 𝑓′(𝑥𝑖 ) . (1.5)
𝑖
Assim, a informação de onde o eixo x será atravessado por uma reta

tangente ao ponto [ 𝑥𝑖 , 𝑓(𝑥𝑖 )] pode ser utilizada como aproximação para
a raiz de 𝑓(𝑥).
O método de Newton-Raphson usa este princípio geométrico, conforme

ilustrado na figura 1.3. A cada iteração, um novo 𝑥𝑖+1 é determinado.
Figura 1.3. Método de Newton-Raphson.
iter = 0;
while (1)
xold = x; func = f(x); dfunc = df(x);
xr = xr-func/dfunc;
iter = iter +1; raiz(iter) = x;
if x ~= 0,
e(iter)=abs((x-xold)/x);
end
if e(iter) <= TOL || iter >= maxit, break, end
end
Faz-se necessário declarar a função em estudo (f), a derivada desta
função (df), o erro tolerado (TOL), o número de iterações máximo
(iter) e o valor inicial de x.
____________________________________________________________________
13
____________________________________________________________________
A função em estudo é (3). A sua derivada é
𝑘𝑇
0,4343(𝑛 )
𝑞 (1.6)
𝑓′(𝐼) = +𝑅 .
(𝐼𝑑 +𝐼𝐶𝑅 )
O valor inicial adotado foi x = 2 A. O erro tolerado foi obtido na terceira

iteração. O esforço computacional necessário aqui é menor que o
dispendido no método de bissecção. A tabela 1.2. apresenta o
resultado numérico para o problema proposto.
Tabela 1.2. Resolução pelo Método de Newton-Raphson.
Iteração X F(x) F’(x) Erro

1 2,0000 -3,0719 10,0112 0,0133
2 2,3068 0,0039 10,0097 0,0002
3 2,3064 0,0000 10,0097 <0,0001
Em contrapartida, nem sempre é fácil obter a derivada de uma função.

Erros de convergência também podem acontecer quando houver
características peculiares do comportamento da derivada da função
em estudo. São exemplos de dificuldades: a função possuir regiões
paralelas ou quase perpendiculares ao eixo x (inclinação próxima a 0°
ou 90°). Nestes casos, a derivada pode apresentar problemas
numéricos.
____________________________________________________________________
14
____________________________________________________________________
1.3. Exercícios propostos
1. Calcule o comprimento do cabo (C) entre duas torres de

transmissão (i.e. a catenária) [4]. A distância entre as torres é de d
= 500m. A flecha máxima permitida é fmax = 50m. Flecha é a
distância vertical entre uma reta que liga os dois pontos de fixação,
conforme indicado na ilustração. A flecha depende do comprimento
do vão (d), da temperatura do cabo e da tração aplicada ao cabo
quando este é instalado. O seu modelo matemático pode ser:
𝑑
𝑓 = 𝐶. [𝑐𝑜𝑠ℎ ( ) − 1] (1.7)
2𝐶
Resposta: 633,1621m
2. Um retificador de meia onda a diodo alimenta uma carga indutiva-

resistiva (f = 1 kHz, L = 100 mH e R = 1 kΩ). Encontre o ângulo β
para o qual a corrente no diodo se anula. Considere o seguinte
modelo matemático:
𝛽
(− ) (1.8)
𝐼𝑑 = sin(𝛽 − 𝛷) + sin(𝛷)𝑒 tan(𝛷)
tan(ϕ) = 2πf.L/R Resposta: β = 212,2284°
1.4. Referências básicas
[1] D. C. Lay, S. R. Lay, J. Mcdonald, Álgebra Linear e suas Aplicações,

5ª ed., LTC, 2018. ISBN 9788521634959.
[2] J. W. Nilsson, S. A. Riedel, Circuitos Elétricos, 10 a ed., Pearson,
2016. ISBN 9788543004785.
[3] C. V. Camargo, G. H. Dalposso, “Cálculo numérico computacional:
aplicação na microeletrônica,” in Revista Jr de Iniciação Científica
em Ciências Exatas e Engenharia, vol. 1, n. 6, pp. 7-15, 2018. ISSN
22360093.
____________________________________________________________________
15
____________________________________________________________________
[4] S. J. Sugden, “Construction of transmission line catenary from

survey data,” in Applied Mathematical Modelling, vol. 18, n. 5, pp.
274-280, 1994. doi: 10.1016/0307-904X(94)90335-2.
1.5. Referências complementares – Aplicações
[1] A. C. Moreira Soares, E. Vieira and M. M. Casaro, "Simulation of a

photovoltaic model using bisection method," In Brazilian Power
Electronics Conference, pp. 807-811, 2011. doi:
10.1109/COBEP.2011.6085239.
[2] H. Xing, Y. Mou, M. Fu and Z. Lin, “Distributed Bisection Method
for Economic Power Dispatch in Smart Grid,” in IEEE Transactions
on Power Systems, vol. 30, n. 6, pp. 3024-3035, 2014. doi:
10.1109/TPWRS.2014.2376935.
[3] P. B. Petrović and D. Rozgić, “Computational effective modified
Newton–Raphson algorithm for power harmonics parameters
estimation,” in IET Signal Processing, vol. 12, n. 5, pp. 590-598.
2017 doi: 10.1049/iet-spr.2017.0573.
____________________________________________________________________
16
Capítulo 2: Sistemas lineares
____________________________________________________________________
Sistemas lineares
Como dito no capítulo anterior, os problemas da engenharia são
usualmente baseados em princípios que levam a equações de
continuidade e de balanço. Caso tenhamos uma única função que bem
represente esse fenômeno, uma possível solução é buscar a sua raiz.
Quando o problema em estudo apresenta aspectos de

interdependência entre variáveis, certamente resultará em um
conjunto de funções acopladas que devem ser resolvidas
simultaneamente: um sistema de equações. Desta forma:
𝑓1 (𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 ) = 0
𝑓2 (𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 ) = 0
. (2.1)
⋮
{ 𝑓𝑛 (𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 ) = 0
Estes sistemas podem ser de natureza linear ou não-linear [1]. Aqui

serão tratados os sistemas ditos lineares. O próximo capítulo é
destinado aos sistemas não-lineares. Um sistema de equações lineares
a coeficientes constantes pode ser representado por:
𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 𝑏1

𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛 = 𝑏2
ou [𝐴]{𝑥} = {𝑏} , (2.2)
⋮
{ 𝑎𝑛1 𝑥1 + 𝑎𝑛2 𝑥2 + ⋯ + 𝑎𝑛𝑛 𝑥𝑛 = 𝑏𝑛
____________________________________________________________________
17
____________________________________________________________________
onde 𝑎𝑛𝑛 são constantes chamadas coeficientes, 𝑏𝑛 são constantes

chamadas de termo independente e 𝑥𝑛 são as variáveis ou incógnitas.
N é o número de variáveis e pode ser qualquer número inteiro positivo.
Assim sendo, as equações representam retas. Qualquer variação neste
formato tornará o sistema não-linear, portanto curvas.
A resolução direta de um sistema linear é dada por:
{𝑥} = [𝐴]−1 {𝑏} . (2.3)
Os sistemas lineares podem ser classificados de acordo com o seu

número de soluções:
• Um sistema dito possível e determinado possui uma única solução

(intersecção das retas);
• Um sistema dito possível e indeterminado possui infinitas soluções

(retas sobrepostas); e
• Um sistema que não possui solução é chamado de impossível ou

incompatível (retas paralelas).
As duas últimas situações são chamadas de singularidades. Outra

dificuldade é quando as inclinações das retas são tão próximas que o
ponto de intersecção é de difícil detecção, os chamados sistemas mal
condicionados. Aplicar diferentes abordagens para buscar a solução
pode ser necessário por causa dessas dificuldades.
Em outras palavras:
Questão 1 – a matriz [A] é inversível ou é não inversível? O segundo

caso é chamado de matriz singular.
Questão 2 – alguns problemas lineares são mais custosos de serem
resolvidos, pois os erros de arredondamento se propagam de forma
mais significativa que em outros problemas. Isto acontece, sobretudo,
pela ocorrência de muitos zeros ou números próximos a zero. Neste
caso, chamam-se de problemas mal condicionados.
____________________________________________________________________
18
____________________________________________________________________
Em resumo: um problema bem-condicionado é um problema em que

os erros de arredondamento se propagam de forma menos importante;
enquanto problemas mal condicionados são problemas em que os
erros se propagam de forma mais relevante.
Uma métrica possível para medir o condicionamento de uma matriz é:
𝑘(𝐴) ≔ ‖𝐴‖‖𝐴−1 ‖ , (2.4)
onde k é o número de condicionamento e ‖. ‖ é a norma da matriz [A]

em estudo. Se [A] é bem condicionada, k é próximo de 1. Se [A] é mal
condicionada, k tende a zero. O número de condicionamento é um
indicador para a determinação da confiabilidade na solução de
sistemas algébricos.
São inúmeros os livros que tratam com mais propriedade dos

conceitos de sistemas lineares, como por exemplo [1]. O resumo aqui
exposto é o conhecimento mínimo necessário para o adequado
entendimento e aplicação dos métodos numéricos que se seguem.
Duas famílias de métodos para resolução de sistemas lineares são aqui

apresentadas: métodos diretos (eliminação de Gauss e decomposição
LU) e métodos iterativos (Gauss-Siedel).
Métodos iterativos lidam melhor com problemas mal condicionados,

entretanto, podem exigir um esforço computacional maior que os
métodos diretos. Os métodos iterativos necessitam de um critério de
parada, portanto, levam a uma aproximação da solução.
O problema
Dado o circuito elétrico ilustrado, calcule a corrente no resistor R5. As

fontes têm valor de V1 = 10 V, V2 = 15 V e V3 = 10 V. Os resistores
são iguais e tem valor de 1 Ω.
____________________________________________________________________
19
____________________________________________________________________
O circuito elétrico pode ser

equacionado pela lei das
tensões de Kirchhoff.
Isto resultará num sistema

linear com quatro incógnitas,
a saber, as correntes de cada
malha.
Um equacionamento possível
é:
(𝑅1 + 𝑅2 + 𝑅8 )𝐼1 + 𝑅2 𝐼2 + 0𝐼3 − 𝑅8 𝐼4 = 𝑉1
𝑅2 𝐼1 + (𝑅2 + 𝑅3 + 𝑅5 )𝐼2 + 𝑅3 𝐼3 + 𝑅5 𝐼4 = 𝑉2
0𝐼1 + 𝑅3 𝐼2 + (𝑅3 + 𝑅4 + 𝑅6 )𝐼3 − 𝑅6 𝐼4 = 𝑉3
{ −𝑅8 𝐼1 + 𝑅5 𝐼2 − 𝑅6 𝐼3 + (𝑅5 + 𝑅6 + 𝑅7 + 𝑅8 )𝐼4 = 0
3 1 0 −1 𝐼1 10
1 3 1 1 𝐼2 15
ou, na forma matricial, = .
0 1 3 −1 𝐼3 10
[−1 1 −1 4 ] {𝐼4 } {0}
A solução pode ser obtida pela aplicação da regra de Cramer (uso de

determinantes) [1] ou de forma direta {𝑥} = [𝐴]−1 {𝑏}.
Quanto maiores forem as dimensões das matrizes, maior será a

dificuldade numérica para o cálculo dos determinantes ou para a
inversão da matriz.
Por Cramer [1], a corrente em R5 é de 3,6667A.

____________________________________________________________________
20
____________________________________________________________________
2.1 Método direto: eliminação de Gauss
𝑎11 𝑎12 𝑎13 𝑏1 Dois passos:

[𝑎21 𝑎22 𝑎23 ⋮ 𝑏2 ]
𝑎31 𝑎32 𝑎33 𝑏3
(1) eliminação progressiva – as
equações são manuseadas para
↓ (1)
suprimir uma das variáveis das
𝑎11 𝑎12 𝑎13 equações (escalonamento). A última
𝑏1
ficará com uma incógnita;
′ ′
[ 0 𝑎 22 𝑎 23 ⋮ 𝑏′2 ]
0 0 𝑎′′ 33 𝑏 ′′ 3
(2) substituição regressiva – a última
↓ (2) equação é resolvida diretamente e o
resultado substituído regressivamente
𝑥3 = 𝑏 ′′ 3 ⁄𝑎′′ 33 nas equações anteriores para
determinar as demais incógnitas. O
𝑥2 = (𝑏 ′ 2 − 𝑎′ 23 𝑥3 )⁄𝑎′22 processo é o mesmo usando matriz
triangular superior ou inferior.
𝑥1 = (𝑏1 − 𝑎13 𝑥3 − 𝑎12 𝑥2 )⁄𝑎11
Para evitar divisões por zero ou por valores muito próximos de zero, que
pode levar a erros numéricos, sugere-se uma análise prévia para a troca
na ordem das linhas do sistema. É o chamado pivotamento.
[m,n]=size(A); nb=n+1;
Ab=[A b];
% eliminação progressiva
for k = 1:n-1
for i = k+1:n
ff=Ab(i,k)/Ab(k,k);
Ab(i,k:nb)=Ab(i,k:nb)-ff*Ab(k,k:nb);
end
end
____________________________________________________________________
21
____________________________________________________________________
% substituição regressiva
x=zeros(n,1); x(n)=Ab(n,nb)/Ab(n,n);
for i = n-1:-1:1
x(i)=(Ab(i,nb)-Ab(i,i+1:n)*x(i+1:n))/Ab(i,i);
end
% ou simplesmente: I = A\b
% ou ainda: I = inv(A)*B
Faz-se necessário declarar a matriz de resistências [A] e o vetor de
tensões [b].
Por eliminação de Gauss, o resultado obtido é:
I = [2,3333 3,3333 2,3333 0,3333].
Fazendo IR5 = I2 + I4, tem-se 3,6667 A.
2.2 Método direto: decomposição LU
[𝐴] {𝑥} = {𝑏} Três passos:
↓ (𝟏) (1) [A] é decomposta em matrizes

triangulares inferiores [L] e
superiores [U];
[𝐴] = [𝐿] + [𝑈]
↓ (𝟐)
(2) o vetor intermediário {d} é
obtido por substituição
[𝐿]{𝑑} = {𝑏} progressiva;
↓ (𝟑)
(3) por fim, por substituição
[𝑈] {𝑥} = {𝑑} regressiva se obtém {x}.
____________________________________________________________________
22
____________________________________________________________________
Recomenda-se o uso de decomposição LU quando a matriz [A] é fixa e se

deseja entender o comportamento do problema com variações em {b}.
Neste contexto, percebe-se que os novos cálculos de {d} e {x}, feitos por
substituição em matrizes triangulares, são computacionalmente mais
simples do que a completa inversão de [A].
[L,U] = lu(A);
d=L\b;
I=U\d;
Faz-se necessário declarar a matriz de resistências [A] e o vetor de
tensões {b}.
Por decomposição LU, o resultado obtido foi 3,6667A.
2.3 Método iterativo: Gauss-Siedel
O método de Gauss-Siedel para um sistema algébrico mn pode ser

equacionado da seguinte maneira:
𝑗 𝑗−1 𝑗−1
𝑥1 = (𝑏1 − 𝑎12 𝑥2 − ⋯ − 𝑎1𝑛 𝑥𝑛 )/𝑎11
𝑗 𝑗 𝑗−1
𝑥2 = (𝑏1 − 𝑎21 𝑥1 − ⋯ − 𝑎2𝑛 𝑥𝑛 )/𝑎22
(2.5)
⋮
𝑗 𝑗 𝑗
{𝑥𝑛 = (𝑏𝑚 − 𝑎𝑚1 𝑥1 − ⋯ − 𝑎𝑚𝑛−1 𝑥𝑛−1 )/𝑎𝑚𝑛
onde j é a iteração corrente.
𝑗 𝑗
Perceba que o processo de cálculo 𝑥2 considera 𝑥1 . Portanto, utilizam-
se as aproximações obtidas dentro da mesma iteração. O critério de
parada pode ser:
____________________________________________________________________
23
____________________________________________________________________
𝑗 𝑗−1
𝑥𝑖 −𝑥𝑖
𝜀𝑎,𝑖 = | 𝑗 | . 100% ≤ 𝜀𝑠 , (2.6)
𝑥𝑖
onde i é a variável x em estudo, j é a iteração, a é o erro absoluto e s
é um valor de erro desejado.
Computacionalmente, o processo iterativo pode ficar mais eficiente

usando matrizes:
{𝑥} = {𝑑} − [𝐶]{𝑥} onde
𝑏1 ⁄𝑎11 0 𝑎12 ⁄𝑎11 ⋯ 𝑎1𝑛 ⁄𝑎1𝑛

(2.7)
𝑏2 ⁄𝑎22 𝑎21 ⁄𝑎22 0 ⋯ 𝑎2𝑛 ⁄𝑎2𝑛
{𝑑} = e [𝐶] = .
⋯ ⋯ ⋯ ⋯ ⋯
{𝑏𝑛 ⁄𝑎𝑚𝑛 } [𝑎𝑚1 ⁄𝑎𝑚𝑛 𝑎𝑚2 ⁄𝑎𝑚𝑛 ⋯ 0 ]
Os métodos iterativos ou de aproximação fornecem uma alternativa aos

métodos de eliminação. Como se busca uma aproximação da solução,
sua convergência pode ser “relaxada” em problemas mal condicionados.
Um exemplo deste relaxamento pode ser um erro global considerável ou
mesmo erros admissíveis diferentes para cada variável.
Outra forma de relaxamento é utilizar um fator de peso (𝜆). Após a

determinação de (2.5), estes valores são modificados por uma média
ponderada dos resultados da iteração anterior e da atual:
𝑗 𝑗 𝑗−1
𝑥𝑖 = 𝜆𝑥𝑖 + (1 − 𝜆)𝑥𝑖 , (2.8)
onde 𝜆 deve ser um valor entre 0 e 2. Caso 𝜆 =1, o resultado não é

alterado.
• Se 𝜆 for entre 0 e 1, tem-se uma média ponderada do valor atual

com o anterior. Isto é chamado sub-relaxamento. O sub-
____________________________________________________________________
24
____________________________________________________________________
relaxamento é usado para facilitar a convergência em sistemas mal

condicionados.
• Se 𝜆 for entre 1 e 2, um valor atual é supervalorizado. Chamado de

sobrerrelaxamento, essa supervalorização parte da confiança na
convergência do método e deseja-se apenas acelerar o processo.
A escolha do valor de 𝜆 depende da experiência sobre o problema a ser

resolvido. Uma análise de sensibilidade pode ser feita, por exemplo.
iter = 0;
maxit = 5000;
es = 0.0001;
[m,n] = size(A);
C = A;
for i = 1:n
C(i,i) = 0; x(i) = 0;
end
x = x';
for i = 1:n
C(i,1:n) = C(i,1:n)/A(i,i);
d(i) = b(i)/A(i,i);
end
while (1)
xo = x;
for i=1:n
x(i) = d(i)-C(i,:)*x;
if x(i) ~= 0
ea(i) = abs((x(i)-xo(i))/x(i));
end
end
iter = iter+1;
if max(ea)<=es||iter>=maxit, break, end
end
Por Gauss-Siedel, o resultado obtido foi IR5 = 3,6667A em 17 iterações,

com erro na quarta casa decimal. A tabela 2.1. apresenta um extrato
do cálculo.
____________________________________________________________________
25
____________________________________________________________________
Tabela 2.1. Resolução pelo Método de Gauss-Siedel.
# Correntes Erros
1 [3,3333 3,8889 2,0370 0,3704] [1,0000 1,0000 1,0000 1,0000]
5 [2,3236 3,3444 2,3259 0,3263] [0,0026 0,0020 0,0020 0,0133]
10 [2,3319 3,3350 2,3322 0,3323] [0.0004 0,0003 0,0003 0,0019]
15 [2,3332 3,3335 2,3332 0,3332] [0,0000 0,0000 0,0000 0,0002]
17 [2,3333 3,3334 2,3333 0,3333] [0,0000 0,0000 0,0000 0,0001]
2.4 Exercícios propostos
1. Determine o valor da corrente no resistor R3, sabendo que V1 = V2

= 100 V e R1 = R2 = R3 = 10 Ω.
20 10 𝐼1 100
[ ]{ } = { }.
10 20 𝐼2 100
Resposta: IR3 = 6,6667 A
____________________________________________________________________
26
____________________________________________________________________
2. Calcule as tensões nos nós tendo por referência o nó 6. O circuito

pode ser equacionado da seguinte maneira [2]:
{𝐼} = [𝑌]{𝑉} onde
0 6 −3 −3 0 0 𝑉1
6 −3 6 0 −3 0 𝑉2
0 = −3 0 6 −1 −2 𝑉3 .
2 0 −3 −1 5 0 𝑉4
{−3} [0 0 −2 0 3 ] {𝑉5 }
Resposta: {𝑉} = { 4 5 3 4 1 } V
____________________________________________________________________
27
____________________________________________________________________
2.5 Referências básicas
[1] D. C. Lay, S. R. Lay, J. Mcdonald, Álgebra Linear e suas Aplicações,

5ª ed., LTC, 2018. ISBN 9788521634959.
[2] A. J. Monticelli, Fluxo de carga em redes de energia elétrica, Ed.
Edgard Blucher Ltda, São Paulo, 1983. ISBN 978-85-268-0945-1.
2.6 Referências complementares – Aplicações
[1] W. V. D. Santos, A. S. Primo, “Aplicação da álgebra linear na

engenharia elétrica: análise de circuitos elétricos em corrente
contínua”, in Ciências exatas e tecnológicas, vol. 4, n. 1, pp. 53-
76, 2015. ISSN 1980-1777.
[2] C. V. Camargo and G. H. Dalposso, “Cálculo numérico
computacional: aplicação na microeletrônica,” in Revista Jr de
Iniciação Científica em Ciências Exatas e Engenharia, vol. 1, n. 6,
pp. 7-15, 2017. ISSN 22360093.
[3] M. H. Moradi, V. B. Foroutan and M. Abedini, “Power flow analysis
in islanded Micro-Grids via modeling different operational modes
of DGs: A review and a new approach,” in Renewable and
Sustainable Energy Reviews, vol. 69, pp. 248-262, 2017. doi:
10.1016/j.rser.2016.11.156.
____________________________________________________________________
28
Capítulo 3: Sistemas não lineares
____________________________________________________________________
Sistemas não-lineares
Os problemas da engenharia podem ser equacionados como sistemas
algébricos lineares. Isto pressupõe aceitar condições de idealidade em
muitos casos. Exemplos de não linearidades são a dependência da
temperatura na condição de operação de um semicondutor ou a
saturação de meios magnéticos.
Ao contrário dos sistemas lineares, cujas equações representam retas,

os gráficos associados às equações não-lineares são curvas. A solução
é a interseção das curvas, conforme ilustrado na figura 3.1.
O método numérico para resolução de sistemas não lineares aqui

apresentado é o Newton-Raphson. O método Gauss-Siedel,
apresentado no capítulo anterior, também pode ser utilizado.
Figura 3.1 – Ilustração de um sistema não-linear.
____________________________________________________________________
29
____________________________________________________________________
O problema
No circuito magnético ilustrado, a

indução (N.I) pode não produzir um
aumento proporcional de campo
magnético devido a característica
de saturação do ferro (curva de
histerese) [1].
Assim, o circuito magnético é dito

um sistema não linear.
O cálculo do campo magnético no ferro (Hf) e no entreferro (He) pode

ser equacionado da seguinte forma:
𝑓1 (𝐻𝑒 , 𝐻𝑓 ) = 2𝐻𝑒 𝑙𝑒 + 𝐻𝑓 𝑙𝑓 − 𝑁𝐼
{ ,
𝑓1 (𝐻𝑒 , 𝐻𝑓 ) = −𝜇0 𝐻𝑒 + 1,8(1 − 𝑒 −(𝐻𝑓/40) )
onde lf = 0,40 m (comprimento médio no ferro), le = 0,80 mm

(comprimento médio no entreferro), N = 200 (número de espiras), I =
10 A (corrente na bobina), µ0 = 4π10-7 H/m (permeabilidade magnética
do ar).
Aqui, percebe-se que não é possível isolar uma incógnita e resolver o

problema de maneira analítica direta. O termo 𝑒 −(𝐻𝑓/40) não permite.
Este termo também impõe a não linearidade do problema. Portanto,
faz-se necessário o emprego de métodos numéricos.
____________________________________________________________________
30
____________________________________________________________________
3.1. Método Newton-Raphson
O capítulo 1, sobre raízes, apresenta Newton-Raphson para uma única

função:
𝑓(𝑥 )
𝑥𝑖+1 = 𝑥𝑖 − 𝑓′(𝑥𝑖 ) . (3.1)
𝑖
Generalizando-o para n equações, tem-se:
𝜕𝑓𝑘,𝑖 𝜕𝑓𝑘,𝑖 𝜕𝑓𝑘,𝑖 𝜕𝑓𝑘,𝑖

𝑥1,𝑖+1 + ⋯ + 𝑥2,𝑖+1 = −𝑓𝑘,𝑖 + 𝑥1,𝑖 + ⋯ + 𝑥𝑛,𝑖
𝜕𝑥1 𝜕𝑥2 𝜕𝑥1 𝜕𝑥𝑛
onde k representa a função em estudo, n é a variável e i é o valor atual.

