Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Cap01 PDF
Cap01 PDF
Introduccin
Simulacin y Optimizacin
Cuando alguien tiene la responsabilidad de conducir un sistema dado, como por ejemplo: un
banco, una ciudad, y en especial una planta qumica, debe tomar continuamente decisiones
acerca de las acciones que ejecutar sobre el sistema. Estas decisiones deben ser tales que la
conducta resultante del sistema satisfaga de la mejor manera posible los objetivos planteados.
Para poder decidir correctamente es necesario saber cmo responder el sistema ante una
determinada accin. Esto podra hacerse por experimentacin con el sistema mismo; pero,
como qued de manifiesto en el ejemplo anterior, factores de costos, seguridad y otros hacen
que esta opcin generalmente no sea viable. A fin de superar estos inconvenientes, se
reemplaza el sistema original por otro sistema que, en la mayora de los casos, es una versin
simplificada. Este ltimo sistema, denominado modelo, es utilizado para llevar a cabo las
experiencias necesarias sin los inconvenientes planteados anteriormente. Al proceso de
experimentar con un modelo se denomina simulacin. Al dispositivo completo utilizado,
modelo y accesorios (sensores, registradores, indicadores, etc.), se llama simulador. Por
ejemplo, cuando se disea un puente es comn realizar estudios sobre una maqueta del mismo
a fin de determinar la frecuencia de resonancia, y evitar as que se destruya por accin del
viento. Es tambin prctica generalizada utilizar maquetas de aviones o de autos para realizar
estudios en tneles de vientos a fin de determinar caractersticas aerodinmicas. En la
industria qumica, las plantas pilotos son utilizadas para ensayar nuevos procesos antes de
implementarlos en las plantas reales.
Optimizacin
No
S Accin
Accin Es la mejor? y
Respuesta
Simulacin
Respuesta
Figura 1: Relacin entre optimizacin y simulacin.
Actualmente la simulacin presta un invalorable servicio en casi todas las reas posibles,
algunas de ellas son:
Procesos de manufacturas: Ayuda a detectar cuellos de botellas, a distribuir
personal, determinar la poltica de produccin.
Esta solucin analtica permite calcular fcilmente las nuevas races cuando se varan los
coeficientes del polinomio. Tambin, es claro que habr problemas cuando el argumento de la
raz cuadrada se haga negativo.
Sistemas
De todo lo planteado, es evidente que la definicin del sistema a analizar, y de sus
caractersticas, es de gran importancia para realizar exitosamente un estudio de simulacin.
Un sistema es una seccin de la realidad que es el foco primario de un estudio y est
compuesto de componentes que interactan con otros de acuerdo a ciertas reglas dentro de
una frontera identificada para el propsito del estudio. Un sistema puede realizar una funcin
que no es realizable por sus componentes individuales. El conjunto de actividades que se
llevan a cabo dentro de un sistema se denomina proceso. Un sistema puede ser o fsico o
simblico, slo uno de los dos. Las ciencias matemticas y lgicas trabajan con estos ltimos.
Los objetos o componentes que forman parte del sistema se denominan entidades, por
ejemplo: un auto est compuesto por un motor, ruedas, carrocera, etc. Estas entidades poseen
propiedades denominadas atributos, por ejemplo: la potencia del motor, y se relacionan entre
s a travs de relaciones o funciones. Estas relaciones pueden ser:
Estticas o estructurales: un auto posee cuatro ruedas.
Dinmicas o funcionales: un auto consume nafta si se enciende el motor.
Los valores asumidos por los atributos de las entidades en un momento dado determinan el
estado del sistema. El estado puede ser esttico o estacionario si se mantiene constante en el
Simulacin de Sistemas Qumicos. Introduccin. Enrique E. Tarifa. 7
tiempo; o por el contrario, puede ser dinmico o transitorio si evoluciona con el tiempo. Un
sistema puede presentar los dos tipos de conductas; generalmente, cuando inicia su
funcionamiento pasa por un estado dinmico y luego alcanza un estado estacionario o de
rgimen.
