Documentos de Académico
Documentos de Profesional
Documentos de Cultura
I. MODELADO MATEMÁTICO
La mayor parte de los métodos de optimización que se describirán en los siguientes capítulos
requieren de modelos matemáticos, por lo que el resto de este capítulo se centrará en ese tipo de
modelos. Como se ha mencionado anteriormente, los modelos matemáticos son
representaciones abstractas de un sistema o fenómeno, los cuales emplean ecuaciones y
relaciones matemáticas para realizar dicha representación. Los modelos matemáticos, de manera
general, se componen de los siguientes elementos:
• Variables: son aquellas que pueden tomar distintos valores, y en conjunto con los
parámetros representan al sistema de interés. Algunas variables comunes en ingeniería
de procesos son la temperatura, la presión, la composición, etcétera.
• Parámetros: son cantidades que se consideran constantes para un sistema determinado,
sin embargo, si el sistema cambia los valores de los parámetros también se modifican.
Por ejemplo, los parámetros de interacción de la ecuación NRTL son constantes para un
par binario en particular, pero cambian si alguno de los componentes se modifica.
• Ecuaciones matemáticas: pueden ser igualdades, desigualdades y expresiones lógicas.
• Relaciones matemáticas: indican la relación que existe entre las variables, constantes y
parámetros, por medio de la cual se define el estado del sistema. Estas relaciones
matemáticas pueden presentarse en forma de ecuaciones diferenciales, ecuaciones
algebraicas, expresiones lógicas, entre otras.
Una vez que se tiene un sistema que desea ser modelado, es de suma importancia delimitar las
partes importantes del problema, elegir el grado de precisión, definir si se ha de tomar en cuenta
la incertidumbre en el modelo la incertidumbre, hacer la elección de las variables a calcular y
aquellas que pueden ser los parámetros del modelo, los cuales pueden ser tomados de referencias
bibliográficas u obtenerse por experimentación si es económicamente viable. Las fases en el
desarrollo de un modelo se presentan en la Figura 1.1, y se describirán en las siguientes
secciones.
Definición y
formulación del
problema
En esta etapa es necesario identificar qué elementos conforman al problema, así como cuáles
son los elementos que conforman a la solución. Se debe analizar el sistema o fenómeno a
modelar, identificando las variables que constituirán al modelo, así como las variables que se
considerarán independientes. También es necesario determinar cuántos parámetros
desconocidos se tienen, con el fin de saber si se deberá obtener información experimental. Por
otra parte, se debe establecer el grado de precisión que se requiere en la solución, pues de esto
dependerá en gran medida la complejidad del modelo. Sin embargo, tome en cuenta que un
modelo muy complicado no es necesariamente mejor. Finalmente, en términos de la
complejidad del modelo, la utilidad del mismo y su costo, se establece si el desarrollo del modelo
está justificado.
En esta etapa se desarrollan las partes que conformarán al modelo matemático, definiendo los
límites del sistema y sus alrededores, así como las variables de entrada y de salida. Se genera la
representación matemática del sistema, en términos de ecuaciones y relaciones matemáticas.
Asimismo, se establece la lógica de programación y los algoritmos que se han de emplear para
resolver el modelo matemático. Es importante definir en esta etapa cuáles son las suposiciones
propias del modelo, estableciendo así sus limitaciones. En el análisis detallado, se prueban los
elementos individuales, verificando que las distintas ecuaciones y relaciones que conforman el
modelo sean consistentes, y que cada ecuación, o bloque de ecuaciones, pueda resolverse por
medio de los métodos propuestos.
1.3.1.3. Evaluación
En esta etapa se codifica y evalúa el modelo como un todo. Se resuelve el modelo empleando el
algoritmo propuesto, verificando que exista convergencia adecuada.
Una vez que se ha obtenido un resultado, es necesario analizarlo, con el fin de determinar si la
información obtenida es lógica y físicamente factible. Es deseable validar los resultados
obtenidos, ya sea a partir de datos históricos, por medio de información reportada en literatura
o empleando datos experimentales o de planta piloto.