A sua notação matricial pode ser:
{𝑥𝑖+1 } = {𝑥𝑖 } − [ 𝐽]−1 {𝑓} , (3.2)
sendo que [ 𝐽] é a matriz Jacobiana das derivadas parciais, então:
𝜕𝑓1,𝑖 𝜕𝑓1,𝑖 𝜕𝑓1,𝑖

𝜕𝑥1 𝜕𝑥2 𝜕𝑥𝑛
𝜕𝑓2,𝑖 𝜕𝑓2,𝑖 𝜕𝑓2,𝑖
[ 𝐽] = 𝜕𝑥1 𝜕𝑥2 … 𝜕𝑥𝑛 . (3.3)
⋮ ⋮ ⋮
𝜕𝑓𝑛,𝑖 𝜕𝑓𝑛,𝑖 𝜕𝑓𝑛,𝑖
[ 𝜕𝑥1 𝜕𝑥2 𝜕𝑥𝑛 ]
Newton-Raphson é um método iterativo. Portanto, faz-se necessário a

definição de uma aproximação inicial (possível solução) e de critérios
de parada (número máximo de iterações e erro admissível).
____________________________________________________________________
31
____________________________________________________________________
lf = 0.4; le = 0.0008; N = 200; I = 10;

mi = 4*pi*10^-7;
x = [ 1250000 ; 70]; %aproximações iniciais
iter = 0; maxit = 50; es = 0.001;
while (1)
F = [2*x(1)*le + x(2)*lf - N*I;
-mi*x(1) + 1.8*(1-exp(-(x(2)/40))) ];
J = [2*le lf ;
-mi 1.8*(1/40)*exp(-x(2)/40) ];
dx=J\F; x=x-dx;
iter=iter+1; ea=max(abs(dx./x));
if iter>=maxit || ea<=es, break, end
end
Considerando a condição inicial de He = 1250 kA/m e Hf = 70 A/m,

por Newton-Raphson, o resultado obtido foi He = 1230410,8397 A/m
e Hf = 78,3566 A/m em 3 iterações, com critério de parada de quatro
casas decimais. A Tabela 3.1. apresenta as três iterações.
Tabela 3.1. Resolução pelo Método de Newton-Raphson.
Iteração He (A/m) Hf (A/m) Erro

0 1250k 70 -
1 1230,6067k 77,5729 0,0976
2 1230,4126k 78,3493 0,0099
3 1230,4108k 78,3566 0,0000
1. O problema do circuito com diodo apresentado no capítulo 1 pode

ser equacionado por um sistema não linear da seguinte forma:
____________________________________________________________________
32
____________________________________________________________________
𝑉𝑑
𝑘𝑇
𝑛𝑞
𝑓1 (𝐼𝑑 , 𝑉𝑑 ) = 𝐼𝐶𝑅 (𝑒 − 1) − 𝐼𝑑
,
𝑉−𝑉𝑑
{ 𝑓2 (𝐼𝑑 , 𝑉𝑑 ) = ( ) − 𝐼𝑑
𝑅
onde Id é a corrente no diodo e Vd é a tensão no diodo. Admitindo

um diodo 1N4001 com ICR = 31,9824 nA, n = 2, k = 1,3806.10-23
J/K, T = 300 K (26,85 C°) e q = 1,6022×10−19 C, encontre Id e Vd.
Resposta: Partindo de Vd = 1 V e Id = 2 A, com 5 iterações obtém-se

o critério de parada de quatro casas decimais.
Vd = 0,9355 V e Id = 2,3065 A.
Observação: esta questão apresenta problema de condicionamento

quando os pontos iniciais estão muito distantes da solução (rcond
próximo a zero). Isto é devido as diferenças nos valores entre as
grandezas, particularmente 10-9 e 10-23. Rever capítulo 2.
2. O problema de fluxo de potência num sistema elétrico de três

barras é apresentado na forma de diagrama unifilar e seu circuito
equivalente. As admitâncias y possuem valor de 1 + j1 pu.
Admitindo que as correntes nas barras sejam iguais a 1 pu,
determine as tensões.
____________________________________________________________________
33
____________________________________________________________________
{𝐼} = [𝑌]{𝑉}
𝐼1 (𝑦1 + 𝑦4 + 𝑦5 ) −𝑦4 −𝑦5 𝑉1

{𝐼2 } = [ −𝑦4 (𝑦2 + 𝑦4 + 𝑦6 ) −𝑦6 ] {𝑉2 } .
𝐼3 −𝑦5 −𝑦6 (𝑦3 + 𝑦5 + 𝑦6 ) 𝑉3
Resposta: pelo método de Gauss-Siedel, obtém-se {V} = 0,5000 +

j0,5000 pu na 13º iteração com critério de parada de quatro casas
decimais.
[1] J. P. A. Bastos and N. Ida, Electromagnetics and Calculation of

Fields, Springer & Verlag, 2 ed., 2012. ISBN 1461268605.
[2] C. V. Camargo, G. H. Dalposso, Cálculo numérico computacional:
aplicação na microeletrônica, Revista Jr de Iniciação Científica em
Ciências Exatas e Engenharia, vol. 1, n. 6, pp. 7-15, 2013.
[3] R. S. Salgado, Introdução aos Sistemas de Energia Elétrica,
Apostila Graduação em Engenharia Elétrica, UFSC, 2009.
[1] M. H. Moradi, V. B. Foroutan, M. Abedini, “Power flow analysis in

islanded Micro-Grids via modeling different operational modes of
DGs: A review and a new approach,” in Renewable and Sustainable
Energy Reviews, vol. 69, pp. 248-262, 2017. doi:
10.1016/j.rser.2016.11.156.
[2] S. N. Tiwari, L. P. Singh, “Six-phase (multiphase) power
transmission systems: A generalized investigation of the load flow
problem”, in Electric Power Systems Research, vol. 5, n. 4, pp. 285-
297, 2017. doi: 10.1016/0378-7796(82)90024-4.
____________________________________________________________________
34
Capítulo 4: Ajuste de curvas
____________________________________________________________________
Ajuste de curvas
A(O) engenheira(o) realiza na bancada de um laboratório diversas
medidas de tensão e corrente. Sabe-se que muitas vezes pode ser
custoso obter muitos pontos ou até mesmo inviável medir
determinados valores, por exemplo, quando há restrições da
infraestrutura.
Ajuste de curvas é uma família de técnicas matemáticas que buscam

encontrar padrões de comportamento num conjunto de dados. O
objetivo é estudar o fenômeno físico na forma de uma tendência.
Havendo a possibilidade de se traçar uma reta ou curva, pode-se fazer

previsões. Essas previsões, quando internas ao grupo de dados
original, podem ser chamadas de interpolações. Quando externas, dá-
se o nome de extrapolações. Em ambos os casos, existe a necessidade
de controles estatísticos para aferir a qualidade dessas inferências.
O objetivo é buscar uma reta ou curva – um polinômio – que melhor

se ajusta aos dados disponíveis. Conhecida a equação do polinômio,
pode-se determinar valores dentro ou fora do intervalo conhecido.
Quatro famílias de métodos são aqui apresentadas:
• Ajuste de curvas por regressão: quando se tem uma grande

quantidade de dados e eles são pouco precisos e/ou confiáveis;
• Ajuste de curvas por interpolação: quando se tem uma pequena

quantidade de dados e eles são precisos e confiáveis;
• Ajuste de curvas por interpolação por partes: quando se tem uma

grande quantidade de dados e eles são precisos e confiáveis;
____________________________________________________________________
35
____________________________________________________________________
• Ajuste de curvas com funções senoidais: para representar funções

infinitas e periódicas dos processos físicos na forma de funções
trigonométricas senos e cossenos.
Por fim, este capítulo apresenta uma discussão sobre séries de
Fourier, importante ferramenta para análise de problemas da
engenharia elétrica no domínio do tempo e da frequência.
4.1 Ajuste de curvas por Regressão
Dado um grande conjunto de dados imprecisos, deseja-se extrair uma

reta ou curva de tendência. Seja por uma regressão linear (reta) ou
não-linear (curva), em ambos os casos existe um problema de
minimização de erros, conforme ilustrado na figura 4.1.
As técnicas aqui apresentadas são os mínimos quadrados discretos

(regressão linear) e mínimos quadrados contínuos (regressão
polinomial).
Figura 4.1. Ajuste de curvas por Regressão.
O problema
A(O) engenheira(o) foi à bancada do laboratório de medidas elétricas e
obteve dados de tensão e corrente. Ela(e) esqueceu de medir a corrente
para 60V. Como transformar os dados pontuais numa curva, ou seja,
uma tendência de comportamento do circuito elétrico estudado?
V (V) 0 10 20 30 40 50 70 80 90
I (A) 0 10 19 31 39 52 65 69 70
____________________________________________________________________
36
____________________________________________________________________
4.1.1 Método Mínimos Quadrados Discreto – Regressão Linear
O termo linear remete a uma reta. A equação de uma reta pode ser
dada por:
𝑦 = 𝑎0 + 𝑎1 𝑥 , (4.1)
onde (𝑥, 𝑦) é o conjunto de dados, 𝑎0 e 𝑎1 são os coeficientes que

representam respectivamente a intersecção com o eixo 𝑦 e a
inclinação.
O método de mínimos quadrados busca minimizar o erro quadrático

entre os dados (𝑥, 𝑦) e os pontos de uma reta, representado por:
𝑛 𝑛
𝑆𝑟 = ∑ 𝑒𝑖2 = ∑(𝑦1 − 𝑎0 − 𝑎1 𝑥𝑖 )2 (4.2)

𝑖=1 𝑖=1
onde 𝑆𝑟 é chamado de soma dos quadrados dos resíduos.
De forma direta, tem-se:
𝑛 ∑(𝑥𝑖 𝑦𝑖 ) − ∑(𝑥𝑖 ) ∑(𝑦𝑖 )

𝑎1 = 𝑒 𝑎0 = 𝑦 − 𝑎1 𝑥 (4.3)
𝑛 ∑(𝑥𝑖 )2 − (∑(𝑥𝑖 ))2
onde 𝑥 e 𝑦 são as médias de x e y. Para um ajuste perfeito entre a reta

e o conjunto de dados, 𝑆𝑟 deve ser 0.
Outra métrica significativa é soma total dos quadrados dos resíduos

entre os pontos dados e a média (𝑆𝑡 ):
𝑆𝑡 = ∑(𝑦𝑖 − 𝑦)2 . (4.4)
A diferença 𝑆𝑟 − 𝑆𝑡 indica a melhora ou a redução de erro em função

da descrição dos dados. De forma a regularizarmos a escala, tem-se:
____________________________________________________________________
37
____________________________________________________________________
𝑆𝑡 − 𝑆𝑟
𝑟2 = , (4.5)
𝑆𝑡
onde 𝑟 2 é chamado de coeficiente de determinação e r o coeficiente de

correlação. Sendo o ajuste perfeito, 𝑆𝑟 = 0 e 𝑟 2 = 1. Para 𝑆𝑟 = 𝑆𝑡 e 𝑟 2 =
0, o modelo não representa melhora.
Uma forma de calcular r de forma computacionalmente mais eficiente é:
𝑛 ∑(𝑥𝑖 𝑦𝑖 ) − ∑(𝑥𝑖 ) ∑(𝑦𝑖 )

𝑟2 = . (4.6)
√𝑛 ∑ 𝑥𝑖2 − (∑ 𝑥𝑖 )2 √𝑛 ∑ 𝑦𝑖2 − (∑ 𝑦𝑖 )2
x = [0 10 20 30 40 50 70 80 90]';
y = [0 10 19 31 39 52 65 69 70]';
n=length(x); % número de amostras

sx=sum(x);
sy=sum(y);
sx2=sum(x.*x);
sxy=sum(x.*y);
sy2=sum(y.*y);
a(1)=(n*sxy-sx*sy)/(n*sx2-sx^2);
a(2)=sy/n-a(1)*sx/n;
r2=((n*sxy-sx*sy)/sqrt(n*sx2-sx^2)/sqrt(n*sy2-sy^2))^2;
r = r2^0.5;
V = 60;
I = a(1)*V+a(2);
Para o problema apresentado, obteve-se:

____________________________________________________________________
38
____________________________________________________________________
sx = 390
sy = 355
sx2 = 24900
sxy = 21940
sy2 = 19533
levando à
a0 = 0,8196
a1 = 3,9292
com r2 = 0,9717.
Isto significa que o modelo adotado tem correlação de 98,58 %, ou seja,

a reta representa a tendência dos dados com erro menor que 2 %. Para
60 V, I = 53,1042 A.
Apesar do bom resultado numérico, é possível perceber que existe uma

saturação (não linearidade) do valor da corrente no final da escala da
tensão. Portanto, o modelo adotado de uma reta talvez não seja a
melhor maneira para representar este comportamento.
4.1.2 Método Mínimos Quadrados Contínuo – Regressão Polinomial
O termo não linear remete a uma curva. A aproximação para um

conjunto de dados {(𝑥𝑖 , 𝑦𝑖 )}𝑚
𝑖=1 usando um polinômio de grau 𝑛 pode
ser:
𝑃𝑛 (𝑥) = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + 𝑎𝑛 𝑥 𝑛 . (4.7)
O grau n deve ser no máximo 𝑛 ≤ 𝑚 − 1 . Isto em função dos graus de

liberdade, onde o número de equações deve ser maior que o número
de variáveis.
____________________________________________________________________
39
____________________________________________________________________
O método de mínimos quadrados contínuo busca minimizar o erro

entre os dados (𝑥, 𝑦) e os pontos da curva, representado por:
𝑚 𝑚
𝑆𝑟 = ∑ 𝑒𝑖2 = ∑(𝑦𝑖 − 𝑃𝑛 (𝑥))2 (4.8)

𝑖=1 𝑖=1
onde 𝑆𝑟 é chamado de soma dos quadrados dos resíduos. Trata-se da

generalização do método discreto que utiliza polinômio de primeiro
grau. Os requisitos para se obter a solução são:
𝜕𝑆𝑟
= 0; 𝑗 = 0,1,2, … , 𝑛 . (4.9)
𝜕𝑎𝑗
As (𝑛 + 1) equações para a determinação dos coeficientes são:
𝑚 𝑚 𝑚 𝑚
∑ 𝑥𝑖0 ∑ 𝑥𝑖0 ⋯ ∑ 𝑥𝑖𝑛 ∑ 𝑦𝑖 𝑥𝑖0
𝑖=1 𝑖=1 𝑖=1 𝑖=1
𝑚 𝑚 𝑚 𝑎0 𝑚
∑ 𝑥𝑖1 ∑ 𝑥𝑖2 ⋯ ∑ 𝑥𝑖𝑛+1 𝑎1 ∑ 𝑦𝑖 𝑥𝑖1
𝑖=1 𝑖=1 𝑖=1 ∙[ ⋮ ]= 𝑖=1 . (4.10)
⋮ ⋮ ⋮ ⋮ 𝑎𝑛 ⋮
𝑚 𝑚 𝑚 𝑚
∑ 𝑥𝑖𝑛 ∑ 𝑥𝑖𝑛+1 ⋯ ∑ 𝑥𝑖2𝑛 ∑ 𝑦 𝑥𝑛
[ ] [ 𝑖=1 𝑖 𝑖 ]
𝑖=1 𝑖=1 𝑖=1
As técnicas de resolução de sistemas lineares também podem ser

aplicadas. Aqui também são válidas as eq. (4.4) e (4.5) para a
determinação do coeficiente de correlação (r).
____________________________________________________________________
40
____________________________________________________________________
Resolução assistida por computador para polinômio de 2° grau
x = [0 10 20 30 40 50 70 80 90]';
y = [0 10 19 31 39 52 65 69 70]';
n = length(x); % número de amostras
sx = sum(x); sy = sum(y);
mx = sx/n; my = sy/n;
sx2 = sum(x.*x); sx3 = sum(x.*x.*x); sx4 = sum(x.*x.*x.*x);
sxy = sum(x.*y); sx2y = sum(x.*x.*y);
% [A]{c}={b}
A = [n sx sx2; sx sx2 sx3; sx2 sx3 sx4];
b = [sy sxy sx2y]';
c = A\b % resolução de sistemas
yy = sum((y-my).^2);
yyy = 0;
for i=1:n
yyy = yyy + ( y(i) - c(1) - c(2)*x(i) - c(3)*x(i)^2 )^2;
end
r2 = (yy - yyy)/yy; r = sqrt(r2);

V=60;
I = c(1)+c(2)*V + c(3)*V.^2
Considerando o problema apresentado em 3.1.1, as equações lineares

simultâneas para a obtenção de um polinômio de segunda ordem são:
10 450 28500 𝑎0 417

[ 450 28500 2025000 ] . [𝑎1 ] = [ 25740 ] .
28500 2025000 153330000 𝑎2 1790400
Resolvendo o sistema por Gauss, chega-se a
𝑃2 (𝑥) = −2,0388 + 1,2782𝑥 − 0,0050𝑥 2
com 𝑟 = 99,70%. Para 60 V, I = 56,5593 A.
____________________________________________________________________
41
____________________________________________________________________
A linha contínua na figura é este resultado.
O MatLab possui biblioteca para determinação de polinômio por

mínimos quadrados. 𝑃 = 𝑝𝑜𝑙𝑦𝑓𝑖𝑡(𝑥, 𝑦, 𝑛) encontra os coeficientes de
polinômio 𝑃𝑛 (𝑥) de grau n. Como complemento, a função 𝑦 =
𝑝𝑜𝑙𝑦𝑣𝑎𝑙(𝑃, 𝑥) retorna o valor do polinômio 𝑃𝑛 avaliado em x.
Na figura, a linha pontilhada ilustra a aplicação de polyfit para n = 3.