Los atributos tambin se denominan variables o parmetros (Figura 3). Los parmetros (P)
son atributos que se fijaron durante el diseo del sistema ya sea por el diseador o por la
naturaleza, por ejemplo: la cilindrada del motor, la aceleracin de la gravedad. Las variables
se clasifican a su vez en:
Variables de entrada o exgenas (U y D): Son fijadas por el medio ambiente del
sistema. Pueden ser manipulables si se fijan a voluntad, o no manipulables en caso
contrario. Un ejemplo del primer caso es la posicin del pedal del acelerador, y del
segundo caso es la velocidad del viento. Una variable de entrada no manipulable se
denomina perturbacin. Las variables manipulables ser representan con el vector U, y
las perturbaciones se representan con el vector D. La nica manera de actuar sobre el
sistema es a travs de las variables manipulables, por eso son utilizadas para controlar
el proceso.
Variables de salida (Y): Son las variables de estado, o combinacin de ellas, que son
medidas o traspasan la frontera del sistema; por ejemplo, la concentracin de los gases
de escape del automvil. Las variables de salida se representan con el vector Y. Es la
nica informacin que sale del sistema, por eso son utilizadas para supervisar el
proceso.
Variables internas: Son las variables del sistema que no son variables de entrada,
variables de salida, ni parmetros.
Variables de estado (X): Conforman el conjunto mnimo de variables internas del
sistema necesarias para describir completamente su estado interno en un momento
dado. Mientras las otras variables internas pueden ser determinadas a partir de los
parmetros y de las variables de entrada, para determinar el valor de las variables de
estado es necesario recurrir a la historia del sistema. Por ejemplo, la cantidad de dinero
dentro de un cajero automtico en un dado momento; es imposible determinar esta
cantidad a partir de tan slo los valores de otras variable para dicho momento porque
adems se deberan conocer cunto fue la cantidad inicial de dinero, cuntos clientes
llegaron, cunto retiraron o depositaron, etc. Las variables de estado se representan
con el vector X. Como se ver en el siguiente captulo, estas variables son de
fundamental importancia para modelar el sistema.
U
X Y
D
Fs,Ts
Ta
Fe,Te Tm
p
Wd
+
M,T U
V
-
Rc,W
I
Figura 4: Calentador elctrico.
X1 X2
P1 F1 F2 P2
Cv1 Cv2
Mg
X3
Ml F3 P3
Cv3
Figura 5: Equipo desgasificador.
Fa2, Ta2
Fw1, Tw1
Fa1, Ta1
Fw2, Tw2
M
Figura 6: Torre de enfriamiento.
Clasificacin de sistemas
Un sistema puede ser clasificado de acuerdo a lo predecible que sea su conducta en (Law and
Kelton, 1991):
Determinstico: Si el sistema no contiene ningn elemento aleatorio, es un sistema
determinstico. Es decir, las relaciones funcionales entre las variables del sistema estn
Simulacin de Sistemas Qumicos. Introduccin. Enrique E. Tarifa. 11
perfectamente definidas. En este tipo de sistema, las variables de salidas e internas
quedan determinadas al especificar las variables de entrada, los parmetros y las
variables de estado. El calentador elctrico estudiado es un sistema determinstico.
Estocstico: En este caso, algn elemento del sistema tiene una conducta aleatoria.
Entonces, para entradas y estado conocidas no es posible determinar con seguridad los
valores de salida. Un ejemplo de sistema estocstico es una mquina tragamonedas en
la cual una misma accin (tirar la palanca) genera un resultado incierto (ganar o
perder). En el mundo real, los sistemas siempre tienen elementos estocsticos ya sea
por su propia naturaleza o porque son fenmenos no comprendidos actualmente; por
ejemplo, a un caverncola le poda parecer que los eclipses eran fenmenos aleatorios,
hoy ellos son predichos. Sin embargo, se puede considerar a un sistema real con un
sistema determinstico si su incertidumbre es menor que un valor aceptado. Las
personas son sistemas estocsticos; por lo tanto, todo sistema que involucre personas
es estocstico tambin. Por ejemplo: un banco, un hospital, etc.
T Tv
x
Figura 8: Intercambiador de calor de doble tubo.
