Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Parai=12 (Nro.)
Tabla Nro. 3: Variables reales y codificadas con base a un diseo Central Compuesto
Variables reales Variables Codificadas Respuesta
Nro. x1 x2 x1 x2 Y
Corridas
AxialesPuntos CentralesPuntos factorialesPuntos
1 80 140 -1 -1 85
2 80 150 -1 1 87
3 100 140 1 -1 88
4 100 150 1 1 89
5 90 145 0 0 85
6 90 145 0 0 87
7 90 145 0 0 87
8 90 145 0 0 87
9 90 145 0 0 87
10 76 145 -1,41 0 87
11 104 145 1,41 0 88
12 90 138 0 -1,41 87
13 90 152 0 1,41 89
Paso 1
En esta fase se procedi a realizar el estudio estadstico correspondiente para
verificar si las variables resultan significativas en la respuesta.
Se gener un modelo de primer orden, utilizando los puntos factoriales y axiales
respectivamente, obtenindose los siguientes resultados:
Response: y
Df SumSq MeanSq Fvalue Pr(>F)
FO(x1, x2) 2 8.5000 4.2500 5.8049 0.06566
Residuals 4 2.9286 0.7321
Lack of fit 2 2.2619 1.1310 3.3929 0.22764
Pure error 2 0.6667 0.3333
Paso 2:
Se procede a evaluar los efectos cuadrticos, para lo cual se realiza el anlisis de
regresin para generar el modelo de 2do orden, incluyendo repeticiones al centro del
diseo, a travs del respectivo Anlisis de Varianza.
Paso 3:
A continuacin se procede a explorar la regin experimental, a travs del modelo
de 2do orden, para caracterizar la superficie y determinar las coordenadas del punto
estacionario y el tipo de punto.
Anlisis Cannico
Stationary point of response surface:
$xs
x1 x2
0.8535036 -0.3535766
$eigen$values
[1] 0.2804215 -0.7803988
$eigen$vectors
[,1] [,2]
x1 0.3826137 -0.9239084
x2 -0.9239084 -0.3826137
Anlisis Ridge
Grafica Nro. XX: Curvas de nivel y contorno para el Rendimiento en funcin de la temperatura y
tiempo.
Paso 1:
Se define la funcin Fitness (funcin de aptitud o de adecuacin), representada por el
modelo de 2do. Grado generado en la aplicacin de la Superficie de Respuesta a los datos
simulados.
(Nro)
Paso 2:
Se establecen las condiciones de operacin del algoritmo, segn se muestran a
continuacin:
Tipo de Algoritmo (Real): real_valued
Tipo de Seleccin (Por torneo): geareal_tourselection
Tipo de Cruce (Un Punto): gareal_spCrossover
Tipo de Mutacin (Uniforme): gareal_raMutation
Grado de entrecruzamiento (80%): pcrossover = 0.8
Grado de mutacin por generacin (5%): pmutation = 0.01
Tamao mximo de la poblacin (500): popSize = 100
Mximo nmero de Interacciones (600): maxiter = 100
Paso 3:
Se generan los resultados y la grfica correspondiente: Ver programa en el Anexo X
ALGORITMO EVOLUTIVO
RESULTADOS
Search domain =
x1 x2
Min -1 -1
Max 1 1
GA results:
Iterations 100
Fitness function value = -86.26946
Solution =
x1 x2
[1,] -1 -1
El punto candidato ptimo generado por el AE es para X1= -1 y X2= -1,
respectivamente. En trminos de los valores reales de las variables en estudio son:
X1=82,2min y X2=141,1F, respectivamente, para generar un rendimiento en la produccin
de biodiesel igual a y=86,46946%.
GRFICA
5.2.3 Comparacin de los resultados obtenidos en la aplicacin de las metodologas en
estudio en la optimizacin de procesos.
El potencial y las limitaciones tanto de la Metodologa Superficie de Respuesta
(MSR) como de los Algoritmos Evolutivos (AE) fue presentado en esta investigacin a
travs del anlisis terico y experimental, este proceso permiti realizar una comparacin
entre ambas metodologas aplicadas en la optimizacin de procesos con la finalidad de
determinar sus ventajas y desventajas al momento de que el investigador deba tomar una
decisin del mejor camino a seguir.
En tal sentido, a continuacin se presenta el proceso de evaluacin y anlisis
utilizado, tomando en cuenta la naturaleza estocstica de las metodologas estudiadas y
estableciendo como medidas de desempeo los criterios que se describen a continuacin:
1. La Varianza de las funciones analticas se utiliz para medir precisin y estabilidad
de los mtodos. Para un mtodo heurstico de optimizacin, se dice, que es estable si este
estadstico es bajo. Se cataloga la precisin en el mtodo cuando, la diferencia entre la
media de las pruebas y el valor optimo analtico es pequeo.
2. La metodologa es descrita como robusta, cuando se prueba en diferentes problemas
y ofrece precisin y estabilidad.
3. Se estim el tiempo empleado por las metodologas en estudio, como el promedio
de la duracin de la ejecucin de las corridas realizadas y fue expresado en segundos.
En funcin de los resultados de la fase experimental, se establece la comparacin
entre la respuesta de la variable en estudio, en este caso, rendimiento (y) medido en
porcentaje rendimiento de biodiesel a partir de grasa refinada de pollo, generados a travs
de la simulacin y los obtenidos a travs de la aplicacin del Anlisis Ridge de la Superficie
de Respuesta y del Algoritmo Evolutivo. Las respuestas son las siguientes:
Rendimiento (y) %
Simulados Ridge AE
85 88,855 87,719
88 88,429 87,365
89 88,000 87,156
89 88,429 86,936
88 88,855 86,789
RESUMEN 87 89,400 86,568
Grupos Cuenta 88Suma 90,079
Promedio 86,591 Varianza
Simulados 13 89 1140 90,89787,6923077
86,541 1,56410256
88 91,855 86,491
86 92,951 86,466
87 94,189 86,433
87 95,564 86,407
89 97,079 86,394
Ridge 13 1184,582 91,1216923 8,92832906
AE 13 1127,856 86,7581538 0,17599764
ANLISIS DE VARIANZA
Valor
Origen de las Suma de Grados de Promedio de los crtico
variaciones cuadrados libertad cuadrados F P F
Entre grupos 137,253091 2 68,6265453 19,298027 2,0163E-06 3,25944
Dentro de los
grupos 128,021151 36 3,55614309
Total 265,274242 38
El anlisis produce dos grupos de comparaciones un grupo con el Ridge y otro con
la agrupacin de AE y Simulados (no hay diferencias significativas entre ellos). Se
encuentran diferencias significativas con los resultados estimados usando el mtodo Ridge,
observando que la estimacin de los datos por el AE es ms ajustado a los datos
introducidos desde la simulacin realizada. Observado las varianzas de los mtodos se
puede afirmar que el AE produce valores ms precisos o robustos que el mtodo Ridge,
siendo este 80 veces ms alto que el de la metodologa AE.
TIEMPO DE EJECUCIN AE