Aqui, para 60 V, I = 58,8775 A.
Em razão de uma possível melhor representação, é natural o desejo de
trabalhar com polinômios de grau superior. Entretanto, distorções
podem surgir na forma da curva devido a problemas de
condicionamento das matrizes (eq. 4.10). A curva tracejada é a
representação para n = 8. Estes problemas serão tratados na seção
referente à interpolação.
____________________________________________________________________
42
____________________________________________________________________
4.2 Ajuste de curvas por Interpolação
Trata-se de uma família de métodos que permite construir um novo

conjunto de dados a partir de um conjunto de poucos dados precisos
e confiáveis previamente conhecidos.
A forma mais geral para um polinômio pode ser escrita como mostra a
eq. (4.7). Para um conjunto de dados {(𝑥𝑖 , 𝑦𝑖 )}𝑚
𝑖=1 existe um, e somente
um, polinômio (de grau n = m – 1) que passa por todos os pontos [1].
Por exemplo, para ligar dois pontos, tem-se uma única reta possível
(interpolação linear). Para ligar três pontos não alinhados, tem-se uma
parábola (interpolação de segundo grau ou quadrática).
Matricialmente, a eq. (4.7) pode ser organizada da seguinte maneira:
1 𝑥0 𝑥02 ⋯ 𝑥0𝑛 𝑎0 𝑓(𝑥0 )

1 𝑥1 𝑥12 ⋯ 𝑥1𝑛 𝑎1 𝑓(𝑥1 )
1 𝑥2 𝑥22 ⋯ 𝑥2𝑛 . 𝑎2 = 𝑓(𝑥2 ) . (4.11)
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
[1 𝑥𝑚 2
𝑥𝑚 ⋯ 𝑛
𝑥𝑚 ] [𝑎𝑚 ] [𝑓(𝑥𝑚 )]
Matrizes com coeficientes desta forma são chamados de matrizes de

Vandermonde. Elas são frequentemente matrizes mal condicionadas
e, quando superiores a 3x3, seu número de condicionamento pode ser
grande, causando erros significativos no cálculo dos coeficientes 𝑎𝑖 .
Existem algoritmos numericamente estáveis que exploram a estrutura da

matriz de Vandermonde. Estes métodos consistem em primeiro construir
um polinômio de interpolação de Newton ou Lagrange e depois convertê-
lo para a forma canônica, conforme eq. (4.7).
Quando se tem muitos dados, outra alternativa de evitar o mal

condicionamento é realizar a interpolação por partes, também conhecida
como splines, técnica apresentada ainda neste capítulo.
____________________________________________________________________
43
____________________________________________________________________
O problema
A Tabela 40 da NBR 5410:2004 apresenta os fatores de correção por

temperaturas ambiente para linhas não-subterrâneas considerando
dois tipos de compostos isolantes. Parte desta tabela é:
Temperatura (°C) PVC EPR ou XLPE

20 1,12 1,08
25 1,06 1,04
35 0,94 0,96
São poucos pontos, mas confiáveis. Determine os fatores de correção

para uma temperatura de 30°C.
4.2.1 Polinômios Interpoladores de Newton
Para um conjunto de dados {(𝑥𝑖 , 𝑦𝑖 )}𝑚

𝑖=1 , o polinômio interpolador de
Newton (de grau n = m – 1) pode ser expresso da seguinte maneira:
𝑓𝑛 (𝑥) = 𝑎1 + 𝑎2 (𝑥 − 𝑥1 ) + ⋯ + 𝑎𝑚 (𝑥 − 𝑥1 )(𝑥 − 𝑥2 ) ⋯ (𝑥 − 𝑥𝑛 ) , (4.12)
sendo 𝑓𝑛 (𝑥) = 𝑦𝑛 . As funções a correspondem a diferenças divididas

finitas (ddf):
𝑎1 = 𝑓(𝑥1 )
𝑎2 = 𝑓[𝑥2 , 𝑥1 ]
𝑎3 = 𝑓[𝑥3 , 𝑥2 , 𝑥1 ]
(4.13)
⋮
𝑎𝑚 = 𝑓[𝑥𝑚 , 𝑥𝑚−1 , ⋯ , 𝑥2 , 𝑥1 ] ,
____________________________________________________________________
44
____________________________________________________________________
𝑓(𝑥2 )−𝑓(𝑥1 )
𝑓[𝑥2 , 𝑥1 ] = ,
𝑥2 −𝑥1
𝑓[𝑥3 ,𝑥2 ]−𝑓[𝑥2 ,𝑥1 ]

𝑓[𝑥3 , 𝑥2 , 𝑥1 ] = até
𝑥3 −𝑥1
(4.14)
𝑓[𝑥𝑚 , 𝑥𝑚−1 , ⋯ , 𝑥2 , 𝑥1 ] =
𝑓[𝑥𝑚 , 𝑥𝑚−1 , ⋯ , 𝑥2 ] − 𝑓[𝑥𝑚−1 , 𝑥𝑚−2 , ⋯ , 𝑥2 , 𝑥1 ]

.
𝑥𝑚 − 𝑥1
x = [20 25 35]';
y = [1.12 1.06 0.94]'; %PVC
% y = [1.08 1.04 0.96]'; %EPR
xx = 30;
n = length(x);
a = zeros(n,n);
% atribui as variáveis dependentes à primeira coluna de b

a(:,1) = y(:);
for j = 2:n
for i = 1:n-j+1
a(i,j) = (a(i+1,j-1)-a(i,j-1))/(x(i+j-1)-x(i));
end
end
% usa as diferenças divididas finitas para interpolar

xt = 1; yint = a(1,1);
for j = 1:n-1
xt = xt*(xx-x(j));
yint = yint+a(1,j+1)*xt;
end
Para o problema apresentado, considerando o material PVC, tem-se:
____________________________________________________________________
45
____________________________________________________________________
𝑓2 (𝑥) = 𝑎1 + 𝑎2 (𝑥 − 𝑥1 ) + 𝑎3 (𝑥 − 𝑥1 )(𝑥 − 𝑥2 )
𝑥𝑖 𝑦𝑖 = 𝑓(𝑥𝑖 ) Primeira ddf Segunda ddf

20 1,12 𝑓[𝑥2 , 𝑥1 ] = −0,012 𝑓[𝑥3 , 𝑥2 , 𝑥1 ] = 0
25 1,06 𝑓[𝑥3 , 𝑥2 ] = −0,012
35 0,94
𝑓2 (𝑥) = 1,12 + (−0,012)(𝑥 − 20) + 0(𝑥 − 20)(𝑥 − 25)
𝑓2 (𝑥) = 1,12 + (−0,012)(𝑥 − 20) 𝑓2 (30) = 1,12 + (−0,012)(30 − 20)
Como se tem três pares de dados, o polinômio interpolador de Newton

tem grau 2. Para 30°C, o fator de correção considerando o PVC é igual
a 1. Para EPR ou XLPE, o resultado também é 1.
4.2.2 Polinômios Interpoladores de Lagrange
Para um conjunto de dados {(𝑥𝑖 , 𝑦𝑖 )}𝑚

𝑖=1 , de forma geral, o polinômio
interpolador de Lagrange (de grau n = m – 1) pode ser expresso da
seguinte maneira:
𝑚 𝑚
𝑥 − 𝑥𝑗
𝑓𝑛 (𝑥) = ∑ 𝐿𝑖 (𝑥)𝑓(𝑥𝑖 ) sendo 𝐿𝑖 (𝑥) = ∏ (4.15)
𝑥𝑖 − 𝑥𝑗
𝑖=1 𝑗=1
𝑗≠𝑖
onde Π indica “produto de”.
____________________________________________________________________
46
____________________________________________________________________
Resolução assistida por computador para polinômio de 2° grau
x = [20 25 35]';
y = [1.12 1.06 0.94]'; % PVC
% y = [1.08 1.04 0.96]'; % EPR
xx = 30;
n = length(x); % número de amostras
if length(y) ~= n,
error('x e y devem ter o mesmo tamanho');
end
s = 0;
for i = 1:n
produto = y(i);
for j = 1:n
if i ~= j
produto = produto*(xx-x(j))/(x(i)-x(j));
end
end
s = s + produto;
end
Para o problema apresentado, considerando o material PVC, tem-se:
(𝑥 − 𝑥2 )(𝑥 − 𝑥3 ) (𝑥 − 𝑥1 )(𝑥 − 𝑥3 )
𝑓2 (𝑥) = 𝑓(𝑥1 ) + 𝑓(𝑥2 )
(𝑥1 − 𝑥2 )(𝑥1 − 𝑥3 ) (𝑥2 − 𝑥1 )(𝑥2 − 𝑥3 )
(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )
+ 𝑓(𝑥3 )
(𝑥3 − 𝑥1 )(𝑥3 − 𝑥2 )
(30 − 25)(30 − 35) (30 − 20)(30 − 35)

𝑓2 (30) = 1,12 + 1,06
(20 − 25)(20 − 35) (25 − 20)(25 − 35)
(30 − 20)(30 − 25)
+ 0,94
(35 − 20)(35 − 25)
Como se tem três pares de dados, o polinômio interpolador de

Lagrange tem grau 2. Para 30°C, o fator de correção considerando o
PVC é igual a 1. Para EPR ou XLPE, o resultado também é 1.
____________________________________________________________________
47
____________________________________________________________________
Newton e Lagrange produzem resultados numericamente satisfatórios

e similares. Diferentemente dos métodos de regressão, aqui não se
obtém um polinômio, mas sim um único valor interpolado. Do ponto
de vista de esforço computacional, Lagrange necessita de um maior
número de operações matemáticas (soma, subtração, multiplicação e
divisão) do que Newton.
4.3 Interpolação por splines ou por partes
A interpolação polinomial pode apresentar resultados indesejáveis

quando feita para um número elevado de pontos usando-se
polinômios de grau relativamente alto, conforme discutido na seção
4.1.2. Esses resultados indesejáveis são, em geral, grandes flutuações
sobre o intervalo total de interpolação.
Uma alternativa é interpolar em grupos de poucos pontos, obtendo-se
polinômios de grau menor, e impor condições para que a função de
aproximação seja contínua e tenha derivadas contínuas até uma certa
ordem. Esta técnica é conhecida como aproximação polinomial por
partes ou splines.
A figura 4.2 ilustra o processo de interpolação por partes. Os
coeficientes da função spline (𝑓(𝑥𝑖 )) são calculados para cada intervalo
de dados, por exemplo [𝑥1 : 𝑥3 ]. O número de pontos (𝑥𝑖 ) usados para
cada função spline definem a sua ordem.
Figura 4.2. Interpolação por parte – splines.
____________________________________________________________________
48
____________________________________________________________________
O problema
A tensão aplicada sobre um circuito eletrônico tem invertida sua
polaridade de tempos em tempos. Entretanto, na inversão, ocorre um
transitório durante o tempo de acomodação. Os valores medidos são:
T (s) -2 -1 1 2 3 4
V (V) -10 -10 10,5 9,75 10 10
Determine o polinômio que bem represente este comportamento. Qual

o valor da tensão no tempo igual a 1,5 segundos?
Interpolação por splines cúbica
Uma interpolação por splines de primeira ordem implica em obter

retas entre cada par de pontos, passando obrigatoriamente por eles.
Uma spline de segunda ordem busca equações quadráticas entre cada
par de pontos. Além de passar pelos pontos, tem-se um polinômio com
a garantia da existência de sua derivada de primeira ordem. A spline
de terceira ordem ou cúbica produz um polinômio diferençável em
primeira e segunda ordem.
Os resultados da interpolação por splines cúbica são diferentes da

interpolação cúbica, uma vez que por splines existe a obrigatoriedade
de se passar por todos os pontos.
Ressalta-se que splines de ordem superior tendem a ter a mesma

instabilidade de polinômios de ordem elevada: oscilações devido ao
mal condicionamento.
Assim, quando existe um grande conjunto de dados para ser

interpolado, sugere-se sempre limitar o uso na ordem cúbica e
aumentar o número de partes [1].
A spline cúbica é um polinômio de terceiro grau representado por:
____________________________________________________________________
49
____________________________________________________________________
𝑓𝑖 + 𝑏𝑖 ℎ𝑖 + 𝑐𝑖 (ℎ𝑖 )2 + 𝑑𝑖 (ℎ𝑖 )3 = 𝑓𝑖+1 onde ℎ𝑖 = 𝑥𝑖+1 − 𝑥𝑖 . (4.16)
Para n pontos dados ( i = 1, 2, 3… , n ), existem n–1 intervalos e 4(n–1)

coeficientes desconhecidos a calcular.
Assim, a primeira condição é atendida: o spline deve passar por todos

os pontos. Consequentemente, 4(n–1) condições são necessárias para
calcular estes coeficientes. São elas:
1. A spline passa pelo primeiro e último ponto do intervalo, dando

origem a 2(n–1) equações:
(i) 𝑠𝑖 (𝑥𝑖 ) = 𝑓𝑖 → 𝑎𝑖 = 𝑓𝑖
(ii) 𝑠𝑖 (𝑥𝑖+1 ) = 𝑓𝑖 → 𝑠𝑖 (𝑥𝑖+1 ) = 𝑎𝑖 + 𝑏𝑖 (ℎ𝑖 ) + 𝑐𝑖 (ℎ𝑖 )2 + 𝑑𝑖 (ℎ𝑖 )3 = 𝑓𝑖
2. A primeira derivada deve ser contínua em cada ponto do

intervalo:
(iii) 𝑠𝑖 ′(𝑥𝑖+1 ) = 𝑠𝑖+1 ′(𝑥𝑖+1 ) → 𝑏𝑖 + 2𝑐𝑖 (ℎ𝑖 ) + 3𝑑𝑖 (ℎ𝑖 )2 = 𝑏𝑖+1
3. A segunda derivada deve ser contínua em cada ponto do intervalo:
(iv) 𝑠𝑖 ′′(𝑥𝑖+1 ) = 𝑠𝑖+1 ′′(𝑥𝑖+1 ) → 2𝑐𝑖 + 6𝑑𝑖 (ℎ𝑖 ) = 2𝑐𝑖+1
Assim, tem-se 4n–6 equações, mas são necessárias 4(n–1). Existem

diversas maneiras para se obter as equações faltantes:
• Natural end conditions – natural: assumir que a segunda derivada nos

primeiro e último pontos é zero. A função é uma reta nos extremos;
• Clamped end conditions – amarrada: assumir que a primeira

derivada nos primeiro e último pontos é conhecida, no caso um
valor imposto;
____________________________________________________________________
50
____________________________________________________________________
• “Not-a-knot” end conditions – sem um nó: forçar a continuidade da

terceira derivada no segundo e nos penúltimos pontos. Isto resulta
em se ter os dois primeiros intervalos com a mesma equação, bem
como os dois últimos.
Para as natural end conditions, tem-se:
(v) 𝑠 ′′1 (𝑥1 ) = 0 → 𝑐1 (vi) 𝑠 ′′ 𝑛−1 (𝑥𝑛 ) = 0 → 𝑐𝑛
Por transformações algébricas, pode-se deixar as equações apenas

com o coeficiente c :
𝑐𝑖+1 −𝑐𝑖 𝑓𝑖+1−𝑓 ℎ𝑖

𝑖
𝑑𝑖 = e 𝑏𝑖 = − (2𝑐𝑖 − 𝑐𝑖+1 ) . (4.17)
3ℎ𝑖 ℎ𝑖 3
Assim, pode-se traduzir o equacionamento para uma forma matricial:
1 0 0 ⋯ 0 0 0 𝑐1
ℎ𝑖 2(ℎ1 + ℎ2 ) ℎ2 ⋯ 0 0 0 𝑐2
0 ⋮ ⋮ ⋯ ⋮ ⋮ ⋮ ⋮
0 0 0 ⋯ ℎ𝑛−2 2(ℎ𝑛−2 + ℎ𝑛−1 ) ℎ𝑛−1 𝑐𝑛−1
[0 0 0 ⋯ 0 0 1 ] { 𝑐𝑛 }
(4.18)
0
3(𝑓[𝑥3 , 𝑥2 ] − 𝑓[𝑥2 , 𝑥1 ]
= ⋮
3(𝑓[𝑥𝑛 , 𝑥𝑛−1 ] − 𝑓[𝑥𝑛−1 , 𝑥𝑛−2 ]
{ 0 }
𝑓𝑖 −𝑓𝑗
lembrando que 𝑓[𝑥𝑖 , 𝑥𝑗 ] = .
𝑥𝑖 −𝑥𝑗
Uma vez calculados os coeficientes ci, volta-se na eq. (4.17) e

determina-se di e bi. Isto posto, tem-se um polinômio para cada par de
dados, conforme eq. (4.18).
____________________________________________________________________
51
____________________________________________________________________
Para o problema apresentado em 4.3, tem-se:
1 0 0 0 0 0 𝑐1
ℎ1 2(ℎ1 + ℎ2 ) ℎ2 0 0 0 𝑐2
0 ℎ2 2(ℎ2 + ℎ3 ) ℎ3 0 0 𝑐3
0 0 ℎ3 2(ℎ3 + ℎ4 ) ℎ4 0 𝑐4
0 0 0 ℎ4 2(ℎ4 + ℎ5 ) ℎ5 𝑐5
[0 0 0 0 0 1 ] {𝑐6 }
0
3(𝑓[𝑥3 , 𝑥2 ] − 𝑓[𝑥2 , 𝑥1 ]
3(𝑓[𝑥4 , 𝑥3 ] − 𝑓[𝑥3 , 𝑥2 ]
=
3(𝑓[𝑥5 , 𝑥4 ] − 𝑓[𝑥4 , 𝑥3 ]
3(𝑓[𝑥6 , 𝑥5 ] − 𝑓[𝑥5 , 𝑥4 ]
{ 0 }
1 0 0 0 0 0 𝑐1 0
1 6 2 0 0 0 𝑐2 30,75
0 2 6 1 0 0 𝑐3 −33
=
0 0 1 4 1 0 𝑐4 3
0 0 0 1 4 1 𝑐5 −0,75
[0 0 0 0 0 1] {𝑐6 } { 0 }
Truncando em quatro casas decimais, tem-se:
1 2 3 4 5 6
[c] 0,0150 0,0580 -0,0653 -0,0106 0 -0,0004
[d] 0,0143 -0,0822 0,0182 0,0035 -0,0001
[b] -0,0294 10,2162 -0,7029 0,2571 0,0001
Para a determinação da tensão no tempo igual a 1,5s, busca-se o

polinômio do intervalo que contenha o referido tempo. No caso:
____________________________________________________________________
52
____________________________________________________________________
𝑠3 (𝑥) = 𝑓3 + 𝑏3 (𝑥 − 𝑥3 ) + 𝑐3 (𝑥 − 𝑥3 )2 + 𝑑3 (𝑥 − 𝑥3 )3 .
𝑠3 (1,5) = 10,5 − 0,7029(1,5 − 1) − 0,0653(1,5 − 1)2 + 0,0182(1,5 − 1)3
𝑠3 (1,5) = 10,1345 V
A figura a seguir apresenta os resultados. Os círculos são os dados

medidos. A curva tracejada foi obtida com o método aqui apresentado
por spline cúbica. Para tal, faz-se necessária a interpolação de vários
tempos de forma a desenhar a curva.
As curvas pontilhadas foram obtidas pela técnica de mínimos

quadrados (polyfit) para terceiro e quinto graus. A curva de quinto grau
aproxima-se mais do comportamento obtido com a spline cúbica.
____________________________________________________________________
53
____________________________________________________________________
O Matlab possui uma função nativa chamada interp1, que possibilita

escolher o método de interpolação a ser utilizado. A curva em linha
contínua foi obtida com o método pchip – interpolação cúbica
hermitiana por partes.
Em comparação com a spline cúbica, a interpolação cúbica hermitiana

por partes não garante a continuidade na derivada de segunda ordem.
Isto pode ser um problema em funções com mudanças abruptas.
Por outro lado, a implementação da pchip leva em consideração o

conceito de que os valores interpolados não podem ultrapassar os
pontos dados (shape preserving).
Voltando ao exercício proposto, percebe-se que a pchip leva vantagem

sobre a spline no trecho antes da inversão da polaridade. Neste trecho
não existem valores menores que -10 V, conforme mostrado pela
spline. Para o segundo trecho, após a inversão da tensão, a spline
representa melhor o transitório durante o tempo de acomodação.
Com a melhoria do conhecimento sobre o problema em estudo, pode-
se diagnosticar que a melhor estratégia a ser adotada seja a separação
dos dados em grupos pequenos, podendo-se aplicar a técnica que
melhor se adapta ao comportamento do problema.
t = [-2 -1 1 2 3 4];
V = [-10 -10 10.5 9.75 10 10];
tt = 1.5;
VV = interp1(t,V,tt,'spline');
% ou
VV = interp1(t,V,tt,'pchip');
____________________________________________________________________
54
____________________________________________________________________
4.4 Ajuste de curvas com funções senoidais
Em várias áreas da engenharia, principalmente em processamento de

sinais, uma série temporal é uma coleção de observações feitas
sequencialmente ao longo do tempo.
As funções matemáticas que melhor representam repetições temporais

são o seno e cosseno. De forma geral, tem-se:
𝑓(𝑡) = 𝑎0 + 𝑎1 cos(𝜔𝑡 + 𝜃) + 𝑏1 sen(𝜔𝑡 + 𝜃) + ⋯ + 𝑎𝑚 cos(𝑚𝜔𝑡 + 𝜃) +

𝑏𝑚 sen(𝑚𝜔𝑡 + 𝜃) (4.19)
onde 𝑎0 determina a altura média acima ou abaixo da abscissa, os

coeficientes de expansão 𝑎1…𝑚 e 𝑏1…𝑚 especificam as alturas máximas
das oscilações, 𝜔 é a frequência com que os ciclos ocorrem e 𝜃
parametriza a extensão pela qual as curvas estão deslocadas
horizontalmente.
Para N dados igualmente espaçados, os coeficientes 𝑎1…𝑚 e 𝑏1…𝑚

podem ser calculados por:
∑ 𝑓(𝑡)
𝑎0 =
𝑁
(4.20)
2
𝑎𝑘 = ∑ 𝑓(𝑡) cos(𝑘𝜔𝑡)
𝑁 } 𝑘 = 1,2, ⋯ , 𝑚 .
2
𝑏𝑘 = ∑ 𝑓(𝑡) sen(𝑘𝜔𝑡)
𝑁
Assim, se obedecido o critério de 𝑁 > 2𝑚 + 1 , tem-se um ajuste de

dados semelhante à regressão – ajuste por mínimos quadrados de uma
curva senoidal. Se 2m+1 é igual ao número de pontos dados (N), esta
abordagem é chamada de série de Fourier contínua e será tratada mais
à frente.
____________________________________________________________________
55
____________________________________________________________________
O problema
Mediu-se, sem muita precisão, a saída de uma fonte de tensão

senoidal com frequência de 60Hz:
t 0 0,0021 0,0042 0,0062 0,0083 0,0104 0,0125 0,0146 0,0167

V 0 220 311 220 0 -220 -311 -220 0
Determine o polinômio que bem represente tal comportamento.
Aqui, N = 9 e ∑ 𝑓(𝑡) = 0. Assim, 𝐴0 = 0.
Para m = 1:
𝑉(𝑡) = 0 + 0,3475 cos(𝜔𝑡) + 276,5440𝑠𝑒𝑛(𝜔𝑡)
Para m = 3:
𝑉(𝑡) = 0 + 0,3475 cos(𝜔𝑡) + 276,5440𝑠𝑒𝑛(𝜔𝑡) − 0,0004 cos(2𝜔𝑡)

− 0,1738𝑠𝑒𝑛(2𝜔𝑡) − 0,0003 cos(3𝜔𝑡) − 0,0739𝑠𝑒𝑛(3𝜔𝑡)
A figura apresenta
os 9 pontos
medidos e os
9 pontos
calculados
com m = 3
coeficientes de
expansão.
____________________________________________________________________
56
____________________________________________________________________
Com m = 1 ou 3, os valores calculados são próximos e apresentam um

erro considerável quanto à amplitude do sinal. Lembrando que m = 3
é o limite imposto por 𝑁 > 2𝑚 + 1 .
Uma maneira de melhorar a precisão é aumentar a taxa de

amostragem do sinal.
O teorema de Nyquist–Shannon afirma que um sinal analógico que foi

amostrado pode ser recuperado somente se a taxa de amostragem for
maior que duas vezes a sua frequência ( f ) [3].
Porém, se um sinal contiver uma componente exatamente na

frequência de operação, e as amostras são espaçadas de exatamente
1/( 2f ), não se consegue recuperar totalmente o sinal.
A figura apresenta o resultado para m = 3 e 120 amostras igualmente

espaçadas de 1/(2x60). O erro aqui é menor que 1%:
𝑉(𝑡) = 0 − 0,0062 cos(𝜔𝑡) + 308,5316𝑠𝑒𝑛(𝜔𝑡) − 0,0062 cos(2𝜔𝑡)