Clasificacin de modelos
Como ya fue planteado, un modelo es tambin un sistema; por lo tanto, valen todas las
definiciones y clasificaciones que se establecieron anteriormente. Debido a que un modelo es
una simplificacin o abstraccin de un sistema real, no es necesario, salvo en los aspectos
relevantes, que el modelo guarde una total correspondencia con el sistema real. Entonces,
habr casos en que ser conveniente utilizar un modelo discreto para modelar un sistema
continuo (por ejemplo, la integracin numrica de una funcin utilizando la regla del
trapecio), o utilizar un modelo estocstico para modelar un sistema determinstico (por
ejemplo, la integracin numrica por simulacin de Monte Carlo), y todas las combinaciones
posibles.
Modos de simulacin
Como ya se plante anteriormente, cuando se simula se experimenta con un modelo para
obtener ciertos resultados. Un modelo es tambin un sistema por derecho propio, y de acuerdo
a sus variables de salida el modo de simulacin ser (Figura 9):
Anlisis: Es el modo ms empleado, en l las variables de salida del modelo
representan a las variables de salida del sistema real. Este modo se utiliza para estimar
la respuesta del sistema real ante entradas y parmetros especificados. Debido a que
imita un sistema que realmente funciona, el modelo es matemticamente ms estable y
se asegura la existencia de una solucin. Por ejemplo, dado un intercambiador de calor
(esto es, se conoce el rea, la cantidad de pasos por tubos y coraza, los materiales, etc.)
y conocidas las condiciones de las corrientes de entrada, se determinarn las
condiciones de las corrientes de salida.
Diseo: En este modo las salidas del modelo representan a los parmetros del sistema
real. Se utiliza en la etapa de diseo de un equipo donde el problema es determinar los
parmetros para los cuales el sistema producir las salidas deseadas para las entradas
especificadas. Por ejemplo, para el intercambiador de calor, se determinarn las
dimensiones y tipo de intercambiador para que, conocidas las corrientes de entrada, las
corrientes de salida alcancen las condiciones deseadas.
Control: Las variables de salida del modelo representan a las variables de entrada del
sistema real. Este modo sirve para determinar los valores que debern adoptar las
entradas del sistema para producir los resultados deseados. Se utiliza cuando se desea
determinar las condiciones de operacin de un sistema para obtener determinada
conducta. Por ejemplo, se determinarn las condiciones de las corrientes de entrada de
un intercambiador de calor dado para que las corrientes de salidas alcancen las
condiciones deseadas.
U U U
X Y X Y X Y
D D D
Emulacin de modos
Por lo general, los simuladores se operan en modo anlisis dejando al usuario la tarea de iterar
para obtener los resultados provistos por los otros modos. El modo diseo puede ser emulado
iterando con los parmetros hasta conseguir las salidas deseadas (Figura 10). Por ejemplo,
para determinar el rea de un intercambiador de calor conocidas las corrientes de entradas y
especificadas las condiciones de las corrientes de salida (modo diseo), se pueden realizar
varias simulaciones en modo anlisis para un conjunto de valores de rea, y se seleccionar el
rea que produzca las condiciones deseadas para las corrientes de salida. De esta manera, se
emul una simulacin modo diseo a travs de varias simulaciones en modo anlisis.
Proponer
No
P P S
Y*=Y? P
U
D
X Y
= U
D
X Y*
En forma similar, si lo que se desea es emular una simulacin en modo control, entonces se
deber iterar variando las condiciones de entrada hasta comprobar que las condiciones de las
salidas sean las deseadas (Figura 11). Para el caso del intercambiador de calor, el problema de
control es determinar a qu temperatura debe ingresar la corriente fra para que el
intercambiador de calor considerado sea capaz de producir la temperatura de salida deseada.
Para ello se iterar variando la temperatura de entrada, para cada valor se realizar una
simulacin en modo anlisis; si la temperatura de salida no es la deseada, se probar con otro
valor de temperatura de entrada. Este ciclo se repetir hasta encontrar el valor de la
temperatura de entrada que produce la temperatura de salida requerida.
U
D
X Y
= U
D
X Y
*
Modelado
Modelado es el proceso de construccin de un modelo. Un modelo es una representacin de
un objeto, sistema, o idea. Usualmente, su propsito es ayudar explicar, entender o mejorar un
sistema (Shannon, 1988). Los modelos son tiles para:
El pensamiento: Al construir un modelo necesariamente se debe ordenar y completar
el conocimiento que del sistema real se posee.
La comunicacin: Un modelo elimina la ambigedad del lenguaje para comunicarse
con expertos.