Con el fin de establecer la robustez del modelo, es necesario realizar un análisis de sensibilidad,
modificando los valores de las variables de entrada en un rango amplio, con el fin de determinar
si el modelo converge al modificar los valores de entrada, y si los valores de salida obtenidos
continúan siendo lógicos. También es posible modificar los parámetros del modelo, de manera
que se verifique su funcionalidad.
son útiles cuando existen cambios en las especificaciones de producto o para el arranque de
equipos.
Como se ha mencionado anteriormente, existen ocasiones en las que hace falta información para
completar el modelo matemático, por lo cual es necesario obtener datos a través de
experimentación. Una vez que se llevan a cabo los experimentos, se obtiene un conjunto de
puntos. En esta forma no pueden emplearse para conformar el modelo matemático, por lo que
es necesario ajustar los datos obtenidos a una expresión matemática. Algunos ejemplos de
expresiones a las cuales se pueden ajustar un conjunto de datos experimentales se muestran en
la Tabla 1.2, donde y es la variable dependiente y x1, x2 son variables independientes, mientras
que aj son constantes. Los modelos presentados en la Tabla 1.2 son solo ejemplos, sin embargo,
es necesario proponer el tipo de modelo apropiado en términos del comportamiento de los datos.
Ecuación Ajuste
𝒚 = 𝒂𝒐 + 𝒂𝟏 𝒙𝟏 + 𝒂𝟐 𝒙𝟐 Lineal
𝒚 = 𝒂𝒐 + 𝒂𝟏𝟏 𝒙𝟏 𝟐 + 𝒂𝟏𝟐 𝒙𝟏 𝒙𝟐 Lineal para constantes, no lineal para
las variables
𝟏 No lineal para variables ni para
𝒚=
𝒂𝒐 + 𝒂𝟏 𝒙𝟏 + 𝒂𝟐 𝑥12 constantes.
Una vez que se ha decidido la forma del modelo para el ajuste, es necesario determinar los
valores numéricos de las constantes. Dichos valores deben ser seleccionados de manera que la
diferencia entre los datos experimentales y el modelo de ajuste, o desviación, sea mínima. Uno
de los métodos más empleados para determinar estas constantes es el de mínimos cuadrados.
Donde 𝛽𝑗 son los coeficientes de la ecuación generalizada, y xj representa una función de las
variables independientes en la asociada a 𝛽𝑗 . En otras palabras, dependiendo de la naturaleza
1
del ajuste, xj puede tomar diferentes formas, tales como 𝑥 , 𝑥1 𝑥2, 𝑥12 , etcétera. Se define entonces
1
2
𝑓 = ∑𝑛𝑖=1(𝑌𝑖 − ∑𝑃𝑗=1 𝛽𝑗 𝑥𝑖𝑗 ) (1.2)
Donde:
𝑌1
𝑌
𝑌̅ = [ 2 ] (1.5)
⋮
𝑌𝑛
𝛽1
𝛽
𝛽̅ = [ ⋮2 ] (1.6)
𝛽𝑝
Así pues, la solución de la expresión matricial (1.3) arrojará los valores de los coeficientes que
minimizan la desviación del ajuste.
Cada vértice en la Figura 1.2 representa uno de los experimentos a realizar. El punto (1, -1), por
ejemplo, representa el experimento en el cual, partiendo del punto (0, 0), se incrementa la
variable x1 en K1 unidades, mientras que la variable x2 disminuye en K2 unidades.
Ejemplo 1.1. Suponga que un reactor opera a un estado de referencia de 200°C y presión de 3
atm. Los datos obtenidos experimentalmente se ajustarán a un modelo lineal de la forma 𝑌 =
𝛽1 + 𝛽2 𝑥2 + 𝛽3 𝑥3, donde Y es el rendimiento; mientras que x2 y x3 son las variables
normalizadas, las cuales se relaciones con las variables de proceso de la manera siguiente:
𝑇(°𝐶)−200
𝑥2 = (1.7)
20
𝑝(𝑎𝑡𝑚)−3
𝑥3 = (1.8)
2
(b) Determine los parámetros del ajuste lineal propuesto, si los resultados de los experimentos
son los presentados en la Tabla 1.3.
Tabla 1.3. Resultados de las pruebas experimentales en el reactor del Ejemplo 1.1.