− 0,0002𝑠𝑒𝑛(2𝜔𝑡) − 0,0062 cos(3𝜔𝑡) − 0,0003𝑠𝑒𝑛(3𝜔𝑡)
T = 0.01666; t = linspace(0,T,9); w = 2*pi*60; n = length(t);

y = [0 220 311 220 0 -220 -311 -220 0];
sy = sum(y); A0 = sy/n; m=3;
for k=1:m
for i=1:n
ycos(i) = y(i)*cos(k*w*t(i));
ysin(i) = y(i)*sin(k*w*t(i));
end
A(k) = (2/n)*sum(ycos); B(k) = (2/n)*sum(ysin);
end
for k=1:m
for i=1:n
f(k,i) = A(k)*cos(k*w*t(i)) + B(k)*sin(k*w*t(i));
end
end
for i=1:n
ff(i) = A0 + sum(f(:,i));
end
____________________________________________________________________
57
____________________________________________________________________
4.5 Série de Fourier

Série de Fourier é uma representação trigonométrica com senos e
cossenos usada para representar funções periódicas complexas.
Quando essas funções são infinitas, usa-se série de Fourier contínua.
Quando essas funções não se repetem com periodicidade, ou se
repetem, mas sem intervalos de tempos regulares, utiliza-se a
transformada de Fourier discreta (TFD) [3]. Exemplos de problemas
sem periodicidade ou regularidade são os transitórios e descargas
elétricas.
Série de Fourier Contínua

De forma muito semelhante ao ajuste de curvas com funções
senoidais, partindo da eq. (4.20), a série de Fourier pode ser escrita
como:
𝑓(𝑡) = 𝑎0 + ∑[𝑎𝑘 𝑐𝑜𝑠(𝑘𝜔𝑡) + 𝑏𝑘 𝑠𝑒𝑛(𝑘𝜔𝑡)] (4.21)

𝑘=1
onde a frequência angular do primeiro modo (k=1) é chamada de

frequência fundamental, e os seus múltiplos constantes (k=2,3,...) são
chamados de harmônicos. Os coeficientes da eq. (4.21) podem ser
assim calculados:
1 𝑇
𝑎0 = ∫ 𝑓(𝑡)𝑑𝑡
𝑇 0
2 𝑇 2 𝑇
𝑎𝑘 = ∫ 𝑓(𝑡) cos(𝑘𝜔𝑡) 𝑑𝑡 𝑒 𝑏𝑘 = ∫ 𝑓(𝑡) sen(𝑘𝜔𝑡) 𝑑𝑡 . (4.22)
𝑇 0 𝑇 0
Usando a fórmula de Euler ( 𝑒 ±𝑗𝜃 = cos(𝜃) ± 𝑗𝑠𝑒𝑛(𝜃) ), obtém-se uma

forma mais compacta para expressar a série de Fourier:
∞
1 𝑇⁄2
𝑓(𝑡) = ∑ 𝑐𝑘 𝑒 𝑗𝑘𝜔𝑡 𝑜𝑛𝑑𝑒 𝑐𝑘 = ∫ 𝑓(𝑡) 𝑒 −𝑗𝑘𝜔𝑡 𝑑𝑡 . (4.23)
𝑇 −𝑇⁄2
𝑘=−∞
____________________________________________________________________
58
____________________________________________________________________
Integral e Transformada de Fourier

A transição de uma função periódica para uma expressão não
periódica pode ser feita permitindo-se que o período tenda ao infinito.
Partindo-se da eq. (4.19):
1 ∞ ∞
𝑓(𝑡) = ∫ 𝐹(𝜔) 𝑒 𝑗𝜔𝑡 𝑑𝜔 𝑒 𝐹(𝜔) = ∫ 𝑓(𝑡) 𝑒 −𝑗𝜔𝑡 𝑑𝑡
2𝜋 −∞ −∞
(4.24)
𝐹(𝜔) é chamada de transformada de Fourier de 𝑓(𝑡). E 𝑓(𝑡) é a

transformada de Fourier inversa de 𝐹(𝜔). Este de par de funções
permite transformar para o domínio do tempo e da frequência um sinal
não periódico.
Transformada de Fourier Discreta (TFD)

Em geral, na engenharia elétrica, as funções são representadas por
um conjunto finito de valores discretos – conforme exemplo do
problema proposto no início desta seção. A TFD pode ser escrita como:
𝑁−1
𝐹𝑘 = ∑ 𝑓𝑗 𝑒 −𝑗𝑘𝜔𝑖 𝑝𝑎𝑟𝑎 𝑘 = 0 𝑎 𝑁 − 1 (4.25)

𝑖=0
e a transformada inversa de Fourier como
𝑁−1
1 2𝜋
𝑓𝑖 = ∑ 𝐹𝑘 𝑒 𝑗𝑘𝜔𝑖 𝑝𝑎𝑟𝑎 𝑖 = 0 𝑎 𝑁 − 1 𝑜𝑛𝑑𝑒 𝜔 = . (4.26)
𝑁 𝑁
𝑘=0
T = 0.01666; t = linspace(0,T,9); w = 2*pi*60;

y = [0 220 311 220 0 -220 -311 -220 0];
n = length(t); fft(y,n-1); % ifft(y,n-1);
FFT é fast-fourier transform, uma variação da eq. (4.22). IFFT é inverse
fast-fourier transform, variação de eq. (4.23).
____________________________________________________________________
59
____________________________________________________________________
4.6 Exercícios propostos
1. Uma medição de aterramento chegou aos valores apresentados na

tabela. Entendendo que esses valores são pouco precisos, trace a
curva que melhor represente o comportamento das medições.
Discuta sobre a correção dos dados as curvas traçadas.
Resposta por regressão: a curva contínua com n=2;

R (Ω) I (A) curva tracejada com n=3 e curva pontilhada com n=4.
1 10
1,1 9
1,25 8,9
1,5 7
2 6
2,2 5,5
3,5 4
5 2
6 1,5
6,5 1,1
7 1,05
8 1
8,75 1
9,5 1,1
10 0,95
2. A medição de alguns pontos de uma curva de saturação magnética

(BxH) num processo de desmagnetização do ferrite MnZn3c15 é
[4]:
H ( A/m ) -50 -5 5 75
B ( mT ) -300 -50 180 350
Determine o valor da indução magnética para H = 0 A/m.
____________________________________________________________________
60
____________________________________________________________________
Resposta: por Newton, B = 62,8139 mT;

por Lagrange, B = 62,8139 mT;
por interpolação polinomial, n=2, B = 68,5933 mT
n=3, B = 62,8139 mT.
3. Determine o polinômio que melhor represente o processo de

desmagnetização do ferrite MnZn3c15, dado o seguinte
comportamento:
H(A/m) T(s)
80 0
-60 1
40 2
-30 3
20 4
-10 5
5 6
-2,5 7
1,25 8
-0,625 9
0,3125 10
Resposta:
curva contínua foi obtida por spline e a curva tracejada por pchip.
Percebe-se aqui que a pchip não extrapola os valores dos dados
medidos.
O comportamento deste problema remete às funções de Bessel. Elas
são comumente encontradas nos problemas que envolvam o
eletromagnetismo e o processamento de sinais, por exemplo.
____________________________________________________________________
61
____________________________________________________________________
4. Produza uma onda com frequência de 60Hz (𝜔 = 377𝑟𝑎𝑑/𝑠) e valor

máximo de 311, onde a parte negativa da onda é rebatida para o
quadrante positivo. A onda tem valor nulo enquanto o ângulo da
onda original estiver menor que 15º e entre 𝜋 𝑒 (𝜋 + 15°).
Resposta:
1 𝑛⁄(377)
𝑎0 = ∫ 311 sen(377𝑡) 𝑑𝑡 = 184,7260
𝑇 𝑛⁄(6×377)
311 1 𝜋
𝑎𝑛 = ( (𝑐𝑜𝑠(𝜋(2𝑛 − 1)) − 𝑐𝑜𝑠 ( (2𝑛 − 1))))
𝜋 2𝑛 − 1 6
1 𝜋
+( (−𝑐𝑜𝑠(𝜋(2𝑛 + 1)) + 𝑐𝑜𝑠 ( (2𝑛 − 1))))
2𝑛 − 1 6
311 1 𝜋
𝑏𝑛 = ( (𝑐𝑜𝑠(𝜋(2𝑛 − 1)) − 𝑠𝑒𝑛 ( (2𝑛 − 1))))
𝜋 2𝑛 − 1 6
1 𝜋
+( (−𝑠𝑒𝑛(𝜋(2𝑛 + 1)) + 𝑠𝑒𝑛 ( (2𝑛 − 1))))
2𝑛 + 1 6
𝑓(𝑡) = 𝑎0 + ∑[𝑎𝑘 𝑐𝑜𝑠(𝑘𝜔𝑡) + 𝑏𝑘 𝑠𝑒𝑛(𝑘𝜔𝑡)]

𝑘=1
____________________________________________________________________
62
____________________________________________________________________
4.7 Referências básicas
[1] REAMAT, Cálculo Numérico – Um Livro Colaborativo, UFRGS.

2019. [online] www.ufrgs.br/reamat/CalculoNumerico
[2] C. de Boor. A Practical Guide to Splines. Springer-Verlag, New
York: 1978. ISBN 9780387953663.
[3] LATHI, B. P., Sinais e Sistemas Lineares. 2a ed. São Paulo:
Prentice-Hall do Brasil, 2007. ISBN 0195185334.
[4] L. A. de Almeida, G. S. Deep, A. M. N. Lima, H. Neff, Um modelo
diferencial para histerese magnética: representação algébrica
recursiva, Controle & Automação, vol. 14, n. 1, 2003.
____________________________________________________________________
63
____________________________________________________________________
4.8 Referências complementares – Aplicações
[1] L. Knockaert, "Multinomial Lagrange-Bernstein approximants,"

in IEEE Signal Processing Letters, vol. 13, no. 6, pp. 333-336,
June 2006. doi: 10.1109/LSP.2006.871719
[2] Y. Zhang and C. Shang, "Combining Newton interpolation and
deep learning for image classification," in Electronics Letters, vol.
51, n. 1, pp. 40-42, 8 1 2015. doi: 10.1049/el.2014.3223.
[3] M. Shakiba, E. Sundararajan, A. Zavvari and M. Islam, "Cubic
spline-based tag estimation method in RFID multi-tags
identification process," in Canadian Journal of Electrical and
Computer Engineering, vol. 36, no. 1, pp. 11-17, 2013. doi:
10.1109/CJECE.2013.6544467
[4] M. Heideman, D. Johnson and C. Burrus, "Gauss and the history
of the fast Fourier transform," in IEEE ASSP Magazine, vol. 1, no.
4, pp. 14-21, 1984. doi: 10.1109/MASSP.1984.1162257.
[5] D. BARBOSA, R. M. MONARO et al. “Filtragem adaptativa para a
estimação da frequência em sistemas elétricos de potência”. in SBA
Controle & Automação, vol.19, n.2, pp.226-234, 2015.
[6] A. P. Lopes, M. de J. dos S. Costa, Comparação entre métodos de
aproximação numérica utilizando o programa Matlab, Revista
Margens, ISSN: 1982-5374, v.11, n. 17, pp. 245-258, 2017.
____________________________________________________________________
64
Capítulo 5: Integração numérica
____________________________________________________________________
Integração numérica
No início de qualquer curso de graduação em engenharia, estuda-se
cálculo diferencial e integral. A derivada representa a taxa de variação
de uma variável dependente com relação a uma independente. A ideia
é usar diferenças para quantificar um processo instantâneo.
A integração é o oposto. O objetivo pressupõe a soma de informações

instantâneas para fornecer um resultado total ao longo de um intervalo,
obtendo-se a área ou o volume de figuras geométricas.
A obtenção de derivadas e integrandos por métodos analíticos em

problemas complexos usualmente pressupõe grande esforço, quando
possível.
Matematicamente, a integração (definida) é representada por:
𝑏
𝐼𝑛𝑡 = ∫𝑎 𝑓(𝑥) 𝑑𝑥 , (5.1)
que indica a integral da função 𝑓(𝑥) em relação à variável independente

x, avaliada entre os limites a e b [1].
Neste capítulo primeiro apresenta-se as fórmulas de integração

numérica por Newton-Cotes [2]. Elas são técnicas que utilizam um
conjunto de pontos amostrados, sejam reais ou estimados por
polinômios de interpolação. Em seguida, discutem-se fórmulas de
integração numéricas que utilizam funções diretamente.
____________________________________________________________________
65
____________________________________________________________________
O problema
A resposta natural de um circuito RC é dada por:
𝑣(𝑡) = 𝑉0 𝑒 −𝑡⁄𝜏 , 𝑡 ≥ 0 onde 𝑉0 é a tensão

inicial no capacitor e 𝜏 é a constante de
tempo para o circuito, dado por 𝜏 = 𝑅𝐶.
Sendo a corrente obtida por 𝑖(𝑡) =
𝑣(𝑡)/𝑅 , pode-se calcular a potência da
seguinte forma:
1 2 𝑉0 2
𝑝(𝑡) = 𝑣(𝑡) ∙ 𝑖(𝑡) = (𝑉0 ∙ 𝑒 −𝑡⁄𝜏 ) = (𝑒 −2𝑡⁄𝜏 ) [W] [3].
𝑅 𝑅
A energia envolvida pode ser calculada integrando
𝑡 𝑉0 2 𝑡
𝜔 = ∫0 𝑝(𝑡) 𝑑𝑡 =
𝑅
∫0 (𝑒 −2𝑡⁄𝜏 ) 𝑑𝑡 [J].
Por fim, a potência média é dada por:
𝜔 𝑉0 2 1 𝑡
𝑃𝑚𝑒𝑑 = = ∙ ∫0 (𝑒 −2𝑡⁄𝜏 ) 𝑑𝑡 [W].
𝑡 𝑅 𝑡
Analiticamente, considerando 𝑅 = 1Ω, 𝐶 = 0,001𝐹 , 𝑉0 = 100𝑉 𝑒 𝑜 𝜏 = 3𝑅𝐶

, obtém-se o comportamento:
𝑉0 2 3𝜏
𝜔=
𝑅
∫0 (𝑒 −2𝑡⁄𝜏 ) 𝑑𝑡 = 0,0499 [J].
𝜔
𝑃𝑚𝑒𝑑 = = 16,6254 [W].
3𝜏
A energia (𝜔) é a área sob a curva P x t. O cálculo desta área é a sua

integral. A figura a seguir ilustra o presente exercício.
____________________________________________________________________
66
____________________________________________________________________
Obviamente, a resolução analítica é possível dada a simplicidade do

circuito em análise. Em circuitos mais complexos, pode-se fazer uso
de integrais numéricas.
5.1. Fórmulas de integração numérica por Newton-Cotes
As fórmulas de Newton-Cotes, ou regras de Newton-Cotes, são um

grupo de fórmulas para integração numérica (também chamadas de
quadratura) baseadas na avaliação do integrante em pontos igualmente
espaçados. O mais comum é basear na estratégia de substituir uma
função complicada ou um conjunto de dados tabulados por um
polinômio, como por exemplo:
𝑏 𝑏
𝐼𝑛𝑡 = ∫𝑎 𝑓(𝑥) 𝑑𝑥 ≅ ∫𝑎 𝑓𝑛 (𝑥) 𝑑𝑥 𝑜𝑛𝑑𝑒 𝑓𝑛 (𝑥) = 𝑎0 + 𝑎1 𝑥 + ⋯ + 𝑎𝑛 𝑥 𝑛 , (5.2)
e o integrar por partes, conforme ilustra a figura 5.1.

____________________________________________________________________
67
____________________________________________________________________
f(x)
x
x0 x1 x2 x3 x4 x5
x0 = a x n= b
h=(b-a)/n
Figura 5.1. Integração por partes.
Existem 𝑛 + 1 pontos igualmente espaçados (𝑥0 , 𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 ) . Assim,

existem n segmentos de largura ( ℎ = (𝑏 − 𝑎)/𝑛 ). Se 𝑎 = 𝑥0 e 𝑏 = 𝑥𝑛 , a
integral total pode ser representada por:
𝑥1 𝑥𝑛
𝐼 = ∫ 𝑓(𝑥)𝑑𝑥 + ⋯ + ∫ 𝑓(𝑥)𝑑𝑥 ,
𝑥0 𝑥𝑛−1
substituindo cada integral pela equação de área de um trapézio, tem-se:
(𝑓(𝑥0 ) − 𝑓(𝑥1 )) (𝑓(𝑥𝑛−1 ) − 𝑓(𝑥𝑛 ))

𝐼𝑛𝑡 = ℎ + ⋯+ ℎ . (5.3)
2 2
Agrupando-se os termos, pode-se obter a forma geral da Regra do

Trapézio Múltipla:
𝑓(𝑥0 ) + 2 ∑𝑛−1
𝑖=1 𝑓(𝑥𝑖 ) + 𝑓(𝑥𝑛 )
𝐼𝑛𝑡 = (𝑏 − 𝑎) . (5.4)
2𝑛
____________________________________________________________________
68
____________________________________________________________________
R = 1; C = 0.001; Vo = 10; TAL = R*C;

t = linspace(0,3*TAL,7);
Vc = Vo*exp(-t./(TAL));
Ic = (Vo*exp(-t./(TAL)))/R;
P = Vc.*Ic;
Pmed = Vo^2/(6*R) * [-exp(-6)+1];
w = C*Vo^2/2 * [-exp(-6)+1];
% trapézio
a = t(1); b = t(end); % limites
n = 150; % número de segmentos
x = a;
h = (b-a)/n;
ff = @(x) (10*exp(-x./0.001))^2
Ianalitico = w; s = ff(x);
for i = 1:(n-1)
x = x+h;
s = s + 2*ff(x);
end
s = s + ff(b);
P = (b-a) * s/(2*n);
w = P
Pmed = w/(3*TAL)
Erro = (Ianalitico - P)/Ianalitico
O MatLab possui biblioteca para a integração numérica por Newton-

Cotes, chamada trapz.
A tabela a seguir apresenta os resultados do problema proposto pelo

método de integração numérica do trapézio. Percebe-se que quanto
maior o número de pontos, por tantas divisões (n), maior será a
precisão da solução encontrada.
Para se obter mais pontos, pode-se optar pela técnica de ajustes de

curvas mais adequada, conforme visto no capítulo anterior.
Como os valores analíticos são conhecidos, o erro pode ser calculado

por 𝐸 = 100%(𝑟𝑒𝑎𝑙 − 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜)/𝑟𝑒𝑎𝑙 . Outra maneira pode ser a
comparação direta entre as soluções obtidas para diferentes n.
____________________________________________________________________
69
____________________________________________________________________
n h (s) w [J] Pmed [W] Erro (%)

2 0,00150 0,0827 27,5513 65,72
10 0,00030 0,0514 17,1212 2,9822
50 0,00006 0,0499 16,6453 0,1200
Existem muitos outros métodos para realizar integração numérica. A

tabela 5.1. apresenta os mais conhecidos. Para todos os citados, o passo
é dado por ℎ = (𝑏 − 𝑎)/𝑛. O erro de truncamento pode ser calculado
utilizando a informação da derivada de ordem superior do ponto qualquer
(ξ) entre a e b.
Tabela 5.1. Métodos para Integração Numérica [1].
Fórmula Truncamento
Trapézio (n=2)
𝑓(𝑥0 ) + 𝑓(𝑥1 )
(𝑏 − 𝑎) −(1/12)ℎ3 𝑓 ′′ (ξ)
2
1/3 Simpson (n=3)
𝑓(𝑥0 ) + 4𝑓(𝑥1 ) + 𝑓(𝑥2 )
(𝑏 − 𝑎) −(1/90)ℎ5 𝑓 (4) (ξ)
6
3/8 Simpson (n=4)
𝑓(𝑥0 ) + 3𝑓(𝑥1 ) + 3𝑓(𝑥2 ) + 𝑓(𝑥3 )
(𝑏 − 𝑎) −(3/80)ℎ5 𝑓 (4) (ξ)
8
Boole
7𝑓(𝑥0 ) + 32𝑓(𝑥1 ) + 12𝑓(𝑥2 ) + 32𝑓(𝑥3 ) + 7𝑓(𝑥4 )
(𝑏 − 𝑎) −(8/945)ℎ7 𝑓 (6) (ξ)
90
5.2. Fórmulas de Integração de Funções
As técnicas apresentadas na seção anterior utilizam um conjunto de

pontos amostrados, sejam reais (medidos) ou estimados por
polinômios de interpolação. Certamente adequados, tais métodos são
custosos e podem acrescentar erros devidos à interpolação. Existindo
____________________________________________________________________
70
____________________________________________________________________
uma função confiável, é possível gerar tantos valores quanto forem

necessários para se alcançar a precisão desejada.
Existem muitos métodos de integração numérica a partir de funções,
como por exemplo: a integração de Romberg, que utiliza a extrapolação
de Richardson; e as fórmulas de Gauss-Legendre e Gauss-Hermite [1][2].
Aqui será apresentada a técnica chamada de Quadratura Adaptativa

[2]. O diferencial desta proposta é a possibilidade de ajuste automático
do intervalo de integração (h) de acordo com variações abruptas da
função em estudo. Em regiões com gradiente pequeno, passos largos.
Em regiões com gradiente grande, passos refinados. Este
procedimento confere maior precisão e velocidade ao cálculo [4].
Partindo da regra 1/3 de Simpson, tem-se uma primeira estimativa:
ℎ
𝐼𝑛𝑡(ℎ1 ) = [𝑓(𝑎) + 4𝑓(𝑐) + 𝑓(𝑏)] (5.5)
6
onde ℎ = 𝑏 − 𝑎 e 𝑐 = (𝑎 + 𝑏)/2 .
Uma estimativa mais refinada pode ser obtida pela metade do

tamanho do passo, por exemplo com aplicação da regra 1/3 de
Simpson com n=4:
ℎ
𝐼𝑛𝑡(ℎ2 ) = [𝑓(𝑎) + 4𝑓(𝑑) + 2𝑓(𝑐) + 4𝑓(𝑒) + 𝑓(𝑏)] (5.6)
12
onde 𝑑 = (𝑎 + 𝑐)/2 e 𝑒 = (𝑐 + 𝑏)/2 .
De forma a melhorar ainda mais a estimativa, com resultado

equivalente à regra de Boole, pode-se utilizar:
1
𝐼𝑛𝑡 = 𝐼𝑛𝑡(ℎ2 ) + [𝐼𝑛𝑡(ℎ1 ) + 𝐼𝑛𝑡(ℎ2 )] . (5.7)
15
____________________________________________________________________
71
____________________________________________________________________
a = 0; b = 0.003;
c = (a+b)/2; tol = 1*exp(-6);
f = @(x) (10*exp(-x./0.001))^2
fa = feval(f,a); fb = feval(f,b); fc = feval(f,c);
q = quadsetp(f,a,b,tol,fa,fc,fb)
function q = quadsetp(f,a,b,tol,fa,fc,fb);
h = b-a; c = (a+b)/2;
fd = feval(f, (a+c)/2); fe = feval(f, (c+b)/2);
q1 = h/6 * (fa + 4*fc + fb);
q2 = h/12 * (fa + 4*fd + 2*fc + 4*fe + fb);
if abs(q2-q1) <= tol
q = q2 + (q2 - q1)/15;
else
qa = quadsetp(f,a,c,tol,fa,fd,fc);
qb = quadsetp(f,c,b,tol,fc,fe,fb);
q = qa + qb;
end
end
O MatLab possui biblioteca para a integração numérica por funções,

chamada quad.
Para o circuito elétrico RC proposto, com tolerância de 10 -6, chega-se

a w = 0,0499 J em apenas 3 ações recursivas.
Integrais múltiplas são bem comuns. Por exemplo, uma integral dupla
estuda uma função bidimensional:
𝑦2 𝑥2
∫ (∫ 𝑓(𝑥, 𝑦)𝑑𝑥 ) 𝑑𝑦 . (5.8)
𝑦1 𝑥1
Analiticamente, primeiro se integra a função em uma dimensão. Após

esse resultado é integrado na segunda dimensão.
Numericamente se faz o mesmo. O MATLAB possui funções nativas
para integrais duplas (dblquad) e triplas (triplequad).
____________________________________________________________________
72
____________________________________________________________________
1. Calcule numericamente o valor eficaz de 𝑉(𝑡) = 311𝑠𝑒𝑛(377𝑡 +

0°)𝑉 .
Resposta: valor eficaz é o equivalente contínuo que gera o mesmo

trabalho que o sinal alternado. Assim, a simples integral do sinal
senoidal no intervalo de período reportará 𝑉𝑚𝑒𝑑 = 0. Uma forma
de tratar isto é:
3112 2𝜋 3112
𝑉𝑒𝑓 = √ ∫ 𝑠𝑒𝑛2 (377𝑡)𝑑𝑡 = √ 𝐼𝑛𝑡
2𝜋 0 2𝜋
Método Pontos Int Vef

Trapézio 4 3,1416 219,9102
Quad - 3,1416 219,9102
2. A(o) engenheira(o) foi à bancada do laboratório e obteve os dados

de tensão e corrente. Assim, ele pode calcular e conhecer a
potência instantânea. Aplique um método de integração numérica
e calcule a potência média no período entre [1 a 2] segundos.
t (s) 0 0,50 1,00 1,50 2,00 2,50 3,00

V (V) 10 6,10 3,70 2,25 1,42 0,78 0,50
I (A) 10 6,05 3,65 2,25 1,40 0,80 0,50
P (W) 100 36,90 13,50 5,06 1,99 0,62 0,25
Resposta:
𝑃(𝑡) = 0,5582𝑡 6 − 6,6480𝑡 5 + 34,2689𝑡 4 − 100,5233𝑡 3 + 181,5979𝑡 2 − 195,7537𝑡

+ 100
____________________________________________________________________
73
____________________________________________________________________
Por trapézio, com n = 90, Pmed = 5,9263.