La prediccin: Un modelo sirve para predecir la conducta del sistema real. El modelo
de la teora de la relatividad predice, sin hacer una simulacin, que no es posible
superar la velocidad de la luz.
El modelado es un arte. Cualquier conjunto de reglas para desarrollar modelos tiene una
utilidad limitada y slo puede servir como una gua sugerida. El arte de modelar consiste en la
habilidad para analizar un problema, resumir sus caractersticas esenciales, seleccionar y
modificar las suposiciones bsicas que caracterizan al sistema, y luego enriquecer y elaborar
el modelo hasta obtener una aproximacin til. Los pasos sugeridos para este proceso son:
1. Establecer una definicin clara de los objetivos.
2. Analizar el sistema real.
3. Dividir el problema del sistema en problemas simples.
4. Buscar analogas.
5. Considerar un ejemplo numrico especfico del problema.
6. Determinar las variables de inters.
7. Escribir los datos obvios.
8. Escribir las ecuaciones tericas o empricas que describen los fenmenos presentes y
relacionan las variables de inters.
9. Si se tiene un modelo manejable, enriquecerlo. De otra manera, simplificarlo.
A fin de ejemplificar las etapas de modelado citadas, considere que se desea construir un
modelo para determinar el tiempo y la velocidad de contacto con el suelo de un paracaidista
(Figura 12). El objetivo ya est planteado. El sistema ser el paracaidista. Las caractersticas
esenciales sern la velocidad de descenso, la altura, el tiempo, etc.
Si se trata de un problema de cada libre, la velocidad final de contacto con la tierra ser:
v f = 2 g h0 (4)
Para una altura inicial h0 = 1000 m, la velocidad final ser vf = 140 m/s o 504 km/h. Este
ejemplo numrico sugiere que sera muy conveniente exigir el pago del trabajo de simulacin
al paracaidista mientras est todava en el avin (con vida), o revisar todo el anlisis anterior.
Debido a que se sabe que los paracaidistas por lo general sobreviven a su primer salto,
entonces es evidente que se cometi un error en el modelado. En efecto, el error fue descartar
la friccin. La misma fue descartada porque los efectos trmicos por ella generados eran
despreciables. Sin embargo, no se puede despreciar el efecto de frenado representado por la
fuerza de friccin Fr.
Como se pudo apreciar, el error cometido tuvo un gran impacto en el resultado. El riesgo de
cometer errores de este tipo aumenta con la complejidad del sistema analizado. Es por eso
siempre recomendable plantear algn ejemplo numrico para ser juzgado junto a personas que
conocen profundamente el sistema en estudio.
Se podra pensar que sera recomendable considerar todos los fenmenos involucrados a fin
de no cometer el error de descartar algn fenmeno importante. Sin embargo, esto
complicara innecesariamente el modelo, aumentando el riesgo de cometer errores en la
siguiente etapa: la resolucin del modelo.
Para terminar, se determinarn las variables que representan a las caractersticas esenciales: v,
Fr, h0, etc. y se formularn las ecuaciones que vinculan dichas variables, como por ejemplo:
Debido a que se trata de un sistema determinstico continuo, el modelo est constituido por un
conjunto de ecuaciones diferenciales y un conjunto de ecuaciones algebraicas. Las variables
de estado, v y h, figuran en el miembro izquierdo de las ecuaciones diferenciales. Para poder
resolver este modelo es necesario especificar el valor de v y h en algn momento. Si las
variables se especifican en para t = 0, se tiene un problema de valores iniciales. Este tipo de
modelos y de problemas sern objetos de estudio de los siguientes captulos.
Un ejemplo simple se presenta cuando se desea determinar el espacio recorrido por un cuerpo
mvil a velocidad constante en funcin del tiempo. Para una velocidad dada, se puede
construir una grfica de espacio vs. tiempo a partir de medidas experimentales. Esta grfica
slo podr emplearse para el caso en que la velocidad del mvil sea idntica a aquella que se
utiliz en los experimentos. Adems, slo proveer informacin para los tiempos que
pertenezcan al intervalo de experimentacin. Estos problemas no se presentan si se utiliza un
modelo terico simple: e = v.t; en este caso, slo es necesario determinar la velocidad a partir
de slo dos datos disponibles, y la frmula podr luego ser utilizada ms all del rango de
tiempo medido.
