Documentos de Académico
Documentos de Profesional
Documentos de Cultura
A A A A A A B B B B B C C C C D D D E E F
B C D E F G C D E F G D E F G E F G F G G
15
7c
3r
2
+ 5r
7
+ 2c = 7 (Ec 2)
15
7c
2r
2
+ 4r
4
r
6
+ 7r
7
= 0 (Ec 5)
3. Asignar r
6
= / como variable de diseo y sustituir en las ecs. 7 y 5
r
1
=
15
7c
(Ec 3)
9r
4
3/c = 13 (Ec 7)
2r
4
12r
9
= 10 (Ec 1)
5r
5
+r
9
= 6 (Ec 6)
13r
3
+ 4r
4
r
9
= 1 (Ec 4)
15
7c
3r
2
+ 5r
7
+ 2c = 7 (Ec 2)
15
7c
2r
2
+ 4r
4
/ + 7r
7
= 0 (Ec 5)
ANLISIS ESTRUCTURAL 31
4. Resolver r
4
de la ecuacin 7 y sustituir en las ecs. 1, 4 y 5
r
1
=
15
7c
(Ec 3)
r
4
=
1
3
/c
13
9
(Ec 7)
2
3
/c
26
9
12r
9
= 10 (Ec 1)
5r
5
+r
9
= 6 (Ec 6)
13r
3
4
3
/c +
52
9
r
9
= 1 (Ec 4)
15
7c
3r
2
+ 5r
7
+ 2c = 7 (Ec 2)
15
7c
2r
2
4
3
/c
52
9
/ + 7r
7
= 0 (Ec 5)
5. Resolver r
9
de la ecuacin 1 y sustituir en las ecs. 6 y 4
r
1
=
15
7c
(Ec 3)
r
4
=
1
3
/c
13
9
(Ec 7)
r
9
=
1
18
/c
29
27
(Ec 1)
5r
5
1
18
/c
29
27
= 6 (Ec 6)
13r
3
+
2
27
/
2
c
2
+
142
81
/c +
1508
243
= 1 (Ec 4)
15
7c
3r
2
+ 5r
7
+ 2c = 7 (Ec 2)
15
7c
2r
2
4
3
/c
52
9
/ + 7r
7
= 0 (Ec 5)
6. Resolver r
5
de la ecuacin 6
32 INTRODUCCION A LA SIMULACION
7. Resolver r
3
de la ecuacin 4
r
1
=
15
7c
(Ec 3)
r
4
=
1
3
/c
13
9
(Ec 7)
r
9
=
1
18
/c
29
27
(Ec 1)
r
5
=
1
90
/c
191
135
(Ec 6)
r
3
=
2
351
/
2
c
2
142
1053
/c
1265
3159
(Ec 4)
15
7c
3r
2
+ 5r
7
+ 2c = 7 (Ec 2)
15
7c
2r
2
4
3
/c
52
9
/ + 7r
7
= 0 (Ec 5)
8. Resolver r
7
y r
2
simultaneamente de las ecuaciones 2 y 5
r
1
=
15
7c
(Ec 3)
r
4
=
1
3
/c
13
9
(Ec 7)
r
9
=
1
18
/c
29
27
(Ec 1)
r
5
=
1
90
/c
191
135
(Ec 6)
r
3
=
2
351
/
2
c
2
142
1053
/c
1265
3159
(Ec 4)
r
7
=
1
231
45 + 84c
2
+ 70c + 84/c
2
+ 63/c
c
(Ec 2)
r
2
=
1
693
270 + 882c
2
1267c + 420/c
2
+ 315/c
c
(Ec 5)
Ejemplo 1.4 Resuelva el siguiente problema haciendo uso de una estrategia orientada a
las ecuaciones y compare la solucin con la del Ejemplo 1.3. El proceso se muestra en la
gura
ANLISIS ESTRUCTURAL 33
1
7
6 5
4
3
2
1 3 2
Especicaciones
Corrirnte 1 Corriente 3
Etanol: 50 lbmol/h Etanol: 100 lbmol/h
Agua: 150 lbmol/h Agua: 50 lbmol/h
75
c
F 75
c
F
14.7 psia 14.7 psia
Por la corriente 4 se va el 30 % de la corriente 3
Por la corriente 7 se va el 60 % de lo que entra en la unidad 2
Determinar los valores de las variables de las diversas corrientes.
34 INTRODUCCION A LA SIMULACION
2. MODELADO DE PROCESOS
2.1. MODELOS EN ESTADO ESTACIONARIO
2.1.1. Problema de Simulacin
Planteamiento del Problema
El eter etlico se produce por la deshidratacin de alcohol etlico en presencia de H
2
oC
4
a 140
C, de acuerdo a la reaccin
2C
2
H
5
CH C
2
H
5
CC
2
H
5
+H
2
C
Mediante el proceso que se describe a continuacin:
M-1
R-2
S-3 S-4
G
F
H
J
K L
R
D
Produccin de Eter Etlico
Donde:
M-1 es Tanque de Mezclado
R-2 es Reactor
S-3 es Separador de Eter
S-4 es Separador de Alcohol
Se dispone de la siguiente informacin:
1. La corriente D est compuesta por 95 % (peso) de alcohol en agua.
MODELADO DE PROCESOS 35
2. La corriente G es H
2
oC
4
al 93 % (peso) en solucin acuosa.
3. En el reactor, la reaccin es simple y con una conversin del 87 % (alfa) respecto del
C
2
H
5
CH.
4. En el separador de eter, el destilado es, practicamente, eter puro, sabiendo que en el
fondo no se arrastra eter.
5. En el separador de alcohol se obtiene un destilado R (92 % en peso de alcohol en agua)
que se recircula; mientras que en el fondo se obtiene una solucin acuosa de H
2
oC
4
.
Para producir 2000 kg, h de eter etlico, calcular las otras corrientes y sus composiciones,
sabiendo que se recomienda en la alimentacin del proceso, una relacin 1 : 1 en peso de
H
2
oC
4
,Alcohol.
Modelando el Proceso
Deniciones para simplicar el proceso:
r Alcohol
Agua
. H
2
oC
4
n Eter
Balances de Material en M-1
M-1
G
F
R
D
x
y
y
z
x
y
x
y
z
Balances
() 11 : 1 +G+1 = 1 A
(1) 1A : r
o
1 +r
v
1 = r
)
1 (2.1)
(2) 11 :
o
1 +
j
G+
v
1 =
)
1 (2.2)
(3) 12 : .
j
G = .
)
1 (2.3)
36 MODELADO DE PROCESOS
Restricciones
(4) 11 : r
o
+
o
= 1 (2.4)
(5) 1G :
j
+.
j
= 1 (2.5)
(6) 11 : r
v
+
v
= 1 (2.6)
(7) 11 : r
)
+
)
+.
)
= 1 (2.7)
Se tienen:
Ecuaciones: 7
Incgnitas: 13
D G R F
r
o
r
v
r
)
o
j
v
)
.
j
.
)
Variables de Estado=Ecuacines=7
o
.
j
v
F r
)
)
.
)
) 11 : r
)
+
)
+.
)
= 1 (7*)
(12) 1H : r
I
+
I
+.
I
+n
I
= 1 (2.12)
Ecuaciones auxiliares: c =
Moles Consumidos
Moles Entrantes
=
c
1P
(13) c
a
= c
r
)
1
P
a
(2.13)
(14) c
j
=
1
2
c
a
(2.14)
(15) c
&
=
1
2
c
a
(2.15)
(16) C
a
= P
a
c
a
(2.16)
(17) C
j
= P
j
c
j
(2.17)
(18) C
&
= P
&
c
&
(2.18)
Se tienen:
Ecuaciones: 12
Incgnitas: 19
F r
)
)
.
)
H r
I
I
.