Por trapézio, com n = 100, Pmed = 5,9262.
Por quadratura adaptativa, com 1 ação recursiva, Pmed = 5,9262.
[1] P. J. Davis and P. Rabinowitz, Methods of Numerical Integration

(Computer Science & Applied Mathematics), 2nd ed., Academic
Press, 2014. ISBN: 9781483237961.
[2] C. B. Moler, Numerical Computing with Matlab, Society for
Industrial and Applied Mathematics, 2004. ISBN:
9780898716603.
[3] J. W. Nilsson and S. A. Riedel, Circuitos Elétricos, 10a ed., Pearson,
2016. ISBN 9788543004785.
[4] W. Gander and W. Gautschi, “Adaptive Quadrature-Revisited,” in
BIT Numerical Mathematics, vol. 40, n. 1, pp. 84-101, 2000. doi:
10.1023/A:1022318402393.
[1] J. S. Savage and A. F. Peterson, "Quadrature rules for numerical

integration over triangles and tetrahedra," in IEEE Antennas and
Propagation Magazine, vol. 38, no. 3, pp. 100-102, 1996. doi:
10.1109/74.511963.
[2] V. Volskiy, et al., "Numerical integration of Sommerfeld integrals
based on singularity extraction techniques and double
exponential-type quadrature formulas," in European Conference
on Antennas and Propagation (EUCAP), pp. 3215-3218, 2012. doi:
10.1109/EuCAP.2012.6205950.
[3] T. Karvonen and S. Särkkä, "Classical quadrature rules via
Gaussian processes," in International Workshop on Machine
Learning for Signal Processing (MLSP), pp. 1-6. 2012. doi:
10.1109/MLSP.2017.8168195
____________________________________________________________________
74
Capítulo 6: Derivação numérica
____________________________________________________________________
Derivação numérica
A derivação é usual na engenharia. Na grande maioria dos casos, o
entendimento de seu comportamento pressupõe a distinção da
mudança de grandezas físicas no tempo e no espaço.
Por exemplo, o vetor densidade de corrente elétrica (J) pode ser

equacionada como a proporcionalidade da condutividade elétrica (σ) do
meio condutor e a variação da tensão elétrica (dV/dt), desta forma [1]:
𝑑𝑉
𝐽 = −𝜎 . (6.1)
𝑑𝑡
Matematicamente, a derivada representa a taxa de variação de uma

variável dependente com relação a uma variável independente.
Aqui será apresentada uma formulação de diferença finita centrada e

noções de gradiente. A resolução de equações diferenciais ordinárias ou
parciais será apresentada em capítulos à parte.
O problema
A lei de Faraday determina que a tensão em um indutor (V) é dada

por:
𝑑𝑖
𝑉𝐿 = 𝐿 ,
𝑑𝑡
onde L é a indutância (H), i é a corrente (A) e t é o tempo (s) [1].

____________________________________________________________________
75
____________________________________________________________________
Determine a tensão em função do tempo a partir dos valores medidos

da corrente para um L = 0,1H.
t (s) 0 0,10 0,20 0,30 0,40 0,50

i (A) 0 1,00 3,00 5,00 8,50 20,00
6.1. Fórmulas de derivação
As expansões de série de Taylor são comumente utilizadas como

fórmulas de diferença finita. Aqui, é apresentada a fórmula de diferença
dividida centrada de Taylor, entretanto, destaca-se que existem ainda
fórmulas progressivas e regressivas ao ponto em estudo [2][3].
Por óbvio, quanto mais termos da expansão, mais acurado será a

solução.
Primeira Derivada Erro
𝑓 ′ (𝑥𝑖 ) = (𝑓(𝑥𝑖+1 ) − 𝑓(𝑥𝑖−1 ))/2ℎ 𝑂(ℎ2 )
𝑓 ′ (𝑥𝑖 ) = (−𝑓(𝑥𝑖+2 ) + 8𝑓(𝑥𝑖+1 ) − 8𝑓(𝑥𝑖−1 ) + 𝑓(𝑥𝑖−2 ))/12ℎ 𝑂(ℎ4 )
Segunda Derivada
𝑓 ′′ (𝑥𝑖 ) = (𝑓(𝑥𝑖+1 ) − 2𝑓(𝑥𝑖 ) + 𝑓(𝑥𝑖−1 ))/ℎ2 𝑂(ℎ2 )
𝑓 ′′ (𝑥𝑖 ) = (−𝑓(𝑥𝑖+2 ) + 16𝑓(𝑥𝑖+1 ) − 30𝑓(𝑥𝑖 ) + 16𝑓(𝑥𝑖−1 ) 𝑂(ℎ4 )
− 𝑓(𝑥𝑖−2 ))/12ℎ2
____________________________________________________________________
76
____________________________________________________________________
Terceira Derivada
𝑓 ′′ ′(𝑥𝑖 ) = (𝑓(𝑥𝑖+2 ) − 2𝑓(𝑥𝑖+1 ) + 2𝑓(𝑥𝑖−1 ) − 𝑓(𝑥𝑖−2 ))/2ℎ3 𝑂(ℎ2 )
𝑓 ′′ ′(𝑥𝑖 ) = (−𝑓(𝑥𝑖+3 ) + 8𝑓(𝑥𝑖+2 ) − 13𝑓(𝑥𝑖+1 ) + 13𝑓(𝑥𝑖−1 ) 𝑂(ℎ4 )
− 8𝑓(𝑥𝑖−2 ) + 𝑓(𝑥𝑖−3 ))/8ℎ3
h é o passo de cálculo.
Quando o passo de cálculo é desigualmente espaçado, pode-se ajustar

um polinômio de Lagrange de segundo grau para três pontos
adjacentes. A diferenciação do polinômio resulta em:
(2𝑥 − 𝑥2 − 𝑥3 ) (2𝑥 − 𝑥1 − 𝑥3 )
𝑓′(𝑥) = 𝑓(𝑥1 ) + 𝑓(𝑥2 )
(𝑥1 − 𝑥2 )(𝑥1 − 𝑥3 ) (𝑥2 − 𝑥1 )(𝑥2 − 𝑥3 )
(6.2)
(2𝑥 − 𝑥1 − 𝑥2 )
+ 𝑓(𝑥3 )
(𝑥3 − 𝑥1 )(𝑥3 − 𝑥1 )
As vantagens de se usar Lagrange ao invés da expansão de Taylor,

muito embora mais custosa computacionalmente, é que se pode obter
uma estimativa da derivada em qualquer lugar do intervalo
determinado pelos três pontos, com precisão e para passos de cálculo
iguais ou não.
Uma outra dificuldade de qualquer método de derivação numérica é a

amplificação de erros nos dados. Em engenharia, particularmente em
dados de medidas em laboratório, o erro na medição é comum.
A figura 6.1 ilustra essa preocupação: (a) dados sem erros, (b) a
derivação numérica resultante da curva (a), (c) dados ligeiramente
modificados, e (d) a derivação resultante da curva (c) manifestando um
aumento da variabilidade.
____________________________________________________________________
77
____________________________________________________________________
y y
(a) (c )
x x
dy dy
dx dx
(b) (d)
x x
Figura 6.1. Preocupação com a precisão dos dados para derivação.
t = [0 0.10 0.20 0.30 0.40 0.50];

I = [0 1 3 5 8.50 20];
% derivação
d = diff(I)./diff(t)
L = 0.1;
V = L*d;
Para o problema do indutor apresentado e sendo a fórmula de derivação

centrada, obtém-se os resultados expostos na tabela. Aqui, acontece
perda de informação. O método utilizado perde o início e o fim dos
dados.
V 0 2 2 3,50 11,5
I 1 3 5 8,50 20
T 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50
Usando (2), para t = 0,15s, I = 2 A.
A figura mostra o comportamento da corrente e da tensão no tempo.

____________________________________________________________________
78
____________________________________________________________________
6.2. Gradiente
O gradiente é um vetor que indica o sentido e a direção na qual obtém-

se o maior incremento de uma função. Assim, o módulo do vetor
gradiente indica a taxa de variação do fenômeno em estudo.
O campo vetorial e o operador gradiente possuem diversas aplicações

em engenharia. Por exemplo, a partir do gradiente do potencial
elétrico determina-se o campo elétrico; e a partir do gradiente
da energia potencial determina-se o campo de força associado [4].
A figura e o código a seguir ilustram o fenômeno elétrico existente entre

duas cargas elétricas estáticas de valores contrários.
% linhas de campo elétrico entre as cargas

[X,Y]=meshgrid(-2:.2:2,-2:.2:2);
E = X.*exp(-X.^2 - Y.^2);
[DX,DY]=gradient(E,.2,.2);
quiver(X,Y,DX,DY,'k'); hold on
% superfícies equipotenciais geradas pelas duas cargas
[X,Y]=meshgrid(-2:.1:2,-2:.1:2);
E = X.*exp(-X.^2 - Y.^2);
____________________________________________________________________
79
____________________________________________________________________
contour(X,Y,E,6,'k','ShowText','on'); hold on
% posicionamento das duas cargas
x1=0.70; y1=0; % carga elétrica negativa
x2=-0.70; y2=0; % carga elétrica positiva
plot(x1,y1,'ko','MarkerFaceColor','k','MarkerSize',12)
plot(x2,y2,'ko','MarkerSize',12)
1. A corrente em um capacitor (I) é dada por [1]:
𝑑𝑉
𝐼𝑐 = 𝐶 ,
𝑑𝑡
onde C é a capacitância (F), V é a tensão (V) e t é o tempo (s). Determine

a corrente em função do tempo a partir dos valores medidos da tensão
para um C = 10mF.
t (s) 0 0,50 1 2 3
V (V) 100 50 35 9,50 0,05
____________________________________________________________________
80
____________________________________________________________________
Resposta:
2. Refaça o exercício do campo elétrico proposto na seção 6.2,

entretanto com as duas cargas sendo negativas.
[1] J. W. Nilsson, S. A. Riedel, Circuitos Elétricos, 10a ed., Pearson,

2016. ISBN 9788543004785.
[2] Numerical Differentiation of Analytic Functions, B Fornberg - ACM
Transactions on Mathematical Software (TOMS), 1981.
[3] Y. Zhang, Advanced Differential Quadrature Methods, CRC Press,
2009. ISBN 9781420082487.
____________________________________________________________________
81
____________________________________________________________________
[1] G. Capizzi, S. Coco and A. Laudani, "Gaussian basis

representation FIR filtering for the numerical differentiation of
Laplacian FE solutions," in IEEE Transactions on Magnetics, vol.
38, n. 2, pp. 349-352, 2012. doi: 10.1109/20.996094
[2] S. Coco and A. Laudani, "Numerical differentiation of Laplacian 3-
D FE solutions by using regular polyhedra quadrature of Poisson
integrals," in IEEE Transactions on Magnetics, vol. 37, n. 5, pp.
3104-3107, 2001. doi: 10.1109/20.952553.
[3] M. S. Hosseini and K. N. Plataniotis, "Derivative Kernels: Numerics
and Applications," in IEEE Transactions on Image Processing, vol.
26, n. 10, pp. 4596-4611, 2017. doi: 10.1109/TIP.2017.2713950.
____________________________________________________________________
82
Capítulo 7: Equações diferenciais ordinárias
____________________________________________________________________
Equações diferenciais
ordinárias
Em vez de descrever os estados de sistemas físicos diretamente, as leis
da física usualmente são dadas em termos de variações temporais e
espaciais. Esse tipo de equacionamento, quando composto por uma
função desconhecida e suas derivadas, são chamadas de equações
diferenciais [1].
Quando a função envolve apenas uma variável independente, a equação

é conhecida como equação diferencial ordinária (EDO). Com duas ou
mais variáveis independentes, como tempo, temperatura e espaço,
chama-se equação diferencial parcial (EDP).
No circuito elétrico ilustrado, a quantidade que está sendo derivada ( I ) é

chamada de variável dependente. A quantidade em relação à qual I é
derivada é denominada variável independente ( t ) [2].
𝑑𝐼
−𝑉 + 𝑅𝐼(𝑡) + 𝐿 =0 Física
𝑑𝑡
𝑑𝐼 1
= (𝑉 − 𝑅𝐼) EDO
𝑑𝑡 𝐿
1
𝐼𝑖+1 = 𝐼𝑖 + (𝑉 − 𝑅𝐼)∆𝑡 Solução numérica
𝐿
____________________________________________________________________
83
____________________________________________________________________
Além da quantidade de independentes, o comportamento das variáveis

independentes também é relevante em qualquer análise.
Um problema é chamado de ‘problema de valor inicial’ quando todas as

condições são especificadas para o mesmo valor inicial da variável
independente. Caso as condições sejam especificadas para diversos
valores diferentes da variável independente, chama-se de ‘problema de
valor de contorno’ [1]. A Figura 7.1 ilustra os dois casos.
y Condição Inicial y Condição de contorno

y0 t = 0, y = y 0 y0 t = 0, y = y 0
y’(t) = y’0 t = x, y = y x
yx
t x t
(a ) (b )
Fig. 7.1. EDO: condição inicial e de contorno.
Este capítulo fica restrito ao estudo de EDO caracterizado como

problema de valor inicial. EDP e problemas com condições de contorno
serão solucionadas em capítulo específico.
Para o circuito RL proposto, por análise de malha tem-se:
𝑑𝐼 𝑑𝐼 1
−𝑉 + 𝑅 ∙ 𝐼(𝑡) + 𝐿 ∴ = (𝑉 − 𝑅 ∙ 𝐼)
𝑑𝑡 𝑑𝑡 𝐿
onde 𝑉 é a tensão na fonte, R é a resistência (Ω) e L é a indutância (H) [2].

Determine o comportamento de I(t).
Os métodos mais comuns resolvem EDO da forma:
𝑑𝑥
= 𝑓(𝑥, 𝑡) (7.1)
𝑑𝑡
____________________________________________________________________
84
____________________________________________________________________
e de forma geral, eles possuem a seguinte construção:
𝑥𝑖+1 = 𝑥𝑖 + ∅ℎ (7.2)
onde ∅ é chamado de função incremento e é utilizado para extrapolar

de 𝑥𝑖 para 𝑥𝑖+1 em uma distância h (passo de cálculo).
Esses métodos são chamados de passo único, isto porque o valor da

função incremento é baseado na informação de um único ponto i.
Existem vários métodos de passo único. Aqui será apresentado o Range-

Kutta de quarta ordem (RK4) [3]. Ele foi escolhido pois apresenta uma
ótima relação acuracidade versus custo computacional.
7.1. Método Range-Kutta de 4º ordem
RK4 utiliza o conceito de aproximação proposto por (7.2). A 4° ordem é

dada pelos quatro coeficientes utilizados (𝑘1 , 𝑘2 , 𝑘3 𝑒 𝑘4 ), estimados da
seguinte forma:
1
𝑥𝑖+1 = 𝑥𝑖 + (𝑘1 + 2𝑘2 + 2𝑘3 + 𝑘4 )ℎ
6
𝑘1 = 𝑓(𝑡𝑖 , 𝑥𝑖 )
1 1
𝑘2 = 𝑓(𝑡𝑖 + ℎ , 𝑥𝑖 + 𝑘1 ℎ)
2 2
1 1
𝑘3 = 𝑓(𝑡𝑖 + ℎ , 𝑥𝑖 + 𝑘2 ℎ)
2 2
𝑘4 = 𝑓(𝑡𝑖 + ℎ , 𝑥𝑖 + 𝑘3 ℎ)
____________________________________________________________________
85
____________________________________________________________________
V = 10; R = 1; L = 0.001;
tf = 0.006; h = tf/100;
it = 1; i(it) = 0; t(it) = 0;
while t < tf
k1=(1/L)*(V - R*i(it));
tx = t(it)+(1/2)*h;
ix = i(it)+ (1/2)*k1*h;
k2 = (1/L)*(V - R*ix);
tx = t(it)+(1/2)*h;
ix = i(it)+ (1/2)*k2*h;
k3 = (1/L)*(V- R*ix);
tx = t(it)+ h;
ix = i(it)+ k3*h;
k4 = (1/L)*(V- R*ix);
i(it+1) = i(it)+(1/6)*(k1+2*k2+2*k3+k4)*h;
t(it+1)= t(it)+h; it=it+1;
end
Para o problema do circuito RL:

V = 10V, R = 1Ω, L = 0,001 H,
L sem energia inicial,
e tempo final = 6 ms.
Por RK4 com passo de cálculo

h = 0.006/100,
obtém-se o comportamento da
corrente ilustrado.
7.2. Problema com múltiplas EDOs
Muitos problemas práticos em engenharia exigem a solução de um

sistema de equações diferenciais ordinárias simultâneas. A solução
exige que sejam conhecidas n condições iniciais no valor inicial de t.
____________________________________________________________________
86
____________________________________________________________________
𝑑𝑥1
= 𝑓1 (𝑡, 𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 )
𝑑𝑡
𝑑𝑥2
= 𝑓2 (𝑡, 𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 )
𝑑𝑡 (7.3)
𝑑𝑥𝑛
= 𝑓𝑛 (𝑡, 𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 )
𝑑𝑡
O problema
Descreva o comportamento da tensão no capacitor e da corrente no

circuito para o intervalo de t = [0 10] ms. As condições iniciais são de
corrente igual a zero e tensão no capacitor de 100V.
𝑉𝑅 + 𝑉𝐿 + 𝑉𝑐 = 0
𝑑𝑖 1 𝑡
𝑅𝑖 + 𝐿 + ∫ 𝑖 𝑑𝑡 = 0
𝑑𝑡 𝐶 −∞
De forma a eliminar a integração, faz-se:
𝑑𝑖 𝑑2𝑖 𝑖 𝑑2𝑖 𝑅 𝑑𝑖 𝑖
𝑅 +𝐿 2+ = 0 𝑜𝑢 = − − .
𝑑𝑡 𝑑𝑡 𝐶 𝑑2𝑡 𝐿 𝑑𝑡 𝐿𝐶
Para facilitar, transforma-se esta EDO de segunda ordem em duas de

primeira ordem:
𝑑𝑖
= 𝑣
𝑑𝑡
𝑑𝑣 𝑅 𝑖
= − 𝑣−
{ 𝑑𝑡 𝐿 𝐿𝐶
____________________________________________________________________
87
____________________________________________________________________
ti = 0; tf = 0.01; h = 1e-6; y0 = [0 100]; % [I V];

t = (ti:h:tf)'; tt = t(1); y = y0; i = 1; np = 1;
tp(np) = tt; yp(np,:) = y(1,:);
while(1)
tend = t(np+1); hh = t(np+1) - t(np); if hh>h, hh = h; end
while(1)
if tt+hh>tend,hh = tend - tt; end
k1 = dydt(tt,y(i,:))'; ymid = y(i,:) + k1.*hh./2;
k2 = dydt(tt+hh/2,ymid)'; ymid = y(i,:) + k2*hh/2;
k3 = dydt(tt+hh/2,ymid)'; yend = y(i,:) + k3*hh;
k4 = dydt(tt+hh,yend)';
phi = (k1+2*(k2+k3)+k4)/6; y(i+1,:) = y(i,:) + phi*hh;
tt = tt+hh; i=i+1; if tt>=tend, break, end
end
np=np+1; tp(np)=tt; yp(np,:)=y(i,:); if tt>=tf, break, end
end
function dy = dydt(t,y)
R = 100; L = 0.100; C = 0.000001;
dy = [ y(2) ; (-R/L)*y(2)-y(1)/(L*C)];
end
Considerando R = 100, L = 100mH e C = 1μF, obtém-se o

comportamento explicitado na figura a seguir.
____________________________________________________________________
88
____________________________________________________________________
A definição do valor do passo de cálculo (h) implica na convergência

ou não do método RK, bem como no seu custo computacional. Aqui
apresentou-se o RK4 com passo único. Outra classe de métodos,
chamados de métodos de passo múltiplo, usa a informação de vários
pontos anteriores como base de extrapolação de um novo valor. O
passo múltiplo acelera a convergência.
A função nativa do MATLAB ode45 utiliza o equacionamento de RK de

quarta e quinta ordens com estimativas de erro para ajuste do
tamanho do passo.
Uma outra dificuldade na resolução de EDOs é o trato de sistemas

ditos rígidos. Um sistema é rígido quando envolve variáveis
dependentes com comportamentos muito díspares entre si e com
relação a variável independente. Essa diferença de comportamento
pode dificultar a determinação dos passos de cálculo.
A ode23, baseada em múltiplas fórmulas matemáticas, busca lidar

melhor com sistemas moderadamente rígidos, necessitando para tal a
exigência de baixa precisão em razão de ser de segunda e terceira ordem.
7.3. Sistema EDOs rígida
Um circuito magnético pode ser governado pela seguinte equação:
𝑑 2 𝑦1 𝑑𝑦1
2
− 𝜇(1 − 𝑦12 ) + 𝑦1 = 0.
𝑑𝑡 𝑑𝑡
O comportamento deste problema torna-se cada vez mais rígido à

medida que µ aumenta. O sistema EDOs para este problema fica:
𝑑𝑦1
= 𝑦2
{ 𝑑𝑡
𝑑𝑦2
= 𝜇(1 − 𝑦12 )𝑦2 − 𝑦1 = 0
𝑑𝑡
____________________________________________________________________
89
____________________________________________________________________
[t,y] = ode45(@EDO,[0 15], [1 1],[],1);

[t,y] = ode23s(@EDO,[0 5000], [1 1],[],1000)
function yp = EDO(t,y,mu)
yp = [y(2); mu*(1-y(1)^2)*y(2)-y(1)];
end
A condição inicial é 𝑦1 (0) = 𝑑𝑦1 ⁄𝑑𝑡 = 1. Para 𝜇 = 1, 𝑡 = [0 15]𝑠. Para 𝜇 =

1000, 𝑡 = [0 5000]𝑠.
Com 𝜇 = 1, a suavidade do gráfico sugere que o sistema não é rígido.