T(°C) p (atm) Y
180 1 20.500
220 1 22.211
180 5 58.890
220 5 77.870
200 3 67.712
Solución
(b) El ajuste se realizará para las variables escaladas, pues resulta más sencillo su manejo de
esta manera. Cabe mencionar que la variable x1, asociada al parámetro 𝛽1 , es constante e igual
a 1.
T(°C) p (atm) x2 x3 Y
180 1 -1 -1 20.500
220 1 1 -1 22.211
180 5 -1 1 58.890
220 5 1 1 77.870
200 3 0 0 67.712
De donde:
5 0 0
𝑥̿ 𝑇 𝑥̿ = [0 4 0] (1.11)
0 0 4
La matriz obtenida es diagonal y ortogonal, por lo cual su inversa existe, y está dada por:
1
5
0 0
1
(𝑥̿ 𝑇 𝑥̿ )−1 = 0 4
0 (1.12)
1
[0 0 4]
𝑌1
𝑥11 𝑥21 𝑥31 𝑥41 𝑥51 𝑌2 𝑌1 + 𝑌2 + 𝑌3 + 𝑌4 + 𝑌5
𝑇̅
𝑥̿ 𝑌 = 𝑥12
[ 𝑥22 𝑥32 𝑥42 𝑥52 ] 𝑌3 = [ −𝑌1 + 𝑌2 − 𝑌3 + 𝑌4 ] (1.13)
𝑥13 𝑥23 𝑥33 𝑥43 𝑥53 𝑌4 −𝑌1 − 𝑌2 + 𝑌3 + 𝑌4
[𝑌5 ]
247.183
𝑥̿ 𝑇 𝑌̅ = [ 20.691 ] (1.14)
94.049
1
5
0 0
1 247.183 49.4366
𝛽̅ = 0 4
0 [ 20.691 ] = [ 5.17275 ] (1.15)
1 94.049 23.51225
[0 0 4]
𝐹 = 𝑁−𝑀 (1.17)
1) M > N. Esto implica que el número de grados de libertad es negativo. Si esto ocurre, se dice
que el sistema está sobre-especificado y no tiene solución, puesto que una misma variable estaría
asociada a dos o más ecuaciones. Esto puede deberse a errores en el modelado o la presencia de
ecuaciones dependientes, por lo cual es necesario revisar el modelo si se presenta esta situación.
2) M = N. Esto implica que el número de grados de libertad es cero. En este caso, el sistema
está completamente definido y tiene solución. En el caso de sistemas lineales, dicha solución es
única. En el caso de sistemas no lineales, pueden existir soluciones múltiples, pero estas se
deberán a las raíces de los polinomios que conformen el sistema.
3) M < N. Esto implica que el número de grados de libertad es positivo. En este caso, para definir
el sistema se necesitan N - M relaciones adicionales, que se generan al establecer valores para
F variables. Una vez que se fijan los valores para dichas variables, el sistema se convierte en
uno de MxM, el cual se puede resolver.
La importancia del análisis de grados de libertad radica en que un sistema con grados de libertad
positivos es optimizable. El ajuste de las variables establecidas como grados de libertad debe
hacerse considerando una función objetivo, la cual permitirá determinar cuál es la mejor
combinación de valores para las variables de decisión. Se requiere entonces de técnicas de
optimización para resolver este tipo de problemas. El análisis de dichas técnicas será el objeto
de estudio de temas posteriores.
Ejemplo 1.2. Considere el tanque de mezclado mostrado en la Figura 1.3. Si se conoce el flujo
del componente A, y el flujo de B es desconocido, establezca un modelo para el proceso y
determine el número de grados de libertad. Como dato adicional, se sabe que el flujo del
compuesto B está dado como el producto de un valor R y el flujo del componente A.