I
n
I
c
a
c
j
c
&
C
a
C
j
C
Z
c P
a
P
j
P
&
F r
)
)
.
)
H r
I
I
.
I
n
I
c
a
c
j
c
&
C
a
C
j
C
Z
GL= 15 12 = 3
Se tienen C
15
3
= 455 posibles combinaciones de escoger las variables de diseo.
Variables de diseo (comunes):
F r
)
)
Variables de estado:
H r
I
I
.
I
n
I
c
a
c
j
c
&
.
)
C
a
C
j
C
Z
38 MODELADO DE PROCESOS
Balances de Material en S-3
S-3
H
J
K
x
y
z
w
w
x
y
z
Balances
(C) 11 : H = J +1 (C)
(19) 1A : r
I
H = r
I
1 (2.19)
(20) 11 :
I
H =
I
1 (2.20)
(21) 12 : .
I
H = .
I
1 (2.21)
(22) 1\ : n
I
H = J (2.22)
Restricciones
(12
) 1H : r
I
+
I
+.
I
+n
I
= 1 (12*)
(23) 11 : r
I
+
I
+.
I
= 1 (2.23)
Se tienen:
Ecuaciones: 6
Incgnitas: 10
H r
I
I
.
I
n
I
J K r
I
I
.
I
GL= 10 6 = 4
Se tienen C
10
4
= 210 posibles combinaciones de escoger las variables de diseo.
Variables de diseo (comunes):
H r
I
I
.
I
Variables de estado:
J n
I
K r
I
I
.
I
) 11 : r
I
+
I
+.
I
= 1 (23*)
(27) 11 :
|
+.
|
= 1 (2.27)
(6
) 11 : r
v
+
v
= 1 (6*)
Se tienen:
Ecuaciones: 6
Incgnitas: 10
K r
I
I
.
I
L
|
.
|
R r
v
v
GL= 10 6 = 4
Se tienen C
10
4
= 210 posibles combinaciones de escoger las variables de diseo.
Variables de diseo (comunes):
K r
I
I
Distribucin de 1
Variables de estado:
L
|
.
|
R r
v
.
I
D r
o
o
G
j
.
j
F r
)
)
.
)
H r
I
I
.
I
n
I
J K r
I
I
.
I
L
|
.
|
R r
v
v
C
A
C
j
C
&
c
a
c
j
c
&
Parmetros: 4
c P
a
P
j
P
&
GL=32 28 = 4
En el enunciado del problema se debe haber dado informacin de 4 variables de diseo.
NOTA: Cuando el nmero de variables involucradas en una ecuacin es menor que los
GL, todo el conjunto de variables de la ecuacin no debe escogerse como variables de diseo.
En caso de que todo el conjunto se escoja como variables de diseo, se deber: (1) checar
que la ecuacin sea congruente y (2) eliminar la ecuacin y adicionar una nueva variable de
diseo.
Asiganando los valores proporcionados:
c = 0.87
P
a
= 46
P
j
= 18
P
&
= 74
r
o
= 0.95
.
j
= 0.93
J = 2000
r
v
= 0.92
Sustituyendo estos valores y reacomodando las ecuaciones de acuerdo a las siguientes
reglas (aplicadas a cada ecuacin):
1. Eliminar los trminos racionales
2. Eliminar los trminos que incluyan logartmos
3. Eliminar los trminos con races
4. Despejar y sustituir los terminos constantes
MODELOS EN ESTADO ESTACIONARIO 43
5. Eliminar cualquier trmino que pueda causar indeterminaciones matemticas.
El Sistema de Ecuaciones se transforma en:
(1) : 0.951 + 0.921 = r
)
1 (2.37a)
(2) :
o
1 +
j
G+
v
1 =
)
1 (2.37b)
(3) : 0.93G = .
)
1 (2.37c)
(4) : r
)
1 = r
I
H +C
A
(2.37d)
(5) :
)
1 +C
j
=
I
H (2.37e)
(6) : .
)
1 = .
I
H (2.37f)
(7) : C
&
= n
I
H (2.37g)
(8) : r
I
H = r
I
1 (2.37h)
(9) :
I
H =
I
1 (2.37i)
(10) : .
I
H = .
I
1 (2.37j)
(11) : n
I
H = 2000 (2.37k)
(12) : r
I
1 = 0.921 (2.37l)
(13) :
I
1 =
|
1 +
v
1 (2.37m)
(14) : .
I
1 = .
|
1 (2.37n)
(15) : 0.95 +
o
= 1 (2.38a)
(16) :
j
+ 0.93 = 1 (2.38b)
(17) : 0.92 +
v
= 1 (2.38c)
(18) : r
)
+
)
+.
)
= 1 (2.38d)
(19) : r
I
+
I
+.
I
+n
I
= 1 (2.38e)
(20) : r
I
+
I
+.
I
= 1 (2.38f)
(21) :
|
+.
|
= 1 (2.38g)
(22) : c
a
= 1.891 3 10
2
r
)
1 (2.39a)
(23) : c
j
=
1
2
c
a
(2.39b)
(24) : c
&
=
1
2
c
a
(2.39c)
(25) : C
a
= 46c
a
(2.39d)
(26) : C
j
= 18c
j
(2.39e)
(27) : C
&
= 74c
&
(2.39f)
(28) : 0.951 = 0.93G (2.39g)
44 MODELADO DE PROCESOS
Simplicar el sistema de ecuaciones para resolver simultaneamente el menor nmero
posible de ecuaciones no lineales. Esta tarea se realiza con la ayuda de la TABLA DE
INCIDENCIAS
E\V D G F H K L R yD yG xF yF zF xH yH zH wH xK yK zK yL zL yR Cx Cy Cw cx cy cw
1 A B A B
2 B B B B B B B B
3 A B B
4 B B B B A
5 B B B B A
6 B B B B
7 B B A
8 B B B B
9 B B B B
10 B B B B
11 B B
12 B A B
13 B B B B B B
14 B B B B
15 A
16 A
17 A
18 A A A
19 A A A A
20 A A A
21 A A
22 B B A
23 A A
24 A A
25 A A
26 A A
27 A A
28 A A
Aplicando el algoritmo de Ordenamiento de Ecuaciones se tiene
MODELOS EN ESTADO ESTACIONARIO 45
E\V wH H zK zH K yK yH xK xH zL L yR yL R zF F G xF D yF yG yD cx cw Cw cy Cy Cx EGL
11 B B 2 27
10 B B B B 4 24
9 B B B B 4 22
20 A A A 3 21
8 B B B B 4 20
19 A A A A 4 20
14 B B B B 4 18
17 A 1 17
21 A A 2 16
12 B B A 3 15
13 B B B B B B 6 15
6 B B B B 4 13
3 B B A 3 12
1 A B B A 4 10
28 A A 2 10
18 A A A 3 9
16 A 1 8
2 B B B B B B B B 8 7
15 A 1 7
22 B B A 3 6
24 A A 2 5
7 B B A 3 4
27 A A 2 4
23 A A 2 3
5 B B B B A 5 2
26 A A 2 2
4 B B B B A 5 1
25 A A 2 1
VGL 3 8 3 3 6 3 3 3 3 2 2 3 2 4 3 7 3 4 3 3 2 2 4 2 2 2 2 2
28 27 26 25 24 23 22 21 20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1
Aplicando el algoritmo de Agrupamiento de Variables se obtiene la siguiente tabla
46 MODELADO DE PROCESOS
E\V yR yG yD H wH Cw cw cx cy Cy Cx K zH zK yH yK xK xH R L zL yL F zF G D xF yF EGL O Gr
17 A 1 28 1
16 A 1 27 1
15 A 1 26 1
11 B B 2 25 2
7 B B A 3 24 2
27 A A 2 23 2
24 A A 2 22 2
23 A A 2 21 2
26 A A 2 20 2
25 A A 2 19 2
10 B B B B 4 18 3
9 B B B B 4 17 4
20 A A A 3 16 4
8 B B B B 4 15 4
19 A A A A 4 14 4
12 B B A 3 13 4
14 B B B B 4 12 5
21 A A 2 11 5
13 B B B B B B 6 10 5
6 B B B B 4 9 6
3 B B A 3 8 6
28 A A 2 7 6
1 A B A B 4 6 6
22 A B B 3 5 6
4 B A B B B 5 4 6
18 A A A 3 3 6
2 B B B B B B B B 8 2 6
5 B A B B B 5 1 6
VGL 3 2 2 8 3 2 2 4 2 2 2 6 3 3 3 3 3 3 4 2 2 2 7 3 3 3 4 3
O 28 27 26 25 25 24 23 22 21 20 19 18 18 18 17 17 16 15 13 12 12 11 9 9 8 7 6 3
Gr 1 1 1 2 2 2 2 2 2 2 2 3 3 3 4 4 4 4 4 5 5 5 6 6 6 6 6 6
MODELOS EN ESTADO ESTACIONARIO 47
Interpretando la informacin de la tabla de incidencias:
Tomar n
I
, .