Para esta situação, tanto a ode45 quanto a ode23 produzem
resultados similares.
Para 𝜇 = 1000, apenas a função ode23 produz resultado satisfatório.

É possível perceber a rigidez da solução pelo aparecimento de
mudanças bruscas no comportamento das curvas.
____________________________________________________________________
90
____________________________________________________________________
1. Para um circuito elétrico proposto, onde

V = 100V, R = 10Ω, L = 1 H, L sem energia
inicial. Qual o valor da corrente para o
tempo de 1s.
Resp.: 10 A.
2. Para um circuito elétrico proposto, onde

R = 10Ω, L = 1 H, L sem energia inicial, C =
1uF e com tensão inicial de 10V. (a) em
qual tempo a corrente no circuito chega a
zero (±0,0005A). (b) qual o valor da tensão
no capacitor neste tempo.
Resp.: (a) 8 s. (b) 0 V.
____________________________________________________________________
91
____________________________________________________________________
[1] W. E. Boyce & R. C. DiPrima, Elementary Differential Equations

and Boundary Values Problems, 5 ed., John Wiley & Sons, 1992.
ISBN 0471509981.
[2] J. W. Nilson and S. A. Riedel, Circuitos Elétricos, 8 ed., Ed.
Pearson, 2008, ISBN 9788576051596.
[3] S. C. Chapra, Métodos Numéricos Aplicados com Matlab, 3 rd Ed.
AMGH, 2013. ISBN 9788580551761.
[1] R. A. Rink and W. Streifer, “Application of Digital Computers to

Solve Analytically a Class of Second-Order Non-linear Ordinary
Differential Equations,” in IEEE Transactions on Computers, v.C-
20, n. 8, pp. 901-910, 1971. Doi: 10.1109/T-C.1971.223368.
[2] C. Huang, F. Vahid and T. Givargis, “A Custom FPGA Processor for
Physical Model Ordinary Differential Equation Solving”, in IEEE
Embedded Systems Letters, vol. 3, n. 4, pp. 113-116, 2011. doi:
10.1109/LES.2011.2170152.
____________________________________________________________________
92
Capítulo 8: Equações diferenciais parciais
____________________________________________________________________
Equações diferenciais
parciais
Quando a equação diferencial envolve apenas uma variável
independente, a equação é conhecida como equação diferencial
ordinária (EDO). A sua solução numérica foi discutida no capítulo
anterior. Com duas ou mais variáveis independentes, como por exemplo
tempo e espaço, chama-se equação diferencial parcial (EDP).
A EDP para uma função 𝑢(𝑥1 , … , 𝑥𝑛 ) é uma equação de forma [1]:
𝜕𝑢 𝜕𝑢 𝜕2𝑢 𝜕2𝑢
𝑓 (𝑥1 , … , 𝑥𝑛 ; ,… ; ,… ; …) = 0 , (8.1)
𝜕𝑥1 𝜕𝑥𝑛 𝜕𝑥1 𝜕𝑥1 𝜕𝑥1 𝜕𝑥𝑛
se f é uma função linear de u e suas derivadas, então a EDP é linear.
Assim como para EDO, aqui também o comportamento das variáveis

independentes é relevante. Para EDP, problemas de valor inicial ou
valor de contorno devem ser considerados (ver figura 7.1)[2].
Um problema de valor de contorno é um sistema de equações

diferenciais, ordinárias ou parciais, dotado de um conjunto de
restrições adicionais, chamadas condições de contorno ou de fronteira.
As condições de contorno mais utilizadas na engenharia elétrica são:

Dirichlet e Neumann [3]. Dirichlet especifica os valores que uma
____________________________________________________________________
93
____________________________________________________________________
solução necessita tomar no contorno do domínio. Já Neumann
especifica os valores que a derivada de uma solução deve tomar
no contorno do domínio.
A resolução analítica de um sistema EDP de um problema real é

usualmente impraticável. São inúmeras as restrições e parâmetros a
serem considerados. Assim, para problemas reais, como por exemplo
a propagação de onda eletromagnética que parte de uma estação rádio
base e viaja até um aparelho de telefonia celular, sujeita por tanto a
variações do meio e do tempo, faz-se necessário o emprego de técnicas
numéricas elaboradas [4].
Este capítulo fica restrito ao estudo de EDP. Primeiro, são exploradas

técnicas para resolução de EDP’s, baseadas nas fórmulas de derivação
por expansões de série de Taylor ou Lagrange, apresentadas no
capítulo 6.
Depois, dá-se destaque a métodos numéricos mais elaborados,

baseados em diferenças finitas. São eles: o método de elementos finitos
(FEM)[3], o método de diferenças finitas no domínio do tempo (FDTD)
[5] e a modelagem por linhas de transmissão (TLM)[6].
O problema
Em eletromagnetismo, o campo eletrostático conservativo é dado por

𝐸⃗ = −𝑔𝑟𝑎𝑑 (𝑉) [3]. De forma explícita e em duas dimensões (x,y) pode-
se demonstrar que:
𝑑 𝑑𝑉 𝑑 𝑑𝑉
𝜀 + 𝜀 = −𝜌 , (8.2)
𝑑𝑥 𝑑𝑥 𝑑𝑦 𝑑𝑦
conhecida como equação de Poisson e que define a distribuição de V

no domínio onde se tem campos eletrostáticos.
A solução desta equação depende das condições de contorno (os

potenciais impostos nas fronteiras do domínio), da geometria dos
____________________________________________________________________
94
____________________________________________________________________
meios dielétricos existentes, bem como suas permissividades e as
cargas estáticas envolvidas.
No caso onde não há cargas elétricas estáticas (𝜌 = 0) e que exista

apenas um meio dielétrico constante no domínio de estudo (
constante), a equação assume a forma:
𝑑2𝑉 𝑑2𝑉
+ =0, (8.3)
𝑑𝑥 2 𝑑𝑦 2
conhecida como equação de Laplace. Aqui, a fonte geradora de campo

elétrico é, obrigatoriamente, as condições de contorno pela imposição
das diferenças de potencial elétrico.
Soluções analíticas das equações de Poisson e Laplace são custosas e,

dependendo da geometria do problema, talvez impraticáveis. Assim, são
empregados métodos numéricos baseados em técnicas de diferenças
finitas como as séries de Taylor. Ver o capítulo 6, sobre diferenciação
numérica.
Determine a distribuição do potencial elétrico V dentro da caixa:
𝑑2𝑉 𝑑2𝑉
∇2 𝑉(𝑥, 𝑦) ≡ (𝑥, 𝑦) + (𝑥, 𝑦) = 𝑓(𝑥, 𝑦) (8.4)
𝑑𝑥 2 𝑑𝑦 2
____________________________________________________________________
95
____________________________________________________________________
8.1. Método das Diferenças Finitas
A solução numérica por Taylor consiste em determinar valores da

função de solução dentro da região. Para tal, divide-se a região em
uma malha, com n quadrados na direção de x e m quadrados na
direção de y.
Os pontos 𝑥𝑖 são definidos por 𝑥𝑖 = 𝑎 + 𝑖ℎ, com ℎ = (𝑏 − 𝑎)/𝑛 . Os pontos

𝑦𝑖 são definidos por 𝑦𝑖 = 𝑎 + 𝑖𝑘, com 𝑘 = (𝑑 − 𝑐)/𝑚 . Portanto, exclui-se
as linhas de contorno (𝑛 − 1) no lado x e (𝑚 − 1) no lado y.
Tem-se no total (𝑛 − 1) × (𝑚 − 1) pontos ( 𝑃𝑖𝑗 ) no interior da região de

estudo. Nestes pontos é que se calcula o valor da função solução
𝑉(𝑥, 𝑦).
Assim, a determinação do valor da função ( 𝑉(𝑥, 𝑦) ) para cada ponto

da malha ( 𝑃𝑖𝑗 = (𝑥𝑖 , 𝑦𝑗 ) ) dependerá da soma das contribuições nos
pontos vizinhos ( (𝑥𝑖−1 , 𝑦𝑗 ) , (𝑥𝑖 , 𝑦𝑗 ) , (𝑥𝑖+1 , 𝑦𝑗 ) , (𝑥𝑖 , 𝑦𝑗−1 ) e (𝑥𝑖 , 𝑦𝑗+1 ) ).
Desta forma:
2 2 4
𝜕𝑉(𝑥𝑖,𝑦𝑗 ) ℎ2 𝜕 𝑉(𝑥𝑖 ,𝑦𝑗 ) ℎ3 𝜕 𝑉(𝑥𝑖 ,𝑦𝑗 ) ℎ4 𝜕 𝑉(𝜉𝑖 ,𝑦𝑗 )
𝑉(𝑥𝑖+1,𝑦𝑗) = 𝑉(𝑥𝑖 ,𝑦𝑗) + ℎ + + +
𝜕𝑥 2 𝜕𝑥 2 6 𝜕𝑥 2 24 𝜕𝑥 4
com ℎ = 𝑥𝑖+1 − 𝑥𝑖 e 𝜉𝑖 ∈ (𝑥𝑖 , 𝑥𝑖+1 ).
2 2 4
𝜕𝑉(𝑥𝑖,𝑦𝑗 ) ℎ2 𝜕 𝑉(𝑥𝑖 ,𝑦𝑗 ) ℎ3 𝜕 𝑉(𝑥𝑖 ,𝑦𝑗 ) ℎ4 𝜕 𝑉(𝜉𝑖 ,𝑦𝑗 )
𝑉(𝑥𝑖−1,𝑦𝑗) = 𝑉(𝑥𝑖 ,𝑦𝑗) − ℎ + + +
𝜕𝑥 2 𝜕𝑥 2 6 𝜕𝑥 2 24 𝜕𝑥 4
com ℎ = 𝑥𝑖−1 − 𝑥𝑖 e 𝜉𝑖 ∈ (𝑥𝑖−1 , 𝑥𝑖 ).
2 2 4
𝜕𝑉(𝑥𝑖,𝑦𝑗 ) 𝑘 2 𝜕 𝑉(𝑥𝑖 ,𝑦𝑗) 𝑘 3 𝜕 𝑉(𝑥𝑖 ,𝑦𝑗) 𝑘 4 𝜕 𝑉(𝑥𝑖 ,𝜇𝑗)
𝑉(𝑥𝑖 ,𝑦𝑗+1) = 𝑉(𝑥𝑖 ,𝑦𝑗 ) + 𝑘 + + +
𝜕𝑦 2 𝜕𝑦 2 6 𝜕𝑦 2 24 𝜕𝑦 4
com 𝑘 = 𝑦𝑖+1 − 𝑦𝑖 e 𝜇𝑗 ∈ (𝑦𝑖 , 𝑦𝑖+1 ).

____________________________________________________________________
96
____________________________________________________________________
2 2 4
𝜕𝑉(𝑥𝑖,𝑦𝑗 ) 𝑘 2 𝜕 𝑉(𝑥𝑖 ,𝑦𝑗) 𝑘 3 𝜕 𝑉(𝑥𝑖 ,𝑦𝑗) 𝑘 4 𝜕 𝑉(𝑥𝑖 ,𝜇𝑗)
𝑉(𝑥𝑖 ,𝑦𝑗−1) = 𝑉(𝑥𝑖 ,𝑦𝑗 ) − 𝑘 + + +
𝜕𝑦 2 𝜕𝑦 2 6 𝜕𝑦 2 24 𝜕𝑦 4
com 𝑘 = 𝑦𝑖−1 − 𝑦𝑖 e 𝜇𝑗 ∈ (𝑦𝑖−1 , 𝑦𝑖 ).
Substituindo as expressões das derivadas segundas discretizadas na

equação de Poisson, rearranjando e desprezando o erro (𝜉, 𝜇), tem-se
a equação de diferenças para o problema proposto.
Aqui, 𝑉𝑖,𝑗 é a aproximação para 𝑉(𝑥𝑖,𝑦𝑗 ) :
ℎ 2 ℎ 2
2 [( ) + 1] 𝑉𝑖,𝑗 − (𝑉𝑖+1,𝑗 + 𝑉𝑖−1,𝑗 ) − ( ) (𝑉𝑖,𝑗+1 + 𝑉𝑖,𝑗−1 ) = −ℎ2 𝑓(𝑥𝑖 , 𝑦𝑖 ) ,
𝑘 𝑘
para 𝑖 = 1,2, … , (𝑛 − 1) e 𝑗 = 1,2, … , (𝑚 − 1) e as condições de contorno:
𝑉𝑖0 = 𝑔(𝑥𝑖 , 𝑦0 ) e 𝑉𝑖𝑚 = 𝑔(𝑥𝑖 , 𝑦𝑚 ) para 𝑖 = 1,2, … , (𝑛 − 1)
𝑉0𝑗 = 𝑔(𝑥0 , 𝑦𝑗 ) e 𝑉𝑛𝑗 = 𝑔(𝑥𝑛 , 𝑦𝑗 ) para 𝑗 = 1,2, … , (𝑚 − 1)
Se o problema for dividido da forma

como ilustrado, tem-se 9 pontos de
malha. Para cada um desses 9
pontos deve-se formular uma
equação, conforme apresentado.
𝑃1 = (𝑥1 , 𝑦3 ) 𝑃2 = (𝑥2 , 𝑦3 ) 𝑃3 = (𝑥3 , 𝑦3 )

𝑃4 = (𝑥1 , 𝑦2 ) 𝑃5 = (𝑥2 , 𝑦2 ) 𝑃6 = (𝑥3 , 𝑦5 )
𝑃7 = (𝑥1 , 𝑦1 ) 𝑃8 = (𝑥2 , 𝑦1 ) 𝑃9 = (𝑥3 , 𝑦1 )
____________________________________________________________________
97
____________________________________________________________________
As equações resultam no seguinte sistema:
4 −1 0 −1 0 0 0 0 0 𝑉13 10 𝑉13 4,2823

−1 4 −1 0 −1 0 0 0 0 𝑉23 10 𝑉23 5,2611
0 −1 4 0 0 −1 0 0 0 𝑉33 10 𝑉33 4,2278
−1 0 0 4 −1 0 −1 0 0 𝑉12 0 𝑉12 1,8683
0 −1 0 −1 4 −1 0 −1 0 𝑉22 = 0 ∴ 𝑉22 = 2,4843
0 0 −1 0 −1 4 0 0 −1 𝑉32 0 𝑉32 1,8503
0 0 0 −1 0 0 4 −1 0 𝑉11 0 𝑉11 0,7064
0 0 0 0 −1 0 −1 4 −1 𝑉21 0 𝑉21 0,9575
[0 0 0 0 0 −1 −1 0 4 ] [𝑉31 ] [0] [𝑉31 ] [0,6392]
O sistema diagonal pode ser resolvido pelas técnicas numéricas vistas

nos capítulos sobre sistemas lineares e não lineares. A escolha
depende da natureza do problema.
Percebe-se um erro considerável aqui. Os pontos 𝑉11 e 𝑉31 , por

exemplo, bem como nos demais níveis, deveriam possuir o mesmo
potencial elétrico. Isto se deve a quatro fatores: aos erros inerentes na
série de Taylor, ao se desprezar o erro (𝜉, 𝜇) na formulação proposta, a
pouca discretização do problema (malha com poucos pontos, aqui
apenas 9) e aos erros inerentes na resolução do sistema matricial
esparso.
O Matlab possui diversas funções nativas para resolução de EDO com

valor inicial (ode45) e com condições de contorno (bvp4c). Para EDP, a
função pdepe resolve problemas com valor inicial. Para a resolução de
EDP com condições de contorno faz-se necessário ter acesso a toolbox
específico. Este toolbox utiliza análise com ‘elementos finitos’.
____________________________________________________________________
98
____________________________________________________________________
8.2. Introdução a métodos numéricos avançados baseados em EDP
Quanto mais próximo da realidade do fenômeno físico, mais complexa

fica a matemática envolvida. Sistemas de EDP com múltiplas variáveis
independentes e diversas condições de contorno são comuns na
engenharia elétrica.
Para a solução desses complexos sistemas de EDP, métodos

numéricos elaborados foram e continuam sendo desenvolvidos. O
usual é que especialistas em áreas específicas, por exemplo o
eletromagnetismo [4], desenvolvam seu próprio código. Isto leva a
especialização do método numérico para uma determinada
comunidade.
Neste contexto, o objetivo aqui é apresentar de forma breve o conceito

de três métodos muito utilizados em engenharia elétrica, além de uma
aplicação. São eles: o método de elementos finitos (FEM) [3], o método
de diferenças finitas no domínio do tempo (FDTD) [5] e a modelagem
por linhas de transmissão (TLM) [6]. Para estudos aprofundados,
sugere-se a busca por bibliografia própria.
8.2.1. Método de elementos finitos
As equações em um FEM podem ser formuladas por um método

variacional (Ritz) ou por um método residual ponderado (Galerkin)[3][4].
A estrutura do FEM pode ser: (1) discretizar a região da solução em um
número finito de sub-regiões ou elementos; (2) derivar as equações
governantes para um elemento típico; (3) configurar todos os elementos
no espaço da solução e (4) resolver o sistema de equações.
Por exemplo, para calcular a distribuição de potencial elétrico V(x,y)

em um disco de duas dimensões, divide-se esta região em um número
finito de elementos, conforme figura 8.1. A forma e o tamanho dos
elementos, bem como a correção na fronteira discretizada, implicará
na qualidade do cálculo. O V(x,y) será a soma das contribuições de
todos os elementos:
____________________________________________________________________
99
____________________________________________________________________
𝑉(𝑥, 𝑦) ≅ ∑ 𝑉𝑒 (𝑥, 𝑦).

𝑒=1
Figura. 8.1. Discretização por FEM.
O exemplo a seguir resolve numericamente a equação de Poisson (8.2)

usando solvepde, a biblioteca para PDE do Matlab que utiliza FEM [7].
Trata-se de um disco com potencial elétrico tendo como condição de
contorno zero-Dirichlet [3].
%% Poisson's Equation on a Unit Disk

% Create Geometry Using a Geometry Function.
g = @circleg; c = 1; a = 0; f = 1;
% PDE Coefficients and Boundary Conditions
subplot(2,2,1), pdegplot(g,'EdgeLabels','on'); axis equal
xlabel('x (m)'), ylabel('y (m)'), title('Geometry')
% Create a PDE Model with a single dependent variable.
numberOfPDE = 1; model = createpde(numberOfPDE);
% Create a geometry entity.
geometryFromEdges(model,g);
% Specify PDE coefficients.
specifyCoefficients(model,'m',0,'d',0,'c',c,'a',a,'f',f);
% The solution is zero at all four outer edges of the circle
applyBoundaryCondition(model,'dirichlet','Edge',(1:4),'u',0)
% Generate Initial Mesh
hmax = .35; generateMesh(model,'Hmax',hmax);
% Refinement
er = Inf;
while er > 0.001
hmax =hmax/2; generateMesh(model,'Hmax',hmax);
result=solvepde(model); msh=model.Mesh;
u=result.NodalSolution;
exact = (1-msh.Nodes(1,:).^2-msh.Nodes(2,:).^2)'/4;
____________________________________________________________________
100
____________________________________________________________________
er = norm(u-exact,'inf');
fprintf('Error: %e. nodes:%d\n',er,size(msh.Nodes,2));
end
% Plot Final Mesh
subplot(2,2,2), pdemesh(model); axis equal
xlabel('x (m)'), ylabel('y (m)'), title('Mesh')
% Plot FEM Solution
subplot(2,2,[3,4]),
pdeplot(model,'XYData',u,'ZData',u,'ColorBar','off'),grid on
xlabel('x (m)'), ylabel('y (m)'), zlabel('V (Volts)'),
title('Poisson s Equation on a Unit Disk')
MATLAB, adaptado de [7].
Figura. 8.2. Disco com potencial resolvido por FEM, adaptado de [7].
A precisão do resultado obtido depende da discretização da geometria

(hmax). A figura 8.2. resulta de uma malha com 985 nós e um erro de
5,1226e-06.
____________________________________________________________________
101
____________________________________________________________________
8.2.2. Método de Diferenças Finitas no Domínio do Tempo
FDTD ou o método de Yee é a solução direta das equações de Maxwell

no domínio do tempo [4][5], conforme ilustrado na figura 8.3. O
procedimento consiste em: (1) dividir o domínio do estudo em uma grade
de nós; (2) aproximar a equação diferencial dada por equivalentes de
diferenças finitas que relacionam a variável dependente em um ponto
no domínio de estudo com seus valores nos pontos vizinhos; e (3)
resolver as equações das diferenças sujeitas as condições de contorno e
as condições iniciais.
Figura. 8.3. Célula de Yee – FDTD.
Como em qualquer função de espaço e tempo:
𝐹 𝑛 (𝑖, 𝑗, 𝑘) ≡ 𝐹(𝑖𝛿, 𝑗𝛿, 𝑘𝛿, 𝑛∆𝑡)
e fazendo 𝛿 = ∆𝑥 = ∆𝑦 = ∆𝑧 como o incremento do espaço e ∆𝑡 como o

incremento do tempo, tem-se:
𝑛 1 𝑛 1
𝛿𝐹 𝑛 (𝑖, 𝑗, 𝑘) 𝐹 (𝑖 + 2 , 𝑗, 𝑘) − 𝐹 (𝑖 − 2 , 𝑗, 𝑘)
= + 𝑂(𝛿 2 ) 𝑒
𝛿𝑥 𝛿
____________________________________________________________________
102
____________________________________________________________________
𝛿𝐹 𝑛 (𝑖, 𝑗, 𝑘) 𝐹 𝑛+1/2 (𝑖, 𝑗, 𝑘) − 𝐹 𝑛−1/2 (𝑖, 𝑗, 𝑘)

= + 𝑂(∆𝑡 2 ) .
𝛿𝑡 𝛿
O exemplo a seguir resolve por FDTD um exercício de propagação de

onda eletromagnética num espaço de duas dimensões com condição de
contorno sendo paredes condutoras perfeitas [3], adaptado de [8].