𝐹𝐴 + 𝐹𝐵 = 𝐹𝐶 (1.18)
𝐹
𝑅 = 𝐹𝐵 (1.19)
𝐴
𝐹𝐴 = 𝑘 (1.20)
𝐹 = 4−3= 1 (1.21)
Es decir, se tiene una variable que puede manipularse de manera libre. Al asignar un valor a esa
variable, las demás se pueden calcular por medio del modelo. Cabe mencionar que un modelo
dado para un sistema en particular no es único, y se pueden tener diversas formas de representar
el mismo proceso. Por ejemplo, en el ejemplo anterior se consideró el hecho de que el flujo de
A es constante como una ecuación. Como alternativa, se podría tomar F A como un valor
constante y no incluirlo en el conteo de variables, eliminando a su vez la ecuación 1.20. Al hacer
esto, el modelo tendría 2 ecuaciones y 3 variables (FB, FC y R), con lo cual el número de grados
de libertad seguiría siendo 1.
1.- Construir una matriz de incidencia, formando un arreglo con renglones que especifican las
ecuaciones y columnas que identifican las variables contenidas en el sistema de ecuaciones.
2.- Detectar la presencia de una variable en una ecuación mediante algún identificador en ese
elemento de la matriz (por ejemplo, una X). Si la variable en cuestión no está contenida en la
ecuación, se tiene la ausencia de ese identificador.
3.- Detectar las columnas que contengan solo una X. Eliminar esa columna y el renglón
correspondiente. Esto indica que esa variable aparece únicamente en esa ecuación.
4.- Las columnas que queden sin eliminar representan las mejores variables de diseño para el
problema.
5.- Es posible determinar la forma en que el sistema de ecuaciones se debe resolver una vez
fijados los grados de libertad. Esta secuencia depende de la forma en que las ecuaciones se
eliminaron, tal como se presenta a continuación:
5.1. Si el proceso de eliminación se cumple habiendo en cada paso una columna con un
solo elemento de incidencia, la solución del sistema de ecuaciones es secuencial. La
solución se lleva a cabo por el proceso inverso al de eliminación. El número de columnas
sin eliminar en estos casos es igual al número de grados de libertad del problema.
5.2. Si solo existen columnas con más de una incidencia, la solución al sistema de
ecuaciones ya no es puramente secuencial. Se deben eliminar tantos renglones como sea
necesario para generar al menos una columna con una incidencia y a continuación aplicar
el procedimiento descrito en el paso 5.1. Al final del proceso quedarán sin eliminar un
número de columnas igual a los grados de libertad del sistema más el número de
ecuaciones que se eliminaron para generar columnas con una incidencia en la etapa
intermedia. Se eligen en esos casos un número de variables de diseño equivalentes a los
grados de libertad del sistema, y el resto se identifican como variables de reciclo. El valor
de estas variables se debe suponer para inicializar el proceso de solución, y recalcularlas
en algún momento de ese proceso.
El algoritmo de Lee y Rudd permite determinar las mejores variables de diseño para un
problema dado. Sin embargo, habrá ocasiones, en particular con problemas como los descritos
en el paso 5.2, en las cuales se deberá decidir entre una u otra variable para continuar con el
algoritmo, de manera que la variable seleccionada se convertirá en una variable de decisión y la
otra en una variable de reciclo. Determinar que variable es mejor dependerá de la experiencia
del ingeniero y su conocimiento del proceso, debiendo preferir las variables que presentan
límites mejor definidos y que pueden manipularse de manera más sencilla en el proceso.
Ejemplo 1.3. Considere los equipos de transferencia de calor en serie que se muestran en la
Figura 1.4. Determine:
T1f m1 T2f m2
c1 c2
T10 T20
Solución:
(a) El modelo del primer intercambiador involucra el calor cedido por el fluido caliente y el
calor absorbido por el fluido de enfriamiento:
𝑄1 = 𝑈1 𝐴1 ∆𝑇𝑀𝐿1 (1.24)
Dado que no se conoce la geometría del intercambiador ni las características de los fluidos, por
el momento se establecerá el coeficiente de transferencia de calor como una función
desconocida:
Finalmente, se debe tener una relación para determinar la media logaritmica de temperaturas:
𝑄2 = 𝑈2 𝐴2 ∆𝑇𝑀𝐿2 (1.29)
(b) El sistema consiste de 10 ecuaciones independientes con 13 incógnitas. Por tanto, el número
de grados de libertad es:
𝐹 = 13 − 10 = 3 (1.32)
(c) La matriz de incidencia para la primera iteración se muestra en la Tabla 1.5, en la cual se
observa que las columnas con una sola incidencia corresponden a las variables A1 y A2, por lo
que se podría eliminar cualquiera de ellas. En este caso, se eliminará la columna asociada a la
variable A2, junto con el renglón asociado a la Ecuación (1.29). La nueva matriz de incidencia
se presenta en la Tabla 1.6.