I
, .
I
,
I
, .
|
, .
)
como variables iterativas
v
= 0.08
j
= 0.07
o
= 0.05
H =
2000
n
I
C
&
= 2000
c
&
=
1000
37
= 27.027
c
a
=
2000
37
= 54.054
c
j
=
1000
37
= 27.027
C
j
=
18 000
37
= 486.49
C
a
=
92 000
37
= 2486.5
1 = 2000
.
I
n
I
.
I
I
=
I
.
I
.
I
r
I
=
I
.
I
+ 1
r
I
= (
I
+.
I
1)
.
I
.
I
0 = .
I
+n
I
.
I
.
I
1 = 2173.9 (
I
+.
I
1.0)
.
I
n
I
.
I
1 = 2000
.
I
n
I
.
|
|
= .
|
+ 1
0 = 2173. 9
I
.
|
+ 2173. 9.
I
.
|
2000.0.
I
173. 91.
|
MODELOS EN ESTADO ESTACIONARIO 49
1 = 2000
.
I
n
I
.
)
G = 2150.5
.
I
n
I
1 = 2105.2
.
I
n
I
r
)
= 8.0 10
6
.
)
3.0.
I
+ 1.25 10
5
I
1.25 10
5
.
I
0 = 54. 054n
I
.
I
+ 9. 078 2 10
4
.
I
.
I
+ 37. 826
I
.
I
37. 826.
I
0 = 2000.0.
I
2486. 5n
I
)
= 8.0 10
6
1. 250 0 10
5
.
)
.
I
1. 25 10
5
.
)
I
+ 1. 25 10
5
.
)
1. 25 10
5
.
I
.
I
0 = 2290. 1.
)
.
I
2391. 3.
)
I
+ 2391. 3.
)
2200.0.
I
0 = 37.0.
I
.
)
.
I
37.0.
I
.
)
+ 37.0.
I
.
I
+ 9.0n
I
.
)
.
I
Resolviendo simultaneamente solo las 6 ecuaciones algebraicas no-lineales
.
I
+n
I
.
I
.
I
= 0
2173.9
I
.
|
+ 2173.9.
I
.
|
2000.0.
I
173.91.
|
= 0
54.054n
I
.
I
+ 9.078 2 10
4
.
I
.
I
+ 37.826
I
.
I
37.826.
I
= 0
2000.0.
I
2486.5n
I
= 0
2290.1.
)
.
I
2391.3.
)
I
+ 2391.3.
)
2200.0.
I
= 0
37.0.
I
.
)
.
I
37.0.
I
.
)
+ 37.0.
I
.
I
+ 9.0n
I
.
)
.
I
= 0
Se tiene la siguiente solucin mltiple
{.
I
= 0. .
I
= 0. .
|
= 0. .
)
= 0. n
I
= 0.
I
=
I
}
{.
I
= 0. .
I
= 0. .
|
= 0. n
I
= 0.
I
= 1.0. .
)
= .
)
}
.
I
= 0. .
I
= 0. .
)
= 0. n
I
= 0.
I
= 7. 999 9 10
2
. .
|
= .
|
{
I
= 0.226 48. .
)
= 0.436 61. .
|
= 0.755 54. .
I
= 0.436 62. .
I
= 0.672 95. n
I
= 0.351 19}
Pudo haberse hecho un nuevo anlisis sobre estas 6 ecuaciones, dando como resultado
E\V wH zH zK yK zL zF
19 B B B
13 B B B
22 B B B B
4 B B B
2 B B B
5 B B B B
Antes del Anlisis
E\V wH zH zK zF yK zL EGL
4 B B B 3
19 B B B 3
5 B B B B 4
2 B B B 3
22 B B B B 4
13 B B B 3
VGL 4 4 6 2 3 1
Despes del Anlisis
50 MODELADO DE PROCESOS
Lo cual indica resolver un sistema simultaneo de 2 ecuaciones en 2 incgnitas.
Sustituyendo la solucin viable, en cada una de las ecuaciones para las incgnitas se tiene:
1 = 2617.4
o
= 0.05
G = 2673.7
j
= 0.07
1 = 5694.9 r
)
= 0.501 86
H = 5694.9
)
= 6. 151 7 10
2
1 = 3694.9 .
)
= 0.436 62
1 = 3291.0 r
I
= 6. 524 2 10
2
1 = 403.85
I
= 0.146 94
C
a
= 2486.5 .
I
= 0.436 62
C
j
= 486.50 n
I
= 0.351 19
C
&
= 2000.0 r
I
= 0.100 56
|
= 0.244 46
I
= 0.226 48
.
|
= 0.755 54 .
I
= 0.672 96
v
= 0.08
j
+.93 = 1
.92 +
v
= 1
, Resolviendo:
r
)
= 0.456 16
)
= 6. 323 5 10
2
1 = 5173.6
.
)
= 0.480 6
G = 2043.0
o
= 0.05
j
= 0.07
v
= 0.08
3. Los valores
F= 5173.6 r
)
= 0.456 16
)
= 0.063235
obtenidos del mezclador se
toman como variables de diseo para resolver simultaneamente las ecuaciones B2.18
(en el reactor) para encontrar
H r
I
I
.
I
n
I
c
a
c
j
c
&
.
)
C
a
C
j
C
Z
2360.0 = r
I
H +C
a
327.15 +C
j
=
I
H
.
)
(5173.6) = .
I
H
C
&
= n
I
H
0.519 40 +.
)
= 1
r
I
+
I
+.
I
+n
I
= 1
c
a
= 44.635
c
j
=
1
2
c
a
c
&
=
1
2
c
a
C
a
= 46c
a
C
j
= 18c
j
C
&
= 74c
&
, Resolviendo:
r
I
= 5.930 1 10
2
I
= 0.140 88
.
I
= 0.480 60
H = 5173.6
.
)
= 0.480 61
n
I
= 0.319 22
c
a
= 44.635
c
j
= 22.318
c
&
= 22.318
C
a
= 2053.2
C
j
= 401.72
C
&
= 1651.5
4. Los valores
H= 5173.6 r
I
= 5.930 1 10
2
I
= 0.140 88 .
I
= 0.480 60
obtenidos
del reactor se toman como variables de diseo para resolver simultaneamente las ecua-
ciones C12* (en el separador de eter) para encontrar
J n
I
K r
I
I
.
I
306. 80 = r
I
1
728. 86 =
I
1
2486. 4 = .
I
1
n
I
(5173.6) = J
0.680 78 +n
I
= 1
r
I
+
I
+.