% Grid Dimension in x (xdim) and y (ydim) directions
xdim=100; ydim=100;
%Total no of time steps
time_tot=350;
%Position of the source (center of the domain)
xsource=50; ysource=25;
%Courant stability factor
S=1/(2^0.5);
% Parameters of free space
epsilon0=(1/(36*pi))*1e-9; mu0=4*pi*1e-7; c=3e+8;
% Spatial grid step length
delta=1e-6;
% Temporal grid step obtained using Courant condition
deltat=S*delta/c;
% Initialization of field matrices
Ez=zeros(xdim,ydim); Hy=zeros(xdim,ydim); Hx=zeros(xdim,ydim);
% Initialization of permittivity and permeability matrices
epsilon=epsilon0*ones(xdim,ydim); mu=mu0*ones(xdim,ydim);
% Initializing electric and magnetic conductivity matrices
sigma=4e-4*ones(xdim,ydim); sigma_star=4e-4*ones(xdim,ydim);
%Choice of nature of source
gaussian=0; sine=0;
% The user can give a frequency of his choice for sinusoidal
frequency=1.5e+13; impulse=0;
%Multiplication factor matrices for H matrix
A=((mu-0.5*deltat*sigma_star)./(mu+0.5*deltat*sigma_star));
B=(deltat/delta)./(mu+0.5*deltat*sigma_star);
%Multiplication factor matrices for E matrix
C=((epsilon-0.5*deltat*sigma)./(epsilon+0.5*deltat*sigma));
D=(deltat/delta)./(epsilon+0.5*deltat*sigma);
% Update loop begins
for n=1:1:time_tot
%if source is impulse or unit-time step
if gaussian==0 && sine==0 && n==1
Ez(xsource,ysource)=1;
end
% Setting time dependent boundaries
if n<xsource-2 n1=xsource-n-1; else n1=1; end
if n<xdim-1-xsource n2=xsource+n; else n2=xdim-1; end
if n<ysource-2 n11=ysource-n-1; else n11=1; end
____________________________________________________________________
103
____________________________________________________________________
if n<ydim-1-ysource n21=ysource+n; else n21=ydim-1; end
%Vector update instead of for-loop for Hy and Hx fields
Hy(n1:n2,n11:n21)=A(n1:n2,n11:n21).*Hy(n1:n2,n11:n21)+B(n1:n2,n11:n2
1).*(Ez(n1+1:n2+1,n11:n21)-Ez(n1:n2,n11:n21));
Hx(n1:n2,n11:n21) = A(n1:n2,n11:n21).*Hx(n1:n2,n11:n21)-
B(n1:n2,n11:n21).*(Ez(n1:n2,n11+1:n21+1)-Ez(n1:n2,n11:n21));
%Vector update instead of for-loop for Ez field
Ez(n1+1:n2+1,n11+1:n21+1)=C(n1+1:n2+1,n11+1:n21+1).*Ez(n1+1:n2+1,n11
+1:n21+1)+D(n1+1:n2+1,n11+1:n21+1).*(Hy(n1+1:n2+1,n11+1:n21+1)-
Hy(n1:n2,n11+1:n21+1)-
Hx(n1+1:n2+1,n11+1:n21+1)+Hx(n1+1:n2+1,n11:n21));
% Perfect Electric Conductor boundary condition
Ez(1:xdim,1)=0;Ez(1:xdim,ydim)=0;Ez(1,1:ydim)=0;Ez(xdim,1:ydim)=0;
% Source conditions
if impulse==0
% If unit-time step
if gaussian==0 && sine==0 Ez(xsource,ysource)=1; end
%if sine
if sine==1
tstart=1; N_lambda=c/(frequency*delta);
Ez(xsource,ysource)=sin(((2*pi*(c/(delta*N_lambda))*
(n-tstart)*deltat)));
end
%if gaussian
if gaussian==1
if n<=42
Ez(xsource,ysource)=(10-5*cos(n*pi/20)+
6*cos(2*n*pi/20)-cos(3*n*pi/20))/32;
else Ez(xsource,ysource)=0; end
end
else %if impulse
Ez(xsource,ysource)=0;
end
%Movie type colour scaled image plot of Ez
imagesc(delta*(1:1:xdim)*1e+6,(1e+6*delta*(1:1:ydim))',Ez',
[-1,1]);colorbar(hot); xlabel('x(in um)','FontSize',20);
ylabel('y(in um)','FontSize',20); set(gca,'FontSize',20);
getframe;
end
A figura 8.4. ilustra um espaço bidimensional de 100x100, com a fonte

posicionada em 50x25. O tempo da imagem é 100fs.
____________________________________________________________________
104
____________________________________________________________________
Figura. 8.4. 2D FDTD com paredes condutoras perfeitas, adaptado [8].
8.2.3. Modelagem por Linhas de Transmissão
TLM é baseado no modelo da Huygens de propagação e espalhamento

de ondas eletromagnéticas e na analogia entre propagação de campo e
linhas de transmissão (impedâncias, tensões e correntes) [4][6].
Figura. 8.5. Nó 3D TLM simétrico.

____________________________________________________________________
105
____________________________________________________________________
Envolve dois passos básicos:
(1) substituir o problema de campo por uma rede equivalente e obter

analogia entre as grandezas de campo e de rede; e
(2) resolver a rede equivalente por métodos iterativos. A discretização é

realizada por uma matriz de elementos agrupados.
O diferencial aqui é que os campos elétricos e magnéticos são

calculados usando tensões e correntes em uma rede. O exemplo a seguir
resolve por TLM um exercício de propagação de onda eletromagnética
num guia de onda [3][9].

% Características do meio
co=3e+8; Eps0=8.85*1E-12;
Mu0=4*pi*1E-7; velocidade=1/sqrt(Eps0*Mu0);
Z0=120*pi; Ztl=Z0/sqrt(2); % Impedância do espaço livre
%% Dimensões física do guia de onda e modos de propagação
a=19.05E-3; b=9.525E-3;
c=52; % Número de pontos no eixo x (+ 2 colunas)
l=27; % Número de pontos no eixo y (+ 2 linhas)
% Dimensões maiores para não zerar índices de i-1=0
deltal=0.381e-3; deltat=0.898e-12; % Distância entre os nós
% Modo de propagação
m=1; n=0;
fc=(co/(2*pi))*sqrt((((m*pi)/a)^2)+(((n*pi)/b)^2)); %Freq. de corte
lambdac=co/fc; cj=0.0+j*1.0;
T=(1/fc); %período de oscilação de cada modo
Tk=round((T/2)/deltat); %T/2 correspondente ao número de interações
% Inicialização dos vetores e matrizes
ninter=3000; % Número de interações
ttotal=ninter*deltat; % Tempo total de simulação
pg(ninter)=0; % Vetor Pulso Gaussiano/Interações
mvi(l,c,4,ninter)=0; % Matriz de Vis
mvr(l,c,4,ninter)=0; % Matriz de Vrs
Ex(l,c,ninter)=0; % Matriz de Ex
Ey(l,c,ninter)=0; % Matriz de Ey
Hz(l,c,ninter)=0; % Matriz de Hz
Hzs(ninter)=0; % Vetor com valores de Hz
Exs(ninter)=0; % Vetor com valores de Ex
Eys(ninter)=0; % Vetor com valores de Ey
fEy(l,c,ninter)=0; fHz(l,c,ninter)=0;
fftHzs(ninter)=0; fftEys(ninter)=0;
% Formatação do Pulso Gausiano
Eo=1; % Amplitude do pulso
D=10*deltat; % Duração do pulso
L=10*deltat; % Largura do pulso
____________________________________________________________________
106
____________________________________________________________________
% Início da interação no tempo (loop principal)
for k=1:ninter
t=deltat*k;
pg(k)=((Eo*(exp(-18*(((t-D)/L)^2))))*((0.5*deltal))); % V2=V4
% Excitação forçada
if k<=19
mvi(2:26,26,2,k)= - pg(k); mvi(2:26,26,4,k)= - pg(k);
mvi(2:26,26,1,k)= 0; mvi(2:26,26,3,k)= 0;
end
% Início de iterações de linhas e colunas
for i=2:l-1
for j=2:c-1
% Cálculo dos campos
Ex(i,j,k)=-((mvi(i,j,1,k)+mvi(i,j,3,k))/deltal);
Ey(i,j,k)=-((mvi(i,j,2,k)+mvi(i,j,4,k))/deltal);
Hz(i,j,k)=((mvi(i,j,1,k)+mvi(i,j,4,k)-mvi(i,j,3,k)-
mvi(i,j,2,k))/(2*Ztl))/deltal;
% DTF para todos os pontos da malha para uma frequência de corte
if k>1
fEy(i,j,k)= fEy(i,j,k-1) + Ey(i,j,k).*exp(-2*cj*pi*fc*t);
fHz(i,j,k)= fHz(i,j,k-1) + Hz(i,j,k).*exp(-2*cj*pi*fc*t);
else
fEy(i,j,k)= Ey(i,j,k).*exp(-2*cj*pi*fc*t);
fHz(i,j,k)= Hz(i,j,k).*exp(-2*cj*pi*fc*t);
end
% Matriz Vs refletidas no mesmo K
mvr(i,j,1,k)=0.5*(mvi(i,j,1,k)+mvi(i,j,2,k)+mvi(i,j,3,k)-
mvi(i,j,4,k));
mvr(i,j,2,k)=0.5*(mvi(i,j,1,k)+mvi(i,j,2,k)-mvi(i,j,3,k)+
mvi(i,j,4,k));
mvr(i,j,3,k)=0.5*(mvi(i,j,1,k)-mvi(i,j,2,k)+mvi(i,j,3,k)+
mvi(i,j,4,k));
mvr(i,j,4,k)=.5*(-mvi(i,j,1,k)+mvi(i,j,2,k)+mvi(i,j,3,k)+
mvi(i,j,4,k));
% Conexão com nó seguinte
mvi(i+1,j,3,k+1)=mvr(i,j,1,k); mvi(i-1,j,1,k+1)=mvr(i,j,3,k);
mvi(i,j-1,4,k+1)=mvr(i,j,2,k); mvi(i,j+1,2,k+1)=mvr(i,j,4,k);
end
end
% Condição de contorno
mvi(26,:,1,k+1)=-mvr(26,:,1,k);
mvi(2,:,3,k+1)=-mvr(2,:,3,k);
mvi(:,2,2,k+1)=-mvr(:,2,2,k);
mvi(:,51,4,k+1)=-mvr(:,51,4,k);
% Saídas para um ponto específico da malha
Hzs(k)=Hz(13,29,k); Exs(k)=Ex(13,29,k); Eys(k)=Ey(13,29,k);
end
vetorf=linspace(0,30,3000);
vetort=(0:1:ninter-1)*deltat;
subplot(1,2,1),surf(abs(fEy(2:26,2:51,1500)));
xlabel('Nx'); ylabel('Ny'); zlabel('fEy'); axis([0 55 0 30 0 110]);
subplot(1,2,2), surf(abs(fHz(2:26,2:51,1500)));
xlabel('Nx'); ylabel('Ny');zlabel('fHz'); axis([0 55 0 30 0 0.25]);
____________________________________________________________________
107
____________________________________________________________________
A figura 8.6. ilustra o comportamento do campo elétrico e do campo

magnético num guia de onda de 50 largura e 30 de altura, com modos
de propagação m=1 e n=0.
Figura. 8.6. 2D TLM num guia de onda, adaptado de [9].
8.3. Exercício proposto
1. Uma placa quadrada de 12 cm tem suas bordas mantidas às

temperaturas mostradas na figura. Quais os valores das
temperaturas no interior da placa? Utilizar um passo h de 4 cm.
−4 1 1 0 𝑃11 −200
1 −4 0 1 𝑃21 −200
[ ][ ] = [ ]
1 0 −4 1 𝑃12 −100
0 1 1 −4 𝑃22 −100
Resp.: P11 = P21 = 87,5000 ; P12 = P22 = 62,5000.

____________________________________________________________________
108
____________________________________________________________________
[1] W. E. Boyce and R. C. DiPrima, Elementary Differential Equations and

Boundary Value Problems, John Wiley & Sons, 1992, ISBN 0471509981.
[2] M. P. Coelman, An Introduction to PDE with Matlab, Chapman & Hall,

2013, ISBN 9787508400.
[3] J. P. A. Bastos and N. Ida, Electromagnetics and Calculation of Fields,

Springer & Verlag, 2 ed., 2012, ISBN 1461268605.
[4] M. N. O. Sadiku, Numerical Techniques in Electromagnetics with Matlab,

3rd ed., CRC Press, 2009, ISBN 9781420063097.
[5] A. Taflove and S. C. Hagness, Computational Electrodynamics: The Finite-

Difference Time-Domain Method, 3rd ed., Artech House Publishers, 2016,
ISBN 9781580538329.
[6] C. Christopoulos, The Transmission-Line Modeling Method: TLM, Wiley-

IEEE Press, 1995, ISBN 9780470546659.
[7] https://www.mathworks.com/help/pde/examples/poisson-s-equation-
on-a-unit-disk.html
[8] https://www.mathworks.com/matlabcentral/fileexchange/35576-2d-
fdtd-of-a-region-with-perfect-electric-conductor-boundary
[9] https://github.com/vinipletsch/TLM-method-MatLab-Algorithm-
Implementation/blob/master/TLM_2D_series_waveguide.m
[1] D. Fan and Y. Wang, "Global numerical boundary condition based PDE
solution techniques for open-region electromagnetic field problems," in
IEEE Transactions on Antennas and Propagation, vol. 41, no. 3, pp. 253-
260, March 1993. doi: 10.1109/8.233139
[2] K. Kiyota, T. Kakishima, H. Sugimoto and A. Chiba, "Comparison of the

Test Result and 3D-FEM Analysis at the Knee Point of a 60 kW SRM for a
HEV," in IEEE Transactions on Magnetics, vol. 49, no. 5, pp. 2291-2294,
May 2013. doi: 10.1109/TMAG.2013.2242453
____________________________________________________________________
109
____________________________________________________________________
[3] J. Baek, D. Kim and K. Jung, “Finite-Difference Time-Domain Modeling

for Electromagnetic Wave Analysis of Human Voxel Model at Millimeter-
Wave Frequencies,” in IEEE Access, vol. 7, pp. 3635-3643, 2018. doi:
10.1109/ACCESS.2018.2888584.
[4] Z. Chen and M. M. Ney, “On the Relationship Between the Time-Domain
and Frequency-Domain TLM Methods,” in IEEE Antennas and Wireless
Propagation Letters, vol. 7, pp. 46-49, 2008. doi:
10.1109/LAWP.2008.915803.
____________________________________________________________________
110
Capítulo 9: Equações integrais
____________________________________________________________________
Equações integrais
Uma equação integral é uma função desconhecida (𝑓(Φ)) sob um sinal
de integração. Exemplos na engenharia elétrica de equações integrais
são Fourier, Laplace e Maxwell.
Equações integrais lineares são usualmente classificadas em dois tipos [1]:
𝑏
(1) Fredholm: 𝑓(𝑥) = 𝑎(𝑥)Φ(𝑥) − 𝜆 ∫𝑎 𝐾(𝑥, 𝑡)Φ(𝑡)𝑑𝑡 (9.1)
onde λ é um escalar usualmente igual a 1. Funções 𝐾(𝑥, 𝑡) e 𝑓(𝑥) e os

limites a e b são conhecidos, enquanto 𝛷(𝑥) é desconhecido; e
𝑥
(2 ) Volterra: 𝑓(𝑥) = 𝑎(𝑥)Φ(𝑥) − 𝜆 ∫𝑎 𝐾(𝑥, 𝑡)Φ(𝑡)𝑑𝑡 (9.2)
com destaque para o limite superior de integração. Se 𝑓(𝑥) = 0, as

equações (9.1) e (9.2) se tornam homogêneas.
Uma equação integral não linear acontece quando Φ aparece com ordem
superior a 𝑛 > 1 dentro da integral, por exemplo:
𝑥
𝑓(𝑥) = 𝑎(𝑥)Φ(𝑥) − 𝜆 ∫ 𝐾(𝑥, 𝑡)Φ2 (𝑡)𝑑𝑡 . (9.3)
𝑎
____________________________________________________________________
111
____________________________________________________________________
A maioria das equações diferenciais ordinárias podem ser expressas

como equações integrais, mas o inverso nem sempre é possível [1]. Isto
é muito devido ao fato de que as condições de contorno são
incorporadas nas equações integrais, enquanto nas equações
diferenciais elas são imposições externas e complementares.
Por exemplo, considerando uma equação diferencial ordinária de

segunda ordem:
𝜕2Φ
= 𝐹(𝑥, Φ) , 𝑎 ≤ 𝑥 ≤ 𝑏 (9.4)
𝜕𝑥 2
integrando,
𝑥
𝜕Φ
= ∫ 𝐹(𝑥, Φ(t))𝑑𝑡 + 𝑐1 (9.5)
𝜕𝑥 𝑎
onde 𝑐1 = Φ′ (𝑎). Integrando por partes,
𝑥
Φ(x) = 𝑐2 + 𝑐1 𝑥 + ∫ (𝑥 − 𝑡)𝐹(𝑥, Φ(t))𝑑𝑡 (9.6)
𝑎
onde 𝑐2 = Φ(𝑎) − Φ′ (a)a. Então,
𝑥
Φ(𝑥) = Φ(𝑎) + (𝑥 − 𝑎)Φ′(𝑎) + ∫ (𝑥 − 𝑡)𝐹(𝑥, Φ)𝑑𝑡 . (9.7)
𝑎
A equação (9.7) representa a equação (9.4) com suas condições de

contorno. Aqui foi demonstrado para uma dimensão (x). Equações
integrais envolvendo funções desconhecidas em mais dimensões podem
ser encontradas em literatura dedicada ao tema [1][2].
Uma forma mais sistemática de obtenção de uma equação integral a

partir de uma equação diferencial ordinária ou parcial é a construção
____________________________________________________________________
112
____________________________________________________________________
de uma função auxiliar conhecida como Green’s function [1][2]. A função

de Green é uma série de expansão. Portanto, ela lineariza problemas
não lineares. Isto pode ser um atrativo ou uma dificuldade, dependendo
do problema a ser resolvido.
Entre as técnicas numéricas para resolução de equações integrais,

destacam-se o método dos elementos de contorno (BEM) e o método dos
momentos (MoM). O MoM tem por fundamento a função de Green e será
aqui detalhado.
Para engenharia elétrica, em particular para o eletromagnetismo, as

vantagens de formular um problema em termos de equações integrais
reside no fato de que essa formulação incorpora a identidade de
Sommerfeld, a qual rege a propagação de ondas [3].
9.1. Método dos Momentos
Seja a função de Green [2][4]:
𝐿(𝑓) = 𝑔 (9.9)
onde L é um operador qualquer conhecido, g é uma fonte ou excitação

conhecida e f é o campo eletromagnético ou resposta.
A função desconhecida f é expandida em uma combinação linear de N

funções, no domínio do operador L:
𝑓 = 𝛼1 𝑓1 + 𝛼2 𝑓2 + ⋯ + 𝛼𝑛 𝑓𝑛 = ∑ 𝛼𝑛 𝑓𝑛 (9.10)
𝑛=1
onde 𝛼𝑛 são constantes desconhecidas e 𝑓𝑛 é conhecida como função

de base (ou de expansão). Substituindo (10) em (9), tem-se:
____________________________________________________________________
113
____________________________________________________________________
𝑁 𝑁
𝐿 (∑ 𝛼𝑛 𝑓𝑛 ) = 𝑔 ∴ ∑(𝛼𝑛 𝐿(𝑓𝑛 )) = 𝑔 . (9.11)

𝑛=1 𝑛=1
Assumindo um produto escalar ajustável para ⟨𝑓|𝑔⟩, a solução do

problema indicado pode ser determinada. Para isso definem-se
funções de peso (ou de teste) da forma 𝑤1 , 𝑤2 , ... , 𝑤𝑚 no domínio de L,
e faz-se o produto escalar da última equação para cada 𝑤𝑚 . Assim:
∑ 𝛼𝑛 ⟨𝑤𝑚 |𝐿(𝑓𝑛 )⟩ = ⟨𝑤𝑚 |𝑔⟩ 𝑚 = 1,2,3, … , 𝑁 . (9.12)

𝑛=1
Tal equação transportada para a forma matricial gera:
[𝐼𝑚𝑛 ][𝛼𝑛 ] = [𝑔𝑚 ] ,
⟨𝑤1 |𝐿(𝑓1 )⟩ ⋯ ⟨𝑤1 |𝐿(𝑓𝑛 )⟩

