ESPECIALIZACION EN AUTOMATIZACION INDUSTRIAL

UNIVERSIDAD AUTONOMA DE BUCARAMANGA UNAB

UNIVERSIDAD DE IBAGUE

En la figura se observa el esquema de un reactor de tanque agitado CSTR (Continuos Stirred Tank
Reactor). En el reactor tiene lugar una reaccin qumica que convierte de manera irreversible el
componente A (reactante) en un componente B (producto final). La capacidad del tanque donde ocurre la
2
reaccin es de VMax = 120 litros y su rea es de A = 0.2 m .

Fig. 2 Tanque agitado CSTR

El reactante entra al reactor con un flujo q(t), una temperatura T0 = 350 K, una concentracin de
producto A de Cao = 1 mol/L. El reactor tiene un volumen instantneo V(t), una temperatura T(t) y una
concentracin de producto A Ca(t). El fluido deja el reactor con un caudal qo(t), una concentracin y una
temperatura igual a las que existen en el reactor. Como la reaccin es exotrmica el sistema requiere
refrigeracin para controlarla. Se utiliza un serpentn con agua a una temperatura T C0 = 350 K y un flujo
qc(t) que es utilizado para controlar la temperatura del reactor.
E

Ca (t ) q(t )
Ca 0 Ca (t ) k0Ca (t )e RT (t )

t
V (t )
k
E
3

T (t ) q(t )
T0 T (t ) k1Ca (t )e RT ( t ) k 2 qC (t ) 1 e qc ( t ) TC 0 T (t )

t
V (t )
V (t )

V (t )
q(t ) k4 V (t )
t
Parmetro
K0
K4
E/R
T0
TC0

Cp, Cpc

, C
ha

Descripcin
Constante de velocidad de reaccin
Constante de la vlvula de salida del tanque
Energa de activacin
Temperatura del flujo de reactante
Temperatura del lquido refrigerante
Calor de reaccin
Calores especficos

Valor Nominal
10
-1
7.2*10 min
3/2
10 L/(minm )
4
1*10 K

Densidad de los lquidos

Coeficiente de transferencia de calor

1*10 g/L
5
7*10 cal/min/K

350 K
5

-2*10 cal/mol
1 cal/g/K
3

Cao

k1

Concentracin del producto A en al alimentacin del reactor

1 mol/L

C
ha
HK 0
, k 2 C PC , k 3
.
CP
C C PC
CP

1. Dado el punto de operacin para el tanque CSTR,

,
y
., aplique dos seal aleatorias que oscilen entre
,
alrededor de
, y registre el comportamiento de la temperatura. Denomine los primeros datos
dat_identificacion y los segundos dat_test

Datos de Identificacin 1 Recuadro

Datos de Validacin
2 Recuadro

-5

50

100

150

200

250

300

350

400

450

500

50

100

150

200

250

300

350

400

450

500

-5

2.

A partir de la funcin narxnet de la toolbox Neural Network de Matlab, entrene una red neuronal de
forma que caracterice la respuesta transitoria del sistema (arquitectura serie paralelo), para lo cual
utilice el archivo dat_identificacion. Configure una funcin de activacin tipo tangente hiperblica para
la capa oculta.

Parmetros de configuracin
Entradas a la red neuronal u[n-k] y y[n-k]
Nmero de neuronas de la capa oculta
Funcin de entrenamiento
Nmero de iteraciones

Error medio cuadrtico

Mnimo valor del gradiente de la funcin de optimizacin
Valor inicial de la taza de aprendizaje
Factor de decrecimiento de la taza de aprendizaje
Factor de crecimiento de la taza de aprendizaje
Mximo valor de la taza de aprendizaje
Mximo nmero de control de validacin
Mtodo para seleccionar los datos de entrenamiento y validacin
Porcentaje del nmero de datos de entrenamiento
Porcentaje del nmero de datos de validacin

Resultados de la etapa de entrenamiento

Error medio cuadrtico - Datos de entrenamiento
Error medio cuadrtico - Datos de validacin
Respuesta transitoria (Datos experimentales Modelo estimado)
3.

Retroalimente la salida de la red neuronal utilizando la funcin closeloop de la toolbox Neural

Network de Matlab y valide el modelo a partir del archivo dat_test
Respuesta transitoria (Datos experimentales Modelo estimado)
Error medio cuadrtico (Datos de test)
Nota. Si error medio cuadrtico de la etapa de test no es cercano al error medio cuadrtico definido
para la etapa de entrenamiento o la respuesta del modelo ante entrada cero no es cercana a cero,
repita el numeral siete.

4.

De la toolbox ident de Matlab, seleccione la opcin Nonlinear Models e identifique el mejor modelo
NARX que se ajusta a la dinmica de la temperatura del tanque CSTR. Para la validacin del modelo
analice los siguientes grficos:
-

Blancura de los residuales

Correlacin entre la entrada y los residuales
Comparacin entre los datos simulados y experimentales
Incluye bloque lineal (Si/No)
Retardos de la entrada
Retardos de la salida
Funcin no lineal
Nmero de unidades del bloque no lineal

Si
2
2

Seal_1
MODELO NO
LINEAL

RESPUESTA
ENTRADA
ESCALN
UNITARIO

BEST FIT

AUTOCORREL
ACIN
RESIDUALES

Nonlinear ARX model with 1 output and 1 input

Inputs: u1
Outputs: y1

Seal_2
CORRELACIN
DE LOS
RESIDUALES
CON LA SEAL
DE ENTRADA

BEST FIT

AUTOCORRELA
CIN
RESIDUALES

CORRELACI
N DE LOS
RESIDUALES
CON LA
SEAL DE
ENTRADA

Standard regressors corresponding to the orders

na = 2, nb = 2, nk = 2
No custom regressor
Nonlinear regressors:
y1(t-1)
y1(t-2)
u1(t-2)
u1(t-3)
Nonlinearity: wavenet with 25 units
Loss function: 8.4648e-07
Sampling interval: 0.01
Estimated by PEM
onlinear ARX model with 1 output and 1 input
Inputs: u1
Outputs: y1
Standard regressors corresponding to the orders
na = 3, nb = 2, nk = 3
No custom regressor
Nonlinear regressors:
y1(t-1)
y1(t-2)
y1(t-3)
u1(t-3)
u1(t-4)
Nonlinearity: wavenet with 13 units
Loss function: 8.4823e-07
Sampling interval: 0.01
Estimated by PEM
Created:
21-Nov-2014 20:48:44
Last modified: 21-Nov-2014 20:51:31
5.

Compare la respuesta transitoria de los dos modelos de caja negra con el modelo de caja blanca,
ante diferentes valores de la variable de control.

6.

Conclusiones