I
= 1
, Resolviendo:
r
I
= 8.710 8 10
2
I
= 0.206 94
1 = 3522.1
J = 1651.5
n
I
= 0.319 22
.
I
= 0.705 95
Nota: El valor de J calculado es igual al especicado en el problema? Qu hacer?
5. Los valores
K= 3522.1 r
I
= 8.710 8 10
2
I
= 0.206 94
obtenidos del sepa-
rador S-3 y r
v
se toman como variables de diseo para resolver simultaneamente las
MODELOS EN ESTADO ESTACIONARIO 53
ecuaciones D23* (en el separador de alcohol) para encontrar
L
|
.
|
R r
v
.
I
306.8 = 0.921
728.86 =
|
1 +
v
1
.
I
(3522.1) = .
|
1
0.294 05 +.
I
= 1
|
+.
|
= 1
0.92 +
v
= 1
, Resolviendo:
R = 333.48
|
= 0.220 22
1 = 3188.6
.
I
= 0.705 95
.
|
= 0.779 78
v
= 0.08
6. Si el valor de R obtenido en S-4 es igual al valor de R supuesto en el paso 1, entonces
se ha obtenido convergencia en el RECICLO. En caso contrario, tomar el nuevo valor
de R y repetir los pasos del 1 al 4 hasta alcanzar convergencia.
Despes de alcanzar convergencia se tiene:
Corrirnte D G F H J K L R C P
Flujo kg, h X 2043.0 4351.6 4351.6 1528.3 2823.4 2514.7 308.6
Alcohol % X 50.186 6.524 3 10.056 X 1900.0 X
Agua % 5 7.0 6.151 7 14.6 94 22.648 24.446 8 371.74 X
H
2
oC
4
% X 43.662 43.662 67.296 75.554
Eter % 35.119 100 1528. 3 X
7. Despes de alcanzar convergencia en el reciclo, se procede a checar la convergencia
en el ujo de salida J obtenido. Si el valor de J es igual al valor especicado en el
problema, entonces se ha obtenido la SOLUCION. En caso contrario, cambiar de una
manera apropiada el valor de D y repetir los pasos del 1 al 5 hasta alcanzar la solucin.
A partir de 1 = 2000 se alcanz J = 1528.3, por lo que el nuevo valor de 1 para
alcanzar el valor deseado de J = 2000 es
1 = (2000)
2000
1528.3
= 2617.3
A partir de 1 = 2000 se alcanz 1 = 308.6, porlo que el nuevo valor de 1 para alcanzar
el nuevo valor de 1 = 2617.3 (correspondiente a J = 2000) es
1 = (2617.3)
308.6
2000
= 403.85
Con estos valores de 1 y 1 se llega a la solucin, despes de alcanzar convergencia en
el reciclo.
NOTA: En un Problema de balances de material, los Flujos son transparentes (escal-
ables), es decir, si un ujo de entrada se multiplica por un factor entonces los ujos
de salida quedan multiplicados por ese factor. Obsrvese que en este caso solo ser
necesario escalar los ujos totales.
54 MODELADO DE PROCESOS
2.1.2. Problema de Diseo
La gura muestra un sistema de intercambio de calor que se lleva a cabo en dos equipos
en serie y estado estacionario. Las ecuaciones que describen el sistema consisten bsicamente
en balances de energa y ecuaciones de diseo para cada intercambiador, y son las siguientes:
m , c , T h h ho m , c , T h h hf hi
T
m , c , T 1 1 1o
m , c , T 2 2 2o
K , U , A 1
1 1
K , U , A
2
2 2
1f
T
2f
T
Para el intercambiador 1:
1111 : Q
1
= :
I
c
I
(1
Ic
1
Ii
) (1)
1111 : Q
1
= :
1
c
1
(1
1)
1
1c
) (2)
111 : Q
1
= l
1
1
1
1
(3)
l
1
= l
1
(:
I
. 1
Ic
. 1
Ii
. :
1
. 1
1c
. 1
1)
. 1
1
) (4)
1
1
=
(1
Ii
1
1c
) (1
Ic
1
1)
)
ln
T
1
T
T
1
(5)
Para el intercambiador 2:
1112 : Q
2
= :
I
c
I
(1
Ii
1
I)
) (6)
1112 : Q
2
= :
2
c
2
(1
2)
1
2c
) (7)
112 : Q
2
= l
2
2
1
2
(8)
l
2
= l
2
(:
I
. 1
Ii
. 1
I)
. :
2
. 1
2c
. 1
2)
. 1
2
) (9)
1
2
=
(1
I)
1
2c
) (1
Ii
1
2)
)
ln
T
2
T
T
2
(10)
MODELOS EN ESTADO ESTACIONARIO 55
Se tiene:
Ecuaciones: 10
Variables: 23
Q
1
:
I
c
I
1
Ic
1
Ii
:
1
c
1
1
1)
1
1c
l
1
1
1
1
Q
2
1
I)
:
2
c
2
1
2)
1
2c
l
2
2
1
2
1
2
1
1
Parmetros: 5
1
1
c
1
c
I
1
2
c
2
GL=23 5 10 = 8
La tabla de incidencias es:
E\V Q1 Q2 Thi T1f m1 U1 A1 DT1 m2 T2f U2 A2 DT2 mh Tho T1o Thf T2o
1 A B B B
2 A B B B
3 A B B B
4 E E E A E E E
5 E E A E E
6 A B B B
7 A B B B
8 A B B B
9 E E E A E E E
10 E E A E E
Aplicando el algortmo
E\V DT2 T2f T2o Thf Thi m2 mh U2 Q2 A2 DT1 T1f T1o Tho Q1 m1 U1 A1 EGL
10 A E E E E 5
9 E E E E E E A 7
6 B B B A 4
7 B B B A 4
8 B B A B 4
5 E A E E E 5
1 B B B A 4
2 B B A B 4
4 E E E E E E A 7
3 B A B B 4
VGL 2 3 3 3 6 2 4 2 3 1 2 3 3 3 3 2 2 1
Variables de diseo: Fijar los valores de las variables
T
2)
T
2c
T
I)
T
Ii
m
2
( m
I
) T
1)
T
1c
T
Ic
Seguir el procedimiento:
56 MODELADO DE PROCESOS
1. De 101
2
V 8
2. Simultaneas 9, 6, 7:
I
. l
2
. Q
2
V 8, 1, 4
3. De 8
2
V
4. De 51
1
V 3
5. De 1Q
1
V 2, 3
6. De 2:
1
V 4
7. De 4l
1
V 3
8. De 3
1
V
2.2. MODELOS EN ESTADO TRANSITORIO
2.2.1. Tanque de Almacenamiento
En la gura se muestra el proceso
Balance de material
(1) :
d:
dt
= `
i
`
c
MODELOS EN ESTADO TRANSITORIO 57
Ecuaciones auxiliares
(2) : : = j\
(3) : `
i
= j
i
1
i
(4) : `
c
= j
c
1
c
(5) : \ = /
Si el udo sale por gravedad, aplica
(6) : 1
c
= ,
/
Si se tiene la suposicin de mezclado perfecto:
(7) : j = j
c
Para lquidos a temperatura contante se tiene densidad constante:
(8) : j
i
= j
De esta manera:
Ecuaciones: 8
Variables: 12
: `
i
`
c
/
j j
i
j
c
\ 1
i
1
c
,
GL= 12 8 = 4
La Tabla de Funcionalidad es
E\V m Mi Mo
i
o
V Fi Fo h A
1 D A A
2 A B B
3 A B B
4 A B B
5 A B B
6 A C B
7 A A
8 A A
Aplicando el algoritmo de ordenamiento
E\V Fo h A V
o
i
Mo m Fi Mi
1 A D A
6 A C B
5 B B A
7 A A
8 A A
4 B B A
2 B B A
3 B B A
58 MODELADO DE PROCESOS
Observese que de la tabla de funcionalidad ordenada encontramos que las variables de
diseo se obtienen de los conjuntos {1
c
. /. ,}, {. \ }, {j. j
c
} y {1
i
. :
i
}. En este caso se
escogen, de manera prioritaria, las variables de diseo que tienen la funcionalidad mayor
(orden de prioridad: 1, C, 1 y ). De esta manera, las variables de diseo seleccionadas
sern {/. ,. . j. 1
i
}
Aplicando la estrategia de sustitucin obtenida de la tabla de funcionalidad. Primero
se ordenaran las ecuaciones de acuerdo a como aparecen en la tabla y depes se harn las
sustituciones.