[𝐼𝑚𝑛 ] = [ ⋮ ⋱ ⋮ ]
⟨𝑤𝑚 |𝐿(𝑓1 )⟩ ⋯ ⟨𝑤𝑚 |𝐿(𝑓𝑛 )⟩ (9.13)
⟨𝑤1 |𝑔⟩ 𝛼1
[𝑔𝑚 ] = [ ⋮ ] [𝛼𝑛 ] = [ ⋮ ]
⟨𝑤𝑚 |𝑔⟩ 𝛼𝑛
Se a matriz [𝐼𝑚𝑛 ] é não singular, então [𝐼𝑚𝑛 ]−1 existe, assim 𝛼𝑛 é dado por:
[𝛼𝑛 ] = [𝐼𝑚𝑛 ]−1 [𝑔𝑚 ] , (9.14)
____________________________________________________________________
114
____________________________________________________________________
com o valor de 𝛼𝑛 encontrado determina-se o valor de f :
𝑓 = [𝑓𝑛 ][𝛼𝑛 ] = [𝑓𝑛 ] [𝐼𝑚𝑛 ]−1 [𝑔𝑚 ] , (9.15)
A precisão da solução f depende das escolhas do tipo das funções de

base e de peso, 𝑓𝑛 e 𝑤𝑚 , respectivamente.
De forma breve, para se ter soluções mais exatas pode-se assumir um

número maior de funções de base e de peso. Um caso particular
conhecido como Método de Galerkin é quando 𝑓𝑛 = 𝑤𝑚 [2][3]. A função
𝑓𝑛 deve ser linearmente independente e escolhida de tal maneira que
os produtos escalares ⟨𝑤𝑚 |𝑔⟩ sejam relativamente independentes das
propriedades de g.
O problema
Considere um fio fino condutor de raio a e comprimento L (L>>a)

localizado no espaço livre [4].
z
Estando o fio num
2a Vo potencial Vo, deseja-se
y determinar a densidade
y=L de carga do fio.
y=0
x
Da equação de Poisson [3], tem-se:
𝐿
𝜌𝐿 𝑑𝑙
𝑉𝑜 = ∫ .
0 4𝜋𝜀0 𝑅
Para um ponto fixo 𝑦𝑘 no fio:
____________________________________________________________________
115
____________________________________________________________________
𝐿
1 𝜌𝐿 (𝑦)𝑑𝑦
𝑉𝑜 = ∫ ,
4𝜋𝜀0 0 |𝑦𝑘 − 𝑦|
se ∆𝑦 é pequeno, pode-se considerar a seguinte aproximação:
𝑁
𝐿
∫ 𝑓(𝑦)𝑑𝑦 = 𝑓(𝑦1 )∆𝑦 + ⋯ + 𝑓(𝑦𝑁 )∆𝑦 = ∑ 𝑓(𝑦𝑘 )∆𝑦
0 𝑘=1
ou seja,
𝜌1 ∆ 𝜌2 ∆ 𝜌𝑁 ∆
4𝜋𝜀0 𝑉0 = + + ⋯+ 𝑒 ∆= 𝐿/𝑁
|𝑦𝑘 − 𝑦1 | |𝑦𝑘 − 𝑦2 | |𝑦𝑘 − 𝑦𝑁 |
transformando em matriz:
[𝐵] = [𝐴][𝜌]
1 𝐴11 ⋯ 𝐴1𝑁
[𝐵] = 4𝜋𝜀𝑜 𝑉𝑜 [ ⋮ ] [𝐴] = [ ⋮ ⋱ ⋮ ]
1 𝐴𝑁1 ⋯ 𝐴𝑁𝑁
𝜌1
∆
[𝜌] = [ ⋮ ] 𝐴𝑚𝑛 = 𝑚≠𝑛
𝜌𝑁 |𝑦𝑚 − 𝑦𝑛 |
Aqui temos singularidades na diagonal principal. De forma mais

rigorosa e considerando fio condutor perfeito, portanto a densidade
superficial de carga aparece somente na superfície, e também a
espessura do fio, chega-se a:
____________________________________________________________________
116
____________________________________________________________________
2𝜋 ∆⁄2
1 𝜌𝑠 𝑎𝑑𝜙𝑑𝑦 2𝜋𝑎𝜌𝑠 Δ⁄2 + [(Δ⁄2)2 + 𝑎2 ]1/2
𝑉(𝑐𝑒𝑛𝑡𝑟𝑜) = ∫ ∫ 1 = 𝑙𝑛 { }
4𝜋𝜀0 0 −∆⁄2 [𝑎2 4𝜋𝜀0 −Δ⁄2 + [(Δ⁄2)2 + 𝑎2 ]1/2
+ 𝑦 2 ]2
Sendo Δ ≫ 𝑎 :
2𝜋𝑎𝜌𝑠 Δ Δ
𝑉(𝑐𝑒𝑛𝑡𝑟𝑜) = 2𝑙𝑛 { } 𝜌𝐿 = 2𝜋𝑎𝜌𝑠 𝐴𝑛𝑛 = 2𝑙𝑛 { }
4𝜋𝜀0 𝑎 𝑎
Δ Δ
2ln ( ) ⋯
𝑎 |𝑦1 − 𝑦𝑁 | 𝜌1 1
⋮ ⋱ ⋮ [ ⋮ ] = 4𝜋𝜀0 𝑉0 [ ⋮ ]
Δ Δ 𝜌𝑁 1
⋯ 2ln ( )
[|𝑦𝑁 − 𝑦1 | 𝑎 ]
De forma análoga, a carga Q pode ser calculada por:
𝑄 = ∫ 𝜌𝐿 𝑑𝑙 𝑄 = ∑ 𝜌𝑘 Δ (9.16)
𝑘=1
O código a seguir resolve numericamente a equação (16) usando MoM.
Er = 1; Eo = 8.8541e-12; Vo = 1; AA = 0.001; L = 1; N = 1000;

Delta = L/N;
I = 1:N;
Y = Delta*(I-0.5);
for i=1:N
for j=1:N
if(i~=j)
A(i,j)=Delta/abs(Y(i)-Y(j));
else
A(i,j)=2*log(Delta/AA);
end
____________________________________________________________________
117
____________________________________________________________________
end
end
B = 4*pi*Eo*Er*Vo*ones(N,1);
C = inv(A);
Rho = C*B;
Sum = 0;
for I=1:N
Sum = Sum + Rho(I);
end
Q = Sum*Delta;
A precisão do resultado obtido depende da discretização da geometria

(N). Para N = 10, Q = 8.5358e-12. Para N = 1000, Q = 8.6528e-12.
9.2. Exercício proposto
Determine a capacitância de um capacitor de placas paralela. Seja a =

b = c = 1, 𝜀𝑟 = 1 e a diferença de potencial entre as placas de 2V [4].
𝑞 = ∫ 𝜌𝑠 𝑑𝑠 𝐶 = 𝑄 ⁄𝑉 = 𝑄 ⁄2
2𝑛
𝑉𝑖 = ∑ 𝜌𝑗 𝐴𝑖𝑗
𝑗=1
𝑗
1 𝑑𝑆
𝐴𝑖𝑗 = ∫
4𝜋𝜀0 Δ𝑆𝑖 𝑅𝑖𝑗
𝑅𝑖𝑗 = √(𝑥𝑗 − 𝑥𝑖 )2 + (𝑦𝑗 − 𝑦𝑖 )2 + (𝑧𝑗 − 𝑧𝑖 )2
𝐴1,1 ⋯ 𝐴1,2𝑛 𝜌1 1
[ ⋮ ⋱ ⋮ ][ ⋮ ] = [ ⋮ ]
𝐴2𝑛,1 ⋯ 𝐴2𝑛,2𝑛 𝜌2𝑛 −1
____________________________________________________________________
118
____________________________________________________________________
Para 𝑖 ≠ 𝑗
∆𝑆𝑖 (∆𝑙)2
𝐴𝑖𝑗 = =
4𝜋𝜀0 𝑅𝑖𝑗 4𝜋𝜀0 𝑅𝑖𝑗
Para 𝑖 = 𝑗
∆𝑙 ∆𝑙
𝐴𝑖𝑗 = ln(1 + √2) = ln(0,8814)
𝜋𝜀0 𝜋𝜀0
Resposta:
N=9 , C = 26,5155 pF
N = 25 , C = 27,7353 pF
N = 100 , C = 28,6959 pF
[1] S. S. Ray and P. K. Sahu, Novel Methods for Solving Linear and
Nonlinear Integral Equations, Chapman and Hall/CRC, 1st Ed.,
2018. ISBN 9781138362741
[2] M. N. O. Sadiku, Numerical Techniques in Electromagnetics with
Matlab, 3rd ed., CRC Press, 2009. ISBN: 9781420063097.
[4] R. F. Harrington, Field Computation by Moment Methods, Krieger
Pub, 1982. ISBN 9780898744651.
____________________________________________________________________
119
____________________________________________________________________
[1] G. Tu, Y. Li, J. Xiang and J. Ma, “Distributed Power System

Stabiliser for Multimachine Power Systems”, in IET Generation,
Transmission Distribution, vol.13, n. 5, 2018. doi: 10.1049/iet-
gtd.2018.6415.
[2] L. Xiao et. al., “An Efficient Hybrid Method of Iterative MoM-PO
and Equivalent Dipole-Moment for Scattering From Electrically
Large Objects,” in IEEE Antennas and Wireless Propagation
Letters, vol. 16, pp. 1723-1726, 2017. doi:
10.1109/LAWP.2017.2669910.
____________________________________________________________________
120
Continuação dos estudos
____________________________________________________________________

Este é um livro de cálculo numérico aplicado à engenharia elétrica e
as suas técnicas numéricas.
Partindo de um problema de circuitos elétricos ou eletromagnetismo, por

exemplo, o leitor é capaz de identificar a natureza matemática do problema.
Assim o sendo, ele pode escolher a ferramenta numérica mais apropriada
para a sua resolução.
Este é o primeiro passo em computação científica, a qual desenvolve

modelos matemáticos e técnicas de soluções numéricas para analisar e
resolver problemas científicos e de engenharia.
Computação científica é uma área em franco desenvolvimento, devido

a dois motivos principais: (i) a crescente capacidade de processamento
computacional; e (ii) a crescente quantidade de dados disponíveis
(sensoriamento cada vez mais barato e a sua integração pela internet).
O desafio sempre será obter a modelagem matemática mais próxima

possível da realidade, conforme discutido inúmeras vezes neste livro.
Junta-se a isto agora, a grande quantidade de dados a serem
interpretados. Transformar dados em informação útil para uma
tomada de decisão inteligente é o estado da arte hoje.
Neste contexto, sugere-se ao leitor continuar seus estudos por:
• Pesquisa operacional é o uso de modelos matemáticos, estatística

e algoritmos para ajudar na tomada de decisões. Muito utilizada
dentro da administração e da engenharia de produção, a pesquisa
____________________________________________________________________
121
____________________________________________________________________
operacional envolve técnicas como: teoria da dualidade e análise de

sensibilidade, teoria de jogos, processo de decisão de Markov e
teoria de filas [1][2].
• Otimização é um processo para buscar a melhor solução de um

determinado problema. Para modelagem lineares, usa-se a
programação linear, como por exemplo o método simplex [1]-[3].
Para equacionamentos não lineares, pode-se utilizar a programação
não linear, na forma clássica com métodos baseados em derivada
[1][4] ou com abordagens estocásticas (métodos baseados em
probabilidade) [5][6]. Destaque aqui para uma nova família de
ferramentas estocásticas chamadas de computação evolutiva ou
bioinspirada, como os algoritmos genéticos, colônia de formigas,
enxame de partículas ou sistemas imunológicos artificiais [7].
• Inteligência artificial ou aprendizado de máquina (machine

learning) são algoritmos construídos de forma a reconhecer
padrões, aprender e agir a partir de dados, sem necessitar de
instrução humana explícita [8]-[10]. De forma geral, o aprendizado
pode ser supervisionado ou não supervisionado. Técnicas para
aprendizado supervisionado buscam responder um objetivo, ou
seja, há uma variável explícita a ser respondida (K-nearest
neighbors e support vector machine são exemplos de técnicas).
Métodos não supervisionados buscam identificar grupos ou
padrões a partir dos dados, sem um objetivo específico a ser
alcançado (mapas de Kohonen é a estratégia mais difundida). As
chamadas redes neurais artificiais (RNA) podem ser implementadas
com as duas orientações. RNA são modelos computacionais
inspirados no sistema nervoso central.
O Grupo de Pesquisa em Computação Científica para Engenharia

(PECCE), vinculado ao Instituto Federal de Santa Catarina (IFSC), do
qual o autor deste livro é integrante, desenvolve aplicações para a
indústria em todos os temas aqui citados. Entre em contato.
Bons estudos!
____________________________________________________________________
122
____________________________________________________________________
[1] F. S. Hiller & G. J. Leiberman, Introdução à Pesquisa

Operacional, Mc Graw Hill, 9th Ed., 2017. ISBN 9788580551181.
[2] M. Arenales & V. Armentano, Pesquisa Operacional para Cursos
de Engenharia, Elsevier, 2015. ISBN 9788535271614.
[3] M. Meireles & L. L. Tiossi, Programação Linear - o método
Simplex, eBook Kindle, KaizenTools, 2016.
[4] H. A. Eiselt & C. L. Sandblom, Nonlinear Optimization: Methods
and Applications, Springer, 2019. ISBN 9783030194611.
[5] J. K. Mandal, S. Mukhopadhyay and P. Dutta, Multi-Objective
Optimization: Evolutionary to Hybrid Framework, Springer,
2019. ISBN 9789811346392.
[6] R. Datta & K. Deb, Evolutionary Constrained Optimization,
Springer, 2016. ISBN 9788132235057.
[7] Laboratório de Bioinformática e Computação Bio-Inspirada,
Universidade Estadual de Campinas, [online]
http://www.lbic.fee.unicamp.br/homepage/indexpor.htm
[8] G. Huang, G. B. Huang, S. Song, K. You, Trends in extreme
learning machines: A review, Neural Networks 61 (2015) pp. 32-
48. doi:10.1016/j.neunet.2014.10.001.
[9] V. M. S. Raschka, Python Machine Learning: Machine Learning
and Deep Learning with Python, 1st Ed., Packt Publishing, 2017.
[10] Khaled Bayoudh, From Machine Learning to Deep Learning, 1st
Ed., 2017, Ebook, ISBN: 9781387465606.
____________________________________________________________________
123
Índice remissivo
____________________________________________________________________
Pg.
algoritmo significativo 12
análise de sensibilidade 3 25
análise estatística 3
aprendizado de máquina ii 5
aprendizagem baseada em problemas i
bissecção 7 10 11 14 16
cálculo numérico i 1 15 28
campo elétrico 81 106 108
campo eletrostático conservativo 94
campo magnético 30 106 108
capacitância 80 118
cargas elétricas estáticas 79 80 94
catenária 15 16
célula de Yee 102
circuito elétrico 8 15 28 73 81 84 91
circuito magnético 30 89
coeficiente de correlação 38 39
coeficiente de determinação 38
computação científica 1
computer aided design 1
computer aided engineering 1
condição de Dirichlet 93 100
condição de Neumann 93 94
condicionamento de uma matriz 19 33 42 43
____________________________________________________________________
124
Índice remissivo
____________________________________________________________________
constante de Boltzmann 9
critério de parada 10 12 19 23 32
curva de histerese 30 60 64
decomposição LU 19 22
derivada de Kernels 82
diferença finita centrada 75 76 78 96
diodo 1N4001 10 33
discretização 101 104 117
distributed power system 119
eliminação de Gauss 19 20
eliminação progressiva 21 22
eliminação regressiva 21 22
engenharia assistida por computador 1
equação de Laplace 95
equação de Poisson 94 95 97 100
equação integral de Fredholm 111
equação integral de Volterra 111
equações diferenciais ordinárias ii 3 83 86 92 109 111
equações diferenciais parciais ii 3 83 93 109
equações integrais ii 3 111 119
erro tolerável 4 13 77
erros de arredondamento 5 12 18
erros de truncamento 5 70
erros numéricos 5 12
exatidão 4
expansões de Taylor 76 77 94 96 98
extrapolação de Richardson 71
fast-fourier transform 59 64
filtragem adaptativa 64
FIR filtering 82
fluxo de carga 28
fluxo de potência 33
fórmulas de diferença finita 76
____________________________________________________________________
125
Índice remissivo
____________________________________________________________________
fórmulas de Gauss-Hermite 71
fórmulas de Gauss-Legendre 71
função de Green 112 113
funções de Bessel 61
funções senoidais 36 55
Gauss-Siedel 19 23 25 29
gradiente 79
incerteza do modelo 3
indução magnética 60
inspeção visual 10
integração ii 70 71 73 74 111
integração de Romberg 71
integração de Sommerfeld 74
integral de Poisson 82
inteligência artificial ii 5
interpolação ii 5 35 43 48 54 65
interpolação cúbica hermetiana 54
inverse fast-fourier transform 59
Lagrange 43 46 77 94
lei de Faraday 75
leis de Kirchhoff 7 20
linguagem interpretada 4
linguagem de programação 4
matemática computacional 1
matriz de Vandermonde 43
medição de aterramento 60
diferenças finitas domínio do tempo 94 99 102 109
método dos elementos de contorno 113
método dos momentos 113
método intervalar 10
método iterativo 10
método numérico i 1 10 30 99
____________________________________________________________________
126
Índice remissivo
____________________________________________________________________
método residual ponderado Galerkin 99 115
método variacional Ritz 99
métodos de elementos finitos 94 99 109
métodos estocásticos ii
microeletrônica 15 28 33
mínimos quadrados 40
modelagem numérica ii 1 2 5 6
modelagem linhas de transmissão 94 99 105 109
modelo de Huygens 105
modos de propagação 106
multimachine power system 119
multinominal Lagrange-Bernstein 64
natureza i
NBR 5410:2004 44
Newton 43 44 46 64
Newton-Cotes 65 67 69
Newton-Raphson 7 12 13 16 29 31 32
nó 3D TLM simétrico 105
numerical design of experiments 3
otimização ii 8
paredes condutoras perfeitas 103
passo de cálculo 89
permeabilidade magnética 30
pesquisa operacional ii 17
pivotamento 21
polyfit e polyval 42 53
potência média 73
potencial elétrico 79 95 99 101 115 118
power dispatch in smart grid 16 28 33
power harmonics 16
power transmission 33
precisão 4 10 78
____________________________________________________________________
127
Índice remissivo
____________________________________________________________________
problem based learning i ii
problema de valor de contorno 84 92 93 94 97 99 112
problema de valor inicial 84 93 102 109 112
processamento FPGA 92
processo de desmagnetização 61
programação orientada a objetos 4
projeto assistido por computador 1
propagação de onda eletromagnética 103 105 106
raízes ii 7 8 9 11 13
Range-Kutta 85
regra de Cramer 20
regra de Simpson 71
regra do trapézio 68
regressão 5 35 36
relaxamento 24
retificador de meia onda a diodo 15
RFID multi-tags 64
saturação 30 38
série temporal 55 62 83
séries de Fourier 36 58
singularidades 18
sistemas de energia elétrica 33
sistemas lineares ii 3 7 17 19 40 98
sistemas mal condicionados 18 19 25
sistemas não lineares ii 3 7 17 29 98
sistemas rígidos 89
solução analítica i 2
splines 5 35 43 48 49 64
taxa de amostragem do sinal 57
tendência 35 36
teorema de Bolzano 7
teorema de Nyquist-Shannon 57
____________________________________________________________________
128
Índice remissivo
____________________________________________________________________
transformada de Fourier discreta 58 59
transformada inversa de Fourier 59
valor eficaz 73
zero de função 7
____________________________________________________________________
129

Livro Calculo Numerico AVILA Final PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Livro Calculo Numerico AVILA Final PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Livro Calculo Numerico AVILA Final PDF

Enviado por

Direitos autorais:

Formatos disponíveis

CÁLCULO NUMÉRICO

APLICADO À ENGENHARIA ELÉTRICA

Diretora do Campus Florianópolis

Chefe do Departamento Acadêmico de Eletrotécnica

INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA

Catalogação na fonte pelo Instituto Federal de Educação, Ciência e

A958c Ávila, Sérgio Luciano

Inclui índice remissivo.

1. Cálculo numérico. 2. Raízes numéricos. 3. Sistemas

Elaborada pela Bibliotecária Renata Ivone Garcia – CRB-14/1417

VEDADO USO PARA FINS COMERCIAIS

TODOS OS ALGORITMOS ESTÃO DISPONIBILIZADOS

GRUPO DE PESQUISAS EM COMPUTAÇÃO CIENTÍFICA PARA ENGENHARIA

“Naturalmente deves trabalhar de maneira a não atentar contra a

Área de concentração : Engenharia Elétrica

Público : graduandos e pós-graduandos

A motivação deste livro é ter um material onde a partir de um problema e

Assim, apresenta-se aqui um livro de cálculo numérico aplicado à

Neste contexto, não serão tratados em profundidade as teorias de cada

O livro é organizado por capítulos, onde cada um trata de uma

obtida é adequada; apresentação de pseudocódigo computacional e

O conteúdo inicia com uma discussão preliminar sobre a modelagem

Reconhece-se que faltam aqui temas relevantes como métodos

Reforça-se que o propósito maior deste livro é abrir portas, nunca

[1] L. C-Torres and M. B-Tobar, Problem-Based Learning: a didactic

Sobre cálculo numérico 1

7. Equações Diferenciais Ordinárias 83

8. Equações Diferenciais Parciais 93

9. Equações Integrais 111

Continuação dos estudos 120

Índice remissivo 123

Sobre cálculo numérico

Engenheiras(os) constroem suas hipóteses tendo por início os

Nas últimas décadas, este processo iterativo pela busca do

Resolvendo problemas da engenharia com computador

Cálculo numérico, métodos numéricos, engenharia assistida por

Quando a resolução analítica é possível, ótimo. Entretanto, quanto

Utiliza-se a modelagem e a simulação computacional quando o

Figura 1. Metodologia de modelagem numérica – processo iterativo.

A observação de situações aguça a busca por conhecimento para

A análise estatística (numerical design of experiments – DoE) ajuda a

Nesta fase inicial, ‘problema em estudo’ conforme Figura 1, os

Uma vez que o problema está claro, a sua representação física e

Outras tomadas de decisão devem ser feitas entre a definição do

Uma discussão pertinente é a escolha da linguagem de programação

Por outro lado, uma desvantagem no uso de software comercial é a

Pascal, Fortran e C, entre outras linguagens de programação exigem

Recentemente, surgiu a linguagem interpretada. Ela utiliza

Além disso, o uso de bibliotecas open source também está se tornando

Sobre aproximações e erros

Exatidão pode ser definida como o quão próximo os valores calculados

Como discutido antes, a primeira questão é saber até que ponto o

Associam-se a isto os chamados erros numéricos. Erros numéricos

Erros de arredondamento surgem porque os computadores têm limites

Erros de truncamento resultam do uso de uma aproximação numérica

Além disso, na ciência da computação, a eficiência pode ser uma

Finalmente, outras ferramentas numéricas podem ser usadas para

Utilizada em uma ampla gama de situações, técnicas de aprendizado

Em resumo, a metodologia para desenvolver uma representação