1.22 X X
1.23 X X X
1.24 X X X X
1.25 X X X X
1.26 X X X
1.27 X X
1.28 X X X
1.29 X X X X
1.30 X X X X
1.31 X X X
En la Tabla 1.6. se puede ver que ahora las columnas asociadas a las variables U 2 y ΔTML2, así
como aquella asociada a A1, tienen una incidencia. Dado que se ha iniciado eliminando las
variables correspondientes al segundo intercambiador de calor, se continuará con esta tendencia,
por lo que, por el momento, se mantendrá la variable de área del primer intercambiador,
eliminando la columna del coeficiente global de transferencia de calor del segundo
intercambiador. Esto implicará una secuencia de solución con mayor lógica, resolviendo
primero para el intercambiador 1 y después para el 2. Lo contrario también sería válido. La
matriz resultante se presenta en la Tabla 1.7. De la matriz mostrada en la Tabla 1.7, se eliminará
la columna asociada a la variable ΔTML2. Note que esto se podría haber realizado en la iteración
2, eliminando en la iteración 3 la columna de U2, por lo que el orden de eliminación no tiene
importancia en este caso. La Tabla 1.8 presenta la matriz de incidencia resultante al eliminar la
columna de ΔTML2.
1.22 X X
1.23 X X X
1.24 X X X X
1.25 X X X X
1.26 X X X
1.27 X X
1.28 X X X
1.30 X X X X
1.31 X X X
1.22 X X
1.23 X X X
1.24 X X X X
1.25 X X X X
1.26 X X X
1.27 X X
1.28 X X X
1.31 X X X
1.22 X X
1.23 X X X
1.24 X X X X
1.25 X X X X
1.26 X X X
1.27 X X
1.28 X X X
En la Tabla 1.8 es posible ver que las variables asociadas al segundo intercambiador que tienen
una incidencia son m2 y T2f. También se observa que, cualquiera de las dos que se elimine,
cancelará ese renglón, por lo que ya no habría manera de eliminar la columna de la otra variable,
y esta seguramente será escogida como grado de libertad. Esta elección es importante. Un
criterio auxiliar está relacionado con la naturaleza de las variables. Recuerde que, al
implementar la solución al sistema de ecuaciones, será necesario asignar un valor numérico a
los grados de libertad. En el caso de la temperatura de salida del fluido frío, esto es relativamente
sencillo, pues sabemos que debe ser mayor a la temperatura de entrada, y por heurística es
posible asumir un cambio de temperatura apropiado. En el caso del flujo másico, es más
complicado asignar un valor numérico, por tanto, esta es la variable que se debe eliminar,
resultando en la matriz mostrada en la Tabla 1.9, en cual se observa que, de las variables
asociadas al segundo intercambiador, solo Q2 tiene incidencia, por lo que es la columna por
eliminar, obteniendo la matriz presentada en la Tabla 1.10.
En este punto, ya no quedan variables del segundo intercambiador con incidencias en la matriz,
por lo que se comenzarán a eliminar las correspondientes al primer intercambiador, iniciando
con A1. Al hacer esto, se obtiene la matriz mostrada en la Tabla 1.11.