Ordenando las ecuaciones
(1) :
d:
dt
= `
i
`
c
(6) : 1
c
= ,
/
(5) : \ = /
(7) : j = j
c
(8) : j
i
= j
(4) : `
c
= j
c
1
c
(2) : : = j\
(3) : `
i
= j
i
1
i
Haciendo las sustituciones:
(1) :
d (j/)
dt
= j1
i
j,
/
(6) : 1
c
= ,
/
(5) : \ = /
(7) : j
c
= j
(8) : j
i
= j
(4) : `
c
= j,
/
(2) : : = j/
(3) : `
i
= j1
i
Recurdese que las variables de diseo escogidas fueron {/. ,. . j. 1
i
}, sin embargo, de
estas variables de diseo se debe asignar una para resolverse con la ecuacin diferencial
(ecuacin 1). Las variables apropiadas para resolverse con la ED son las que aparecen in-
volucradas dentro del diferencial, en este caso {j. /. }, y de este grupo, la variable de estado
por exelencia es la altura /. Ya escogida la variable de estado, se debe hacer un estudio de
las otras variables del grupo de la diferencial (en este caso j y ) para ver si dependen o no
MODELOS EN ESTADO TRANSITORIO 59
del tiempo. En caso de que j o dependan del tiempo, se tendr que buscar una expresin
de stas variables en funcin del tiempo o en funcin de la variable de estado /. Para este
caso en particular j y son constantes, por lo que la ecuqacin 1 se puede arreglar como:
(1) :
d/
dt
=
1
i
/
Una de las 5 variables de diseo queda asignada con la ecuacin 1 (en este caso /), por
lo que ahora las variables de diseo sern {j. 1
i
. . ,}, pero como j no aparece en la EDO,
entonces no es necesaria para resolverla.
As pues, asignando los valores de las variables de diseo {j. 1
i
. . ,} y resolviendo la
ecuacin 1, se resuelve por completo el problema.
2.2.2. Calentador de Tanque Agitado
El proceso es descrito por la gura
NOTA: Se supone agitacin perfecta por lo que las propiedades a la salida son iguales
que en el bulto.
Balance de material
(1) :
d:
dt
= `
i
`
Balance de energa
(2) :
dc
dt
=
i
+Q+\
60 MODELADO DE PROCESOS
Otras ecuaciones
(3) : : = j\
(4) : `
i
= j
i
1
i
(5) : ` = j1
(6) : c = :1
(7) :
i
= `
i
1
i
(8) : = `1
(9) : 1 = l (+1
j
+1
I
)
(10) : 1
i
= l
i
(11) : l = H 1,j
(12) : l
i
= H
i
1
i
,j
i
(13) : H = c (1 1
v
)
(14) : H
i
= c
i
(1
i
1
v
)
(15) : \ = \
c
+1
i
1
i
11
Se tienen:
Ecuaciones: 15
Variables: 27
: `
i
` c
i
c
j j
i
1 1
i
c
i
1
\ 1
i
1 l l
i
1
i
1
v
\ \
c
Q H H
i
1 1
i
GL=27 15 = 12
La matriz de funcionalidad es:
E\V m Mi M e i Q W i V F Fi E Ei U Ui Ws P Pi H Hi T Ti c ci Tr
1 D A A
2 D A A A A
3 A B B
4 A B B
5 A B B
6 B A B
7 B A B
8 B A B
9 A A
10 A A
11 B A B A
12 B A B A
13 A B B B
14 A B B B
15 A B B A B B
Aplicando los algoritmos de ordenamiento
MODELOS EN ESTADO TRANSITORIO 61
E\V ci Hi Ti Tr c H T Pi Ui i Ei P U E F Fi W Ws M Mi i m V e Q
1 A A D
2 A A A D A
14 B A B B
13 B B A B
12 A B A B
10 A A
11 A B A B
9 A A
15 B B B B A A
5 B B A
8 B B A
4 B B A
7 B B A
3 B A B
6 B B A
Observe que de la tabla de funcionalidad ordenada se encuentran las variables de diseo de
los conjuntos {c
i
. H
i
. 1
i
. 1
v
}, {c. H. 1}, {1
i
. l
i
. j
i
}, {1. l. j}, {1. 1
i
. \. \:}, {:. \ }. En este
caso se escogern, de manera prioritaria, las variables de diseo que tienen la funcionalidad
mayor (prioridad: 1, C, 1 y ). De esta manera, las variables de diseo seleccionadas sern
{c
i
. 1
i
. 1
v
. c. 1. 1
i
. j
i
. 1. j. 1. 1
i
. \:. \. Q}.
Aplicando la estrategia de sustitucin obtenida de la tabla de funcionalidad. Primero
se ordenaran las ecuaciones de acuerdo a como aparecen en la tabla y depes se harn las
sustituciones.
Ordenando las ecuaciones
(1) :
d:
dt
= `
i
`
(2) :
dc
dt
=
i
+Q+\
(14) : H
i
= c
i
(1
i
1
v
)
(13) : H = c (1 1
v
)
(12) : l
i
= H
i
1
i
,j
i
(10) : 1
i
= l
i
(11) : l = H 1,j
(9) : 1 = l (+1
j
+1
I
)
(15) : \ = \
c
+1
i
1
i
11
(5) : ` = j1
(8) : = `1
(4) : `
i
= j
i
1
i
(7) :
i
= `
i
1
i
62 MODELADO DE PROCESOS
(3) : : = j\
(6) : c = :1
Haciendo las susutituciones
(1) :
d (j\ )
dt
= j
i
1
i
j1
(2) :
d [j\ c (1 1
v
) \ 1]
dt
= j
i
1
i
c
i
(1
i
1
v
) j1c (1 1
v
) +Q+\
c
(14) : H
i
= c
i
(1
i
1
v
)
(13) : H = c (1 1
v
)
(12) : l
i
= c
i
(1
i
1
v
) 1
i
,j
i
(10) : 1
i
= c
i
(1
i
1
v
) 1
i
,j
i
(11) : l = c (1 1
v
) 1,j
(9) : 1 = c (1 1
v
) 1,j
(15) : \ = \
c
+1
i
1
i
11
(5) : ` = j1
(8) : = j1 (c (1 1
v
) 1,j)
(4) : `
i
= j
i
1
i
(7) :
i
= j
i
1
i
(c
i
(1
i
1
v
) 1
i
,j
i
)
(3) : : = j\
(6) : c = j\ (c (1 1
v
) 1,j)
En este sistema se deben resolver simultaneamente las ecuaciones (EDO) 1 y 2, las cuales
involucran 6 de las 14 variables de siseo {j. \. c. 1. 1
v
. 1} dentro de la derivada. De estas 6
variables se deben asignar 2 variables de estado para resolverse con las dos EDO. Lo natural
es asignar \ a la ecuacin 1 y 1 a la ecuacin 2. De esta manera, se deber investigar que
pasa con las otras 4 variables de las derivadas {j. c. 1
v
. 1}. De acuerdo al procedimiento se
sabe que c y 1
v
son constantes. Por otro lado, debido a que se tiene un sistema lquido, j y
1 se pueden considerar constantes, y en caso de no serlo se debern buscar expresiones de j
y 1 en funcin de \ y 1 (por ejemplo 1\ = :11).