Para el calentador de agua se puede construir un modelo experimental que permita estimar el
tiempo de calentamiento requerido para calentar una cantidad dada de agua hasta una
temperatura deseada. Para ello ser necesario medir la temperatura Tmi en N determinados
instantes ti. Esta tabla de datos experimentales puede ser utilizada directamente para estimar
por interpolacin el tiempo requerido para alcanzar una temperatura dada.
Una alternativa ms avanzada es ajustar grficamente una curva t vs. Tm, o ajustar
matemticamente con el criterio de mnimos cuadrados los coeficientes a de un polinomio
P(a,t) resolviendo el siguiente problema de optimizacin:
N
Min (P(a, Tmi ) ti )
2
(6)
a
i =1
Luego, el tiempo requerido para alcanzar una temperatura especificada ser dado por este
polinomio ya ajustado.
Un problema del modelo anterior es que se torna totalmente intil cuando se cambia la
cantidad de agua en el recipiente. Este problema puede ser resuelto incorporando la variable
M al modelo; pero se requerirn nuevos datos experimentales para distintos valores de M. La
incorporacin de ms variables puede llegar a hacer necesario que se reemplace el polinomio
por un modelo ms potente como por ejemplo una red neuronal. Otro problema es que el
modelo no puede ser utilizado para temperaturas que estn fuera del intervalo de las
temperaturas de los datos experimentales. Un modelo con base terica requerira mucho
menos experimentos, o quizs ninguno, y el rango de temperatura posibles sera mayor.
Todos los modelos de caja negra se plantean a partir de datos experimentales. Si los errores de
los datos experimentales son despreciables y si se pueden despreciar tambin los errores de
una interpolacin lineal o cuadrtica dentro del los intervalos de la muestra; entonces, es
posible utilizar como modelo directamente la tabla de datos experimentales. El error de los
datos se puede despreciar cuando se emplearon tcnicas experimentales precisas y exactas, y
fueron procesados estadsticamente. Si adems, el intervalo entre datos es pequeo o la
relacin entre las variables es lineal (determinada sta a partir de un grfico), se puede asumir
que el error de la interpolacin lineal ser despreciable. Entonces, si la tabla contiene datos
del tipo (x, y), para un x dado que no figure en la tabla pero que est dentro del rango de la
misma se estimar el correspondiente y utilizando una interpolacin lineal o cuadrtica.
En la interpolacin lineal se utiliza la lnea recta que pasa por los dos puntos ms cercanos al
punto que se desea evaluar. Por ejemplo, si dichos puntos son (xa,ya) y (xb,yb). La lnea recta
a utilizar para determinar el valor y correspondiente a un valor x del intervalo [xa,xb] ser
y = a x + b. Los coeficientes a y b se obtienen de resolver el siguiente sistema de ecuaciones
que plantea que la recta debe pasar por los puntos datos:
ya = a xa + b
(7)
yb = a xb + b
En la interpolacin cuadrtica se utiliza la parbola que pasa por los tres puntos ms cercanos
al que se desea evaluar. Por ejemplo, si dichos puntos son (xa,ya), (xb,yb) y (xc,yc). La
parbola a utilizar para determinar el valor y correspondiente a un valor x del intervalo [xa,xc]
ser y = a x2 + b x + c. Los coeficientes a, b y c se obtienen de resolver el siguiente sistema de
ecuaciones que plantea que la parbola debe pasar por los puntos datos:
ya = a xa 2 + b xa + c
yb = a xb 2 + b xb + c (8)
yc = a xc + b xc + c
2
s.a :
N (9)
( yi P(M , a, xi ))2
S2 = i =1
N M 1
donde se desea ajustar los coeficientes a y el orden M del polinomio P que es funcin de x
para que los valores devueltos minimicen la varianza de los errores de una muestra con N
puntos experimentales (xi,yi).