1.22 X X
1.23 X X X
1.24 X X X X
1.25 X X X X
1.26 X X X
1.27 X X
1.22 X X
1.23 X X X
1.24 X X X X
1.25 X X X X
1.26 X X X
En la Tabla 1.11, tanto U1 como ΔTML1 muestran una incidencia. Sin embargo, como se observó
en las iteraciones 2 y 3, ambas columnas serán eliminadas, por lo cual no importa el orden en
que estas operaciones se lleven a cabo. En este ejemplo, se eliminará primero la variable U 1,
dando origen a la matriz mostrada en la Tabla 1.12, y posteriormente la variable ΔT ML1,
obteniendo la matriz presentada en la Tabla 1.13, en la cual se observa que las columnas
asociadas a T1f y m1, respectivamente, presentan una incidencia. Siguiendo el razonamiento
1.22 X X
1.23 X X X
1.25 X X X X
1.26 X X X
1.22 X X
1.23 X X X
1.26 X X X
1.22 X X
1.23 X X X
En la matriz de la Tabla 1.14, solamente las variables Q1 y Thi presentan incidencia. Sin
embargo, asignar un valor numérico a la variable Q 1 sería complicado, por lo que esta es la
columna por eliminar. Al hacer esto, ya no quedan renglones por eliminar, quedando tres
variables: Thi, T1f y T2f. Estas son las variables a elegir como grados de libertad.
1.22 X X
(d) Para resolver el sistema de ecuaciones, primero es necesario asignar valores a los grados de
libertad. Al tratarse de temperaturas, esta asignación es relativamente simple, pues se conocen
límites superior e inferior para Thi, así como límites inferiores para T1f y T2f. Una vez asignados
los valores de los grados de libertad, se inicia resolviendo la última ecuación eliminada en el
algoritmo de Lee y Rudd, es decir, la ecuación 1.22, para la última variable eliminada, es decir,
Q1. Esto es posible debido a que, al asignar un valor numérico a T hi, la única variable restante
en esa ecuación es Q1. Este procedimiento de solución “hacia atrás” se continua hasta llegar a
la primera ecuación eliminada, lo cual se muestra en la Figura 1.5.
𝑥2 + 2𝑥3 + 𝑥4 + 𝑥5 = 25 (1.35)
Determine:
Solución:
(a) El sistema consiste en 5 ecuaciones con 5 incógnitas, por lo cual aparentemente está bien
definido y tiene una solución única. Sin embargo, debe notarse que la ecuación (1.37) se puede
obtener a partir de la suma de las ecuaciones (1.33) y (1.34), por lo cual las ecuaciones que
conforman al sistema no son independientes. Así pues, se debe eliminar la ecuación (1.20), por
lo cual se tendrán 4 ecuaciones con 5 incógnitas, y el número de grados de libertad es:
𝐹 = 5−4= 1 (1.38)
Referencias bibliográficas
Edgar, T.F., Himmelblau, D.M., Lasdon, L.S., Optimization of Chemical Processes, 2a edición,
McGraw Hill, U.S.A., 2001.
Jiménez Gutiérrez, A., Diseño de Procesos en Ingeniería Química, Editorial Reverté, Barcelona,
2003.
Ejercicios propuestos
Modelado
E1.1. Se desea analizar el sistema de condensación mostrado en la Figura E1.1. El diseño del
equipo se basará en agua de enfriamiento como medio de condensación. Se conoce la
temperatura y flujo de la corriente D, así como el coeficiente global de transferencia de calor y
las propiedades termodinámicas. Escriba las ecuaciones que modelan el sistema y determine el
número de variables desconocidas.
E1.2. Se tiene un sistema de mezclado como el que se muestra en la Figura E1.2. Dos corrientes
disponibles a diferentes temperaturas con diferentes concentraciones de un soluto se alimentan
al tanque, el cual tiene un serpentín de calentamiento para ajustar la temperatura de salida hasta
un nivel deseado. No se lleva a cabo ninguna reacción química. Las variables conocidas son x1,
x2, T1, T2, Tv, el coeficiente global de transferencia de calor U y todas las propiedades
termodinámicas de la mezcla y de los componentes. Escriba las ecuaciones que modelan el
sistema y determine el número de variables desconocidas.
E1.3 Una mezcla de dos componentes A y B, donde A es más volátil que B, va a separarse
adiabáticamente en un separador flash. La Figura 3 muestra esquemáticamente las variables de
interés. Desarrolle el modelo que representa al sistema. Determine las variables desconocidas si
se conocen las condiciones de alimentación, la presión del separador, el flujo de vapor y su
composición, así como las propiedades termodinámicas de la mezcla.