De esta manera las variables de diseo seran {c
i
. 1
i
. 1
v
. c. 1
i
. j
i
. 1. j. 1. 1
i
. \:. Q}.
Tomando esto en cuenta y reacomodando las EDO se tiene
(1) :
d\
dt
=
j
i
j
1
i
1
(2) : \
d [jc (1 1
v
) 1]
dt
+ (jc (1 1
v
) 1)
d\
dt
: = j
i
1
i
c
i
(1
i
1
v
) j1c (1 1
v
) +Q+\
c
MODELOS EN ESTADO TRANSITORIO 63
La ecuacin 1 se sustituye en la ecuacin 2 y resulta
(1) :
d\
dt
=
j
i
j
1
i
1
(2) : \
d [jc (1 1
v
) 1]
dt
+ (jc (1 1
v
) 1)
j
i
j
1
i
1
: = j
i
1
i
c
i
(1
i
1
v
) j1c (1 1
v
) +Q+\
c
Simplicando
(1) :
d\
dt
=
j
i
j
1
i
1
(2) : \ jc
d1
dt
= j
i
1
i
[c
i
(1
i
1
v
) c (1 1
v
)] +1
j
i
j
1
i
1
+Q+\
c
Es prctica comn tomar la temperatura de referencia 1
v
igual a la temperatura de la
entrada 1
i
, por lo que 1
i
1
v
= 0, entonces
(1) :
d\
dt
=
j
i
j
1
i
1
(2) : \
d1
dt
=
j
i
1
i
j
(1 1
i
) +
1
jc
j
i
j
1
i
1
+
Q+\
c
jc
64 MODELADO DE PROCESOS
3. OPTIMIZACION
3.1. Bases Matemticas
Un problema de programacin matemtica u optimizacin, se puede establecer en forma
general como
Determinar r, el cual minimiza o maximiza , (r)
sujeto a
c
i
(r) = /
i
i = 1. 2. . . . . j (3.1)
d
i
(r) c
i
i = 1. 2. . . . . : (3.2)
donde r es un vector de diseo con : dimensiones, , (r) es la funcin objetivo; d
i
(r) son las
restricciones de desigualdad; c
i
(r) son las restricciones de igualdad, y c
i
y /
i
son constantes.
-10
-8
-6
-4
-2
0
2
y
-10 -8 -6 -4 -2 2 4 6 8 10
x
Los problemas de optimizacin se pueden clasicar con base en la forma de , (r) como
1. Programacin lineal.- Si , (r) y las restricciones son lineales.
2. Programacin cuadrtica.- Si , (r) es cuadrtica y las restricciones son lineales.
3. Programacin no-lineal.- Si , (r) es no-lineal y/o las restricciones son no-lineales.
OPTIMIZACION 65
Ademas cuando las ecuaciones (3.1) y/o (3.2) estan incluidas en el problema, tenemos
un problema de optimizacin restringida; de otra forma es un problema de optimizacin
no-restringida.
Otra manera de clasicar los problemas de optimizacin, depende del tipo de varibles r
que se tenga. Por ejemplo, un problema de optimizacin que involucre solamente variables
enteras, es decir variables que toman unicamente valores enteros, se denomina programacin
entera; un problema que involucra solamente variables reales se denomina de programacin
no-entera, mientras que uno que involucre tanto variables enteras como reales se denomina
programacin mixta-entera. En este curso trataremos nicamente con problemas de progra-
macin no-entera.
Una manera ms en la cual se clasican los problemas de optimizacin es mediante la
dimensionalidad, con lo cual se clasican los problemas en unidimensionales y multidimen-
sionales. Como su nombre lo indica, los primeros involucran funciones que dependen de una
sola variable, : = 1, mientras que los problemas multidimensionales involucran funciones
que dependen de dos o ms variables, : 2.
Finalmente, el proceso de encontrar un mximo versus encontrar un mnimo es en esencia
idntico, ya que el msmo valor, r
.
En los puntos crticos, la lnea tangente es horizontal por lo que la primera derivada debe
ser igual a cero
d, (r
)
dr
= ,
0
(r
) = 0 (3.3)
De esta manera los puntos crticos, se obtienen resolviendo para r
la ecuacin anterior.
Evaluando , (r) en los puntos crticos se puede determinar el valor mximo o mnimo de
, (r) sobre los valores preescritos de r
.
El encontrar los puntos crticos se puede realizar de diferentes maneras, las cuales se
explican a continuacin.
OPTIMIZACIN UNIVARIABLE: PROBLEMAS MAX-MIN 67
3.2.1. Mtodos Analticos
En este caso se tendr que disponer de la forma explcita de la funcin objetivo = , (r),
su primera derivada
oj
oa
= ,
0
(r) y la segunda derivada
o
2
j
oa
2
= ,
00
(r). De esta manera se
resolver para r
) 0 Mnimo
,
00
(r
) < 0 Mximo
,
00
(r
) = 0 Punto de Inexin
Cabe mencionar que cuando r
1
) desde 195 a 90
c
F, usando agua de
enfriamiento a 80
c
F. El agua cuesta $0.02,1000 lb, y los cargos jos anuales para el inter-
cambiador son $0.50,ft
2
de supercie interna, con un diametro de 0.0875ft. El coeciente de
transferencia de calor es l = 8
1t&
I)t
2
1
para un ujo de gas de 3000lb/h. Optimice los costos
del intercambiador suponiendo un intercambiador de tubos concntricos a contracorriente.
Ejemplo 3.2 Minimizar el costo de una caja de un volumen dado: Una caja de base
cuadrada en el fondo y domo se mantendr en 250 in
3
. Si el material de los lados tiene un
costo de $0.03 por in
2
mientras que el material para el fondo y el domo tiene un costo de
$0.08 por in
2
, determine las dimensiones de la caja para las cuales el costo es mnimo. cul
es el mnimo costo en pesos?
x
x
h
68 OPTIMIZACION
Ejemplo 3.3 Maximizar el rea de un rectngulo inscrito en una elipse: Determine las di-
mensiones (base y altura) del rectngulo de mayor rea inscrito en la elipse 4r
2
+9
2
= 36.
cual es el rea del rectngulo ms grande?
Ejemplo 3.4 Minimizar la Distancia desde (0,1) al punto en = r
2
: Encontrar el (los)
punto(s) en la parbola = r
2
que sea(n) ms cercano(s) al punto (0. 1).
3.2.2. Optimizacin por medio de Software (Excel)
Hoy en da es comn el uso de la computadora para resolver problemas por medio de
software especializado. En este apartado se explicar la manera en que se puede usar el
paquete de software Excel para resolver problemas de Optimizacin.
Excel cuanta con una herramienta de clculo llamada Solver. El Solver es un add-in a
Excel con el cual se pueden resolver sistemas de ecuaciones o bien se pueden resolver proble-
mas de optimizacin multivariable con restricciones. El punto clave para resolver problemas
de optimizacin con Excel es plantear la funcin objetivo y las restricciones (sobre todo las
de igualdad) adecuadamente sobre la hoja.
Para hacer uso de Solver sobre Excel se obtiene desde: Herramientas-Solver..., tal como
se muestra en la gura
OPTIMIZACIN UNIVARIABLE: PROBLEMAS MAX-MIN 69
De esta manera se obtiene la ventana del Solver
La ventana se llena de la manera siguiente:
La Celda objetivo es llenada con la celda de la hoja que contiene el clculo de la
Funcin Objetivo
En el Valor de la celda objetivo se escoje el tipo de problema que se desee trabajar:
Mximo, Mnimo o Solucin algebraica de un sistema de ecuaciones.