Este problema puede ser resuelto con la utilidad Solver de la planilla de clculo Excel. Por
ejemplo, dada la siguiente tabla de datos:
xi yi
0 8
1 14
4 80
9 385
10 485
14 945
15 1095
El primer paso es ingresar la misma en la planilla. Luego se deben escribir las frmulas
apropiadas para la funcin que se desea ajustar y para el clculo del error. La Figura 13
muestra estos pasos cuando se desea ajustar la lnea recta y = a x + b. Note la utilizacin del
signo $ (referencia absoluta) para referirse a las celdas de los coeficientes. De este modo se
asegura que cuando se copien las frmulas, siempre se referirn a las celdas correctas.
Ingresadas los datos y las frmulas, el siguiente paso es copiar las frmulas y dar valores
iniciales a los coeficientes. Para ello es conveniente construir un grfico que muestre tanto los
datos experimentales como los correspondientes al polinomio. Se debe variar manualmente
los coeficientes hasta obtener un ajuste aceptable (Figura 14). Esta etapa puede obviarse, pero
se corre el riesgo de incrementar los clculos necesarios que posteriormente deber realizar
Solver para llegar a la solucin, o incluso existir el riesgo de no arribar a la solucin correcta.
Luego de aceptar los valores propuesto por Solver, en las celdas de los coeficientes quedarn
Simulacin de Sistemas Qumicos. Introduccin. Enrique E. Tarifa. 21
los valores que minimizan el error; mientras el grfico mostrar el grado de concordancia
entre las figuras correspondientes a los datos de la tabla y al polinomio (Figura 16). Para el
caso en estudio, la lnea recta determinada es: P(x) = 71.2 x - 108.7.
El procedimiento descrito no se limita a ajuste de polinomios, sino que puede ser aplicado en
forma directa para ajustar cualquier tipo de funcin, y puede ser extendido con ligeras
modificaciones al ajuste de funciones con mltiples variables. Cuando la funcin que se desea
ajustar es un polinomio o una funcin exponencial, y slo existe una sola variable
independiente, es ms cmodo trabajar con la utilidad lnea de tendencia de Excel. Para ello
basta con ubicar el cursor sobre la curva de datos y seleccionar Agregar lnea de tendencia
del men contextual (se habilita con el botn derecho del mouse). Si se selecciona la opcin
Presentar ecuacin en el grfico, la ecuacin correspondiente ser incluida en el grfico.
Las siguientes tablas muestran los resultados obtenidos cuando se ajustaron polinomios de
orden 0 a 4. El orden 4 se realiz slo como verificacin. Como puede apreciarse, el mejor
ajuste se obtiene con el polinomio de orden 2. La Figura 17 muestra el ajuste lineal y
cuadrtico realizado para estos datos.
xi yi P(xi) (P(xi)-yi)2
0 8 430.285713 178325.223 a= 430.29
1 14 430.285713 173293.794
4 80 430.285713 122700.08
9 385 430.285713 2050.79576
10 485 430.285713 2993.65325
xi yi P(xi) (P(xi)-yi)2
0 8 -108.716392 13622.7163 a= 71.19
1 14 -37.5274306 2655.0761 b= -108.72
4 80 176.039455 9223.57691
9 385 531.984264 21604.3739
10 485 603.173226 13964.9114
14 945 887.929073 3257.09065
15 1095 959.118035 18463.9083
(P(xi)-yi)2 = 82791.6535
2
S = 16558.33
xi yi P(xi) (P(xi)-yi)2
0 8 10.0872009 4.35640772 a= 5.00
1 14 12.2130497 3.19319146 b= -2.87
4 80 78.5633996 2.06382077 c= 10.09
9 385 389.056662 16.4565037
10 485 481.141716 14.8863562
14 945 949.436606 19.6834699
15 1095 1091.499 12.2570268
(P(xi)-yi)2 = 72.8967766
2
S = 18.22
xi yi P(xi) (P(xi)-yi)2
0 8 8.74519553 0.55531638 a= 0.02
1 14 12.6470264 1.83053753 b= 4.62
4 80 80.8057072 0.64916416 c= -0.74
9 385 388.397437 11.5425803 d= 8.75
10 485 479.887368 26.1390075
14 945 948.983835 15.8709448
15 1095 1092.52686 6.11643007
(P(xi)-yi)2 = 62.7039808
2
S = 20.90
xi yi P(xi) (P(xi)-yi)2
0 8 9.03207003 1.06516856 a= 0.00
1 14 12.2682245 2.99904626 b= -0.03
4 80 80.8087961 0.6541512 c= 5.01
9 385 388.71443 13.796989 d= -1.75
10 485 479.816645 26.8671729 e= 9.03
14 945 948.395223 11.5275423
15 1095 1092.95794 4.17000636
(P(xi)-yi)2 = 61.0800766
2
S = 30.54
1200
1000
800
y = 71.18x - 108.72
600 yi
y Ajuste lineal
400
Ajuste cuadrtico
200
y = 5x2 - 2.87x + 10.09
0
0 5 10 15 20
-200
x
Si no es posible ajustar los datos experimentales utilizando un polinomio, una funcin o una
tabla; entonces, puede ser conveniente recurrir a un modelo ms complejo como es el caso de
una red neuronal. Las mismas son utilizadas para modelar sistemas con mltiples variables y
fuertemente no lineales.
