11.

Mtodos de superficie de
respuesta y otros enfoques para la
optimizacin de procesos
11-1

INTRODUCCION A LA METODOLOGIA DE SUPERFICIE DE RESPUESTA

La metodologa de superficies de respuesta, o MSR, es una coleccin de tcnicas matemticas y

estadsticas tiles en el modelado y el anlisis de problemas en los que una respuesta de inters
recibe la influencia de diversas variables y donde el objetivo es optimizar esta respuesta. Por
ejemplo, suponga que un ingeniero qumico quiere encontrar los niveles de temperatura (x 1 ) y
presin (x 2 ) que maximicen el rendimiento (y) de un proceso. El rendimiento del proceso es una
funcin de los niveles de la temperatura y la presin, por ejemplo,
y = f( x1, x2 )+

donde representa el ruido o error observado en la respuesta y. Si la respuesta esperada se

entonces a la superficie representada por
denota por
= f( x1, x2 )

se le llama superficie de respuesta.

Para ayudar a visualizar la forma de una superficie de respuesta, con frecuencia se grafican los
contornos de la superficie de respuesta. En la grfica de contornos se trazan las lneas de
respuesta constante en el plano x 1 , x 2 . Cada contorno corresponde a una altura particular de la
superficie de respuesta.
En la mayora de los problemas MSR, la forma de la relacin entre la respuesta y las variables
independientes es desconocida. Por lo tanto, el primer paso de la MSR es encontrar una
aproximacin adecuada de la verdadera relacin funcional entre y y el conjunto de variables
independientes. Por lo general se emplea un polinomio de orden inferior en alguna regin de las
variables independientes. Si la respuesta est bien modelada por una funcin lineal de las
variables independientes, entonces la funcin de aproximacin es el modelo de primer orden
(11-1)
Si hay curvatura en el sistema, entonces debe usarse un polinomio de orden superior, tal como el
modelo de segundo orden
(11-2)
En casi todos los problemas MSR se usa uno de estos modelos, o ambos. Desde luego, es probable
que un modelo polinomial sea una aproximacin razonable de la verdadera relacin funcional en
el espacio completo de las variables independientes, pero para una regin relativamente pequea
suelen funcionar bastante bien.
El mtodo de mnimos cuadrados se usa para estimar los parmetros de los polinomios de
aproximacin. Si la superficie ajustada es una aproximacin adecuada de la verdadera funcin de
respuesta, entonces el anlisis de la superficie ajustada ser un equivalente aproximado del
anlisis del sistema real. Los parmetros del modelo pueden estimarse de manera ms eficiente
cuando se emplean los diseos experimentales apropiados para recolectar los datos. Los diseos
para ajustar superficies de respuesta se denominan diseos de superficie de respuesta. Estos
diseos se revisan en la seccin 11-4.

Procedimiento Secuencial
La MSR es un procedimiento secuencial. Muchas veces, cuando se est en un punto de la
superficie de respuesta que est apartado del ptimo, el sistema presenta una curvatura
moderada y el modelo de primer orden ser apropiado. El objetivo en este caso es llevar al
experimentador de manera rpida y eficiente por la trayectoria del mejoramiento hasta la
vecindad general del ptimo. Una vez que se ha encontrado la regin del ptimo, puede
emplearse un modelo ms elaborado, como el de segundo orden, y llevarse a cabo un anlisis
para localizar el ptimo. El anlisis de una superficie de respuesta puede considerarse como "el
ascenso a una colina", donde la cima de sta representa el punto de la respuesta mxima. Si el
verdadero ptimo es un punto de respuesta mnima, entonces la situacin puede considerarse
como "el descenso a un valle".
El objetivo ltimo de la MSR es determinar las condiciones de operacin ptimas del sistema o
determinar una regin del espacio de los factores en la que se satisfagan los requerimientos de
operacin.
Se conducen experimentos sobre la trayectoria del ascenso ms pronunciado hasta que deja de
observarse un incremento adicional en la respuesta. Entonces puede ajustarse un nuevo modelo
de primer orden, determinarse una nueva trayectoria del ascenso ms pronunciado y el
procedimiento contina. En ltima instancia, el experimentador llegar a la vecindad del ptimo.
En general, la falta de ajuste del modelo de primer orden indica que se ha llegado a ella. En este
momento se realizan experimentos adicionales para obtener una estimacin ms precisa del
ptimo.
EJEMPLO 11-1
Un ingeniero qumico est interesado en determinar las condiciones de operacin que maximizan
el rendimiento de un proceso. Dos variables controlables influyen en el rendimiento del proceso:
el tiempo de reaccin y la temperatura de reaccin. El ingeniero opera actualmente el proceso con
un tiempo de reaccin de 35 minutos y una temperatura de 155F, que dan como resultado
rendimientos de cerca de 40%. Puesto que es improbable que esta regin contenga el ptimo, el
ingeniero ajusta un modelo de primer orden y aplica el mtodo del ascenso ms pronunciado.
El ingeniero decide que la regin de exploracin para ajustar el modelo de primer orden deber
ser (30,40) minutos de tiempo de reaccin y (150,160)F. Para simplificar los clculos, las variables
independientes se codificarn en el intervalo usual (-1,1). Por lo tanto, si ^ denota la variable
natural tiempo y 2 la variable natural temperatura, entonces las variables codificadas son
_ g, - 35
_ g2 -155
X
y
'~~~5~~
* 2~ 5
El diseo experimental se muestra en la tabla 11-1. Observe que el diseo usado para recabar
estos datos es un factorial 22 aumentado con cinco puntos centrales. Las rplicas del centro se
usan para estimar el error experimental y permitir la verificacin de la adecuacin del modelo de
primer orden. Adems, el diseo est centrado alrededor de las condiciones de operacin actuales
del proceso.
Es posible ajustar un modelo de primer orden a estos datos por el procedimiento de mnimos
cuadrados. Aplicando los mtodos para diseos de dos niveles se obtiene el siguiente modelo en
las variables codificadas:
= 40.44 + 0.775x1 + 0.325x2

Tabla 11-1

Datos del proceso para ajustar el modelo de primer orden

Variables Naturales
tiempo Temperatura
30
150
30
160
40
150
40
160
35
155
35
155
35
155
35
155
35
155

Variables
codificadas
x1
x2
-1
-1
-1
1
1
-1
1
1
0
0
0
0
0
0
0
0
0
0

Respuesta
y
39.3
40.0
40.9
41.5
40.3
40.5
40.7
40.2
40.6