70 OPTIMIZACION
En Cambiando las celdas se llena con las celdas de la hoja que contienen los clculos
de la Variables de Diseo
En Sujetas a las siguientes restricciones se colocan todas las restriccions de igual-
dad y desiguladad que contiene el problema. Aqui tambien se puede especicar si las
variables son enteras y/o binarias.
En el botn de Opciones... se puede elegir el mtodo numrico de solucin y las
estrategias de convergencia.
Ahora se presentan algunos ejemplos
Ejemplo 3.5 Resolver el problema del Ejemplo 3.1 con Excel.
Ejemplo 3.6 Minimizar el costo de una caja de un volumen dado: Resolver el prob-
lema del Ejemplo 3.2 con Excel.
Ejemplo 3.7 Maximizar el rea de un rectngulo inscrito en una elipse: Resolver el prob-
lema del Ejemplo 3.3 con Excel.
Ejemplo 3.8 Minimizar la Distancia desde (0,1) al punto en = r
2
: Resolver el problema
del Ejemplo 3.4 con Excel.
3.2.3. Mtodos Grcos
En los casos en que se disponga de una funcin objetivo explcita = , (r), a menudo,
con su representacin grca, se puede determinar de forma aproximada la posicin de los
puntos crticos. Adems, se puede ver lo que esta pasando en los puntos crticos y determinar
cuales son mximos locales y cuales son mnimos locales.
Ejemplo 3.9 Encontrar de forma grca los puntos crticos de la funcin , (r) = 2 sinr
a
2
10
3.2.4. Mtodos Numricos
En caso de disponer solamente de forma explcita de la funcin objetivo = , (r), o
slo una aproximacin numrica de ella, es conveniente usar metodos numericos para la
optimizacin univariable. Dentro de estos mtodos destacan: seccin dorada, interpolacin
cuadrtica y newton.
OPTIMIZACIN UNIVARIABLE: PROBLEMAS MAX-MIN 71
Seccin Dorada
Este es un mtodo de intervalos cerrados. Supondremos que se maximiza una funcin
, (r).
El mtodo comienza con dos valores iniciales, r
|
y r
&
, que contienen un extremo local de
, (r). Despus, dos puntos interiores r
1
y r
2
se escogen de acuerdo con la razn dorada,
d =
5 1
2
(r
&
r
|
) = 0.618 03 (r
&
r
|
)
r
1
= r
&
d
r
2
= r
|
+d
La funcin se evala en estos dos puntos interiores. Dos resultados pueden ocurrir:
1. Si, como es el caso de la gura (a), , (r
1
) , (r
2
), entonces el dominio de r a la
derecha de r
2
(el intervalo entre r
2
y r
&
) se puede eliminar, ya que no contendr el
mximo. Para este caso, r
2
pasa a ser el nuevo r
&
, r
1
pasa a ser r
2
y r
|
seguir siendo
r
|
.
2. Si, como es el caso de la gura (b), , (r
2
) , (r
1
), entonces el dominio de r a la
izquierda de r
1
(el intervalo entre r
|
y r
1
) se puede eliminar, ya que no contendr el
mximo. Para este caso, r
1
pasa a ser el nuevo r
|
, r
2
pasa a ser r
1
y r
&
seguir siendo
r
&
.
Ahora, ste es le benecio real del uso de la razn dorada. Debido a que los r
1
y r
2
originales se han escogido mediante la razn dorada, no se tiene que recalcular los valores de
la funcin para la siguiente iteracin.
Como las iteraciones se repiten, el intervalo que contiene el extremo se reduce rpida-
mente. De hecho en cada vuelta el intrvalo se reduce por un factor de la seccin dorada
72 OPTIMIZACION
(aproximadamente el 61.8 %). Esto signica que despus de 10 vueltas el intrvalo se acorta
a 0.618
10
= 0.008 o 0.8 % de su longitud inicial.
Un criterio til para probar la convergencia en cada iteracin, esta denido en porcentaje
como
= 100
5
2
!
r
&
r
|
r
cjt
donde r
cjt
es el mejor valor de r
1
y r
2
en la iteracin actual.
Ejemplo 3.10 Use la bsqueda de la seccin dorada para encontrar el mximo de , (r) =
2 sin (r)
a
2
10
dentro del intervalo r
|
= 0 y r
&
= 4.
Mtodo de Interpolacin Cuadrtica
La interpolacin cuadrtica tiene la ventaja del hecho que un polinomio de segundo orden
con frecuencia proporciona una buena aproximacin a la forma de , (r) cercana a un ptimo.
as como existe slo una lnea recta para conectar dos puntos, hay nicamente una
cuadrtica o parbola para conectar tres puntos. De esta forma, si se tienen tres puntos
que juntos contienen un ptimo, se puede ajustar una parbola a los puntos. Despus se
puede diferenciar e igualar el resultado a cero, y resolver para una estimacin de la ptima
r. Se puede demostrar que despus de un manejo algebraico es
r
3
=
, (r
0
) (r
2
1
r
2
2
) +, (r
1
) (r
2
2
r
2
0
) +, (r
2
) (r
2
0
r
2
1
)
2, (r
0
) (r
1
r
2
) + 2, (r
1
) (r
2
r
0
) + 2, (r
2
) (r
0
r
1
)
donde r
0
, r
1
y r
2
son los valores que jan el extremo, y r
3
es el valor de r que corresponde
al mximo valor del ajuste cuadrtico a los valores iniciales. Despus de esta estimacin del
ptimo, se puede eliminar cualquiera de los tres puntos iniciales. Sin embargo, la manera ms
apropiada de reducir el espacio de bsqueda y obtener convergencia rpida, es eliminando el
punto que se encuentre ms alejado de r
3
.
Ejemplo 3.11 Use la interpolacin cuadrtica para aproximar el mximo de , (r) = 2 sin (r)
a
2
10
con valores iniciales r
0
= 0, r
1
= 1 y r
2
= 4.
OPTIMIZACIN UNIVARIABLE: PROBLEMAS MAX-MIN 73
Mtodo de Newton
Recuerde que el mtodo de Newton-Raphson es un mtodo abierto que encuentra la raiz
de r como una funcin tal que q (r) = 0. El mtodo se resume como
r
I+1
= r
I
q (r
I
)
q
0
(r
I
)
Se puede usar un planteamiento similar abierto para encontrar un ptimo de , (r) al
denir una nueva funcin q (r) = ,
0
(r).
As, como el valor ptimo r
satisface ambos
,
0
(r
) = q (r
) = 0
se puede usar lo siguiente
r
I+1
= r
I
q (r
I
)
q
0
(r
I
)
= r
I
,
0
(r
I
)
,
00
(r
I
)
como una tcnica para encontrar los puntos crticos de , (r). El mtodo de Newton es
abierto y similar al de Newton-Raphson porque no requiere de valores iniciales que encierren
el ptimo. Adems, tambin comparte la desventaja de poder ser divergente. Por ltimo, es
una buene idea vericar que la segunda derivada tenga usualmente el signo correcto para
conrmar que la tcnica converge sobre el resultado deseado.
Ejemplo 3.12 Use el mtodo de Newton para encontrar el mximo de , (r) = 2 sin (r)
a
2
10
con un valor inicial r
0
= 2.5.
74 OPTIMIZACION
3.3. Optimizacin Multivariable Sin Restricciones
Aqu se describen las tcnicas para encontrar el mnomo o mximo de una funcin de
varias variables. Recuerde que nuestra imagen visual de una bsqueda unidimensional fue
como una montaa rusa. Para el caso en dos dimensiones, la imagen es ahora como la de
montaas y valles (vase la gura). Para problemas de grandes dimensiones, no son posibles
imgenes adecuadas.