Para terminar, se presenta a continuacin la determinacin de una curva de ajuste para el agua
pura y para la salmuera de agua de mar. Para la primera, se utiliza la correlacin de Andrade:
a
+c
w = e T +b (10)
donde las constantes a, b y c se determinan realizando un ajuste con los datos experimentales.
La Tabla 7 muestra los datos experimentales (w) y los valores de la funcin de ajuste con sus
constantes ajustadas. A fin de obtener la mayor precisin posible, luego de un primer ajuste se
repite el proceso; pero esta vez, los valores iniciales de los coeficientes son los recomendados
Simulacin de Sistemas Qumicos. Introduccin. Enrique E. Tarifa. 24
por el primer ajuste, y la funcin objetivo es la celda que contiene la suma de los errores al
cuadrado multiplicada por un nmero grande, por ejemplo: 1000.
La Figura 18 muestra la planilla de Excel con los datos experimentales (fm) y las frmulas
que se utilizaron para realizar el ajuste (fm(X,T)). Para ello se utiliz el Solver de una forma
similar a la explicada anteriormente. El nico cambio realizado es la disposicin de los datos
y de los valores estimados por la funcin de ajuste; en lugar de estar en columnas, estn en
tablas debido a que ahora son dos las variables independientes (X y T). Este cambio se tiene
en cuenta tambin cuando se realiza la suma de los errores al cuadrado, ahora la suma se
realiza tomando a todos los elementos de la tabla de errores al cuadrado. Note de nuevo la
utilizacin del signo $ para realizar referencia absolutas hacia los coeficientes y hacia los
valores de las variables independientes. La Tabla 8 contiene los datos experimentales y los
valores de la funcin de ajuste con sus constantes d y e ya ajustadas.
fm(X,T)
T[C]/X 0.02 0.03 0.04 0.05 0.06 0.07
20 1.05 1.07 1.09 1.12 1.14 1.16 d= 7.52E-03
30 1.05 1.07 1.10 1.12 1.14 1.17 e= 2.18
40 1.05 1.07 1.10 1.12 1.15 1.17
50 1.05 1.08 1.10 1.13 1.15 1.18
60 1.05 1.08 1.11 1.13 1.16 1.18
70 1.05 1.08 1.11 1.14 1.16 1.19
80 1.06 1.08 1.11 1.14 1.17 1.19
90 1.06 1.09 1.11 1.14 1.17 1.20
Errore2
T[C]/X 0.02 0.03 0.04 0.05 0.06 0.07
20 0.00 0.00 0.00 0.00 0.00 0.00
30 0.00 0.00 0.00 0.00 0.00 0.00
40 0.00 0.00 0.00 0.00 0.00 0.00
50 0.00 0.00 0.00 0.00 0.00 0.00
60 0.00 0.00 0.00 0.00 0.00 0.00
70 0.00 0.00 0.00 0.00 0.00 0.00
80 0.00 0.00 0.00 0.00 0.00 0.00
90 0.00 0.00 0.00 0.00 0.00 0.00
Suma= 0.00
Bibliografa
Banks J., Carson J.S., Nelson B.L, 1996, Discrete-Event System Simulation. Second
Edition., Prentice-Hall, New Jersey.
Shannon R.E., 1988, Simulacin de Sistemas. Diseo, desarrollo e implementacin, Trillas,
Mxico.
Law A.M., Kelton W.D., 1991, Simulation Modeling & Analysis, Second Edition,
McGraw-Hill, New York.