En el caso de problemas multidimensionales, los puntos crticos se encuentran en los
lugares en los que la derivada de la funcin , (r) con respecto a cualquier direccin r
i
( i = 1. 2. . . . . :) es exactamente igual a cero. Esto implica que en los puntos crticos el
gradiente de la funcin sea igual a cero
, (r) =
0
0a
1
0
0a
2
.
.
.
0
0a
, (r) =
0)(a)
0a
1
0)(a)
0a
2
.
.
.
0)(a)
0a
= 0
De esta manera, los puntos crticos son los valores de r que cumplen con las ecuaciones
anteriores.
3.3.1. Solucin Analtica
Aplicando directamente el gradiente.
Ejemplo 3.13 Localizar el mximo de
, (r. ) = 3.5r + 2 +r
2
r
4
2r
2
3.3.2. Solucin Numrica
Las tcnicas para la optimizacin multidimensional sin restricciones se pueden clasicar
de varias formas. Para propsitos del presente anlisis, se dividirn dependiendo de si se
requiere la evaluacin de la derivada. Los procedimientos que no requieren dicha evaluacin
se llaman mtodos no gradientes o directos. Aquellos que requieren las derivadas son llamados
mtodos gradientes o mtodos de descenso (o ascenso). Cuando el mtodo hace uso de la
segunda derivada (matriz hessiana) se conoco como mtodos de segundo orden.
Dentro de los mtodos directos se cuentan:
OPTIMIZACIN MULTIVARIABLE SIN RESTRICCIONES 75
1. Bsqueda aleatoria
2. Una variable a la vez
3. Mtodo simplex
4. Mtodo de Powell, etc.
Dentro de los mtodos gradientes se encuentran:
1. Mtodo del gradiente
2. Mtodo del gradiente conjugado (Fletcher-Reeves)
3. Mtodo cuasi-Newton
4. Mtodo de Marquardt, etc.
Dentro de los mtodos de segundo orden esta el mtodo de Newton.
En este curso, por falta de tiempo, solamente se estudiar el mtodo de Newton.
Mtodo de Newton
De acuerdo al metodo de newton univariable, , (r), se tiene
r
I+1
= r
I
,
0
,
00
Este resultado se puede extrapolar a una funcin de : variables independientes, , (A),
haciendo uso de la notacin matricial
A
I+1
= A
I
H (,)
1
,
Ejemplo 3.14 Realice dos iteraciones del mtodo Newton para localizar el mximo de
, (r. ) = 3.5r + 2 +r
2
r
4
2r
2
mediante los valores iniciales r = 0, = 0.
76 OPTIMIZACION
3.4. Optimizacin Multivariable Con Restricciones
El caso ms sencillo es el problema de programacin lineal que se estudia amplia-
mente en los cursos de Investigacin de Operaciones o Tcnicas de Planeacin. Casos ms
complicados se pueden resolver con multiplicadores de Lagrange. Aqu estudiaremos un
problema de programacin lineal que surge en los procesos de ingeniera qumica.
Ejemplo 3.15 Una planta qumica fabrica tres productos (1, 1, G) y utiliza tres materias
primas (, 1, C) en cantidad limitada. Cada uno de los productos es producido en diferente
proceso (1, 2, 3); un esquema de la planta se muestra en la gura.
1
2
3
A
G
F
E
B
C
Los materiales disponibles A, B y C pueden no ser consumidos totalmente. La informacin
del proceso es como sigue:
Proceso Reaccion Producto requerimientos* Costo Proces Precio venta prod
1 +1 1 1
2
3
,
1
3
1 1.5 c/lb E 4.0 c/lb E
2 +1 1 1
2
3
,
1
3
1 0.5 c/lb F 3.3 c/lb F
3 3+ 21 +C G G
1
2
,
1
6
1,
1
3
C 1.0 c/lb G 3.8 c/lb G
* cantidad en lb de reactivo por lb de producto
Mat. Prima Disponibilidad Costo
A 40000 lb/dia 1.5 c/lb
B 30000 lb/dia 2.0 c/lb
C 25000 lb/dia 2.5 c/lb
Formular el problema de optimizacin para maximizar el benecio total por dia en $/dia.
OPTIMIZACIN MULTIVARIABLE CON RESTRICCIONES 77
78 OPTIMIZACION
A. MODELOS DE OPERACIONES UNITARIAS
EN ASPEN+
La siguiente tabla es til para seleccionar el modelo apropiado para la operacin unitaria
deseada:
Tipo Modelo Descripcin
Mezcladores/Divisores Mixer Mezclador de corrientes
(Mixer/Spliters) FSplit Partidor de corrientes
SSplit Partidor de subcorrientes
Separadores Flash2 Flash de dos salidas
(Separators) Flash3 Flash de tres salidas
Decanter Decantador lquido-lquido
Sep Separador de componentes en multiples salidas
Sep2 Separador de componontes en dos salidas
Intercambiadores de calor Heater Calentador/enfriador
(Heat Exchangers) HeatX Intercambiador de calor de dos corrientes
MheatX Intercambiador de calor multicorriente
HxFlux Transferencia de calor entre una fuente y un consumidor de calo
Hetran Interface a Aspen Hetran de inter. de calor de concha y tubos
Aerotran Interface a Aspen Aerotran de inter. enfriados por aire
HTRI-Xist Interface al programa Xist
Columnas DSTWU Diseo de CD por mtodos cortos
(Columns) Distl Simulacin de CD por mtodos cortos
RadFrac Destilacin por mtodos rigurosos
Extract Extraccin lquido-lquido por mtodos rigurosos
MultiFrac Columnas complejas de destilacin por mtodos rigurosos
SCFrac Columnas de destilacin de petrleo por mtodos cortos
PetroFrac Columnas de destilacin de petrleo por mtodos rigurosos
RateFrac Destilacin rate-based"
BatchFrac Destilacin Batch por mtodos rigurosos
Reactores RStoic Reactor estequiomtrico
(Reactors) RYield Reactor de conversin
REquil Reactor de equilibrio
RGibbs Reactor de equilibrio
RCSTR Reactor continuo de tanque agitado
RPlug Reactor de ujo pistin
RBatch Reactor batch
MODELOS DE OPERACIONES UNITARIAS EN ASPEN+ 79
Cambiadores de presin Pump Bomba/Turbina hidrulica
(Pressure Changers) Compr Compresor/Turbina
MCompr Compresor/Turbina de multiefecto
Pipeline Cada de presin en tuberias nultisegmento
Pipe Cada de presin en tuberias unisegmento
Valve Cada de presin rigurosa en vlvulas
Manipuladores Mult Multiplicador de corriente
(Manipulators) Dupl Duplicador de corriente
ClChng Cambiador de clase de corriente
Analyzer Calculador de corriente
Feedbl Calculador de corriente
Selector Selector de corriente
Measurement Conector planta a modelo
Slidos Crystallizer Cristalizador para remover suspensiones en productos mezclados
(Solids) Crusher Molino de slidos
Screen Separador de slidos
FabFl Filtro de tejido
Cyclone Separador de cicln
VScrub Molino de venturi
ESP Precipitador electrosttico
HyCyc Hidrocicln
CFuge Filtro centrfugo
Filter Filtro rotario de vacio
SWash Lavador de slidos de simple efecto
CCD Decantador a contra-corriente
Modelos del usuario User, User2 Modelos de operaciones unitarias dados por el usuario en Fortra
(User models) User3 Subrutinas de acceso a aspen EO
Excel Spreads Hojas de Excel accesadas a traves de User2
ACM Hojas exportadas desde ACL o AD
CAPE-OPEN Operaciones unitarias COM desarrolladas en VB o C++
Hierarchy Estructura jerarquica
80 MODELOS DE OPERACIONES UNITARIAS EN ASPEN+