E1.4. Los microbios E. Coli crecen en un medio con glucosa, de acuerdo con una cinética de
tipo Monod con k = 40 y un valor de 40 para la constante de Monod. Se alimenta un flujo
conocido de solución de glucosa a un sistema de reacción de tipo tanque agitado. Se desean
probar tres configuraciones distintas: un solo reactor, dos reactores en serie y dos reactores en
paralelo. Establezca el modelo para cada situación. Defina cuáles variables son conocidas y
cuáles son desconocidas. Justifique su respuesta.
E1.5. El cracking irreversible en fase vapor de la acetona (A) para generar cetena (B) y metano
(C), que viene dado por la reacción:
34.222
ln 𝑘 = 34.34 −
𝑇
E1.6. Retome los datos del Ejemplo 1.1, y ajuste los datos a los siguientes modelos:
Determine el rendimiento predicho por ambos modelos. ¿Qué modelo ajusta mejor los datos
experimentales?
E1.7. Suponga que un reactor de tanque opera a un estado de referencia de 50°C, agitación de
200 RPM y un flujo de catalizador homogéneo de 100 kg/h. Los datos obtenidos
experimentalmente se ajustarán a un modelo lineal de la forma 𝑌 = 𝛽1 + 𝛽2 𝑥2 + 𝛽3 𝑥3 + 𝛽4 𝑥4,
donde Y es el rendimiento; mientras que x2, x3 y x4 son las variables normalizadas, las cuales se
relaciones con las variables de proceso de la manera siguiente:
𝑇(°𝐶)−50
𝑥2 = (E1.1)
20
𝑅𝑃𝑀−200
𝑥3 = (E1.2)
50
𝑚(𝑘𝑔/ℎ)−100
𝑥3 = (E1.3)
20
Se realizarán cambios en las condiciones de operación de ±20°C para la temperatura, ±50 RPM
para la agitación, y ±20kg/h para el flujo. Determine los parámetros del ajuste lineal propuesto,
si los resultados de los experimentos son los presentados en la Tabla E1.1.
30 150 80 62.310
70 150 80 85.215
30 250 80 57.980
70 250 80 79.012
E1.8.- Considere el sistema mostrado en la Figura E1.4. Una corriente consistente de A puro
pasa por un intercambiador de calor, y de ahí a un reactor continuo tipo tanque, donde ocurre la
reacción 𝐴 → 𝐵. El reactor opera a 100°C y la reacción es incompleta. Se conocen además los
coeficientes globales de transferencia de calor del intercambiador y de la chaqueta del reactor,
así como el volumen del reactor. ¿Cuántos grados de libertad tiene el sistema? Indique cuáles
son las mejores variables de diseño y la secuencia de cálculo para la solución de sistema.
E1.9. Considere el sistema de evaporación mostrado en la Figura E1.5. Escriba las ecuaciones
que modelan el proceso. Si se conoce la alimentación y todas sus características, indique cual
es el número de grados de libertad. Finalmente, utilice el algoritmo de Lee y Rudd para obtener
las mejores variables de diseño y el orden de solución de las ecuaciones.
Para mantener el catalizador en condiciones óptimas se requiere que FV/FE = 10. Por otra parte,
la alimentación al reactor debe cumplir con T A = 600°C, PA = 1.8 atm. Finalmente, se conocen
el consumo de etilbenceno y sus condiciones, FE = 55 T/h, TE = 80°F, PE = 1 atm. Tomando en
cuenta esta información, desarrolle los siguientes puntos:
a) Escriba el modelo que describe este proceso de mezclado. Suponga que las entalpias de las
corrientes son función tanto de la temperatura como de la presión.
c) Aplique el algoritmo de Lee y Rudd para identificar las mejores variables de diseño y el orden
de solución de las ecuaciones.
E1.11. Dos líquidos de proceso, A y B, se mezclan en un tanque después de calentarse cada uno
en respectivos intercambiadores de calor. Para calentar el líquido A se usa vapor de
calentamiento, mientras que para calentar el líquido B se usa una corriente caliente del proceso
con el fin de ahorrar energía, según se muestra en la Figura E1.7.
a) Escriba las ecuaciones que modelan el sistema. Suponga que los coeficientes globales de
transferencia de calor de los intercambiadores, así como el volumen del tanque de mezclado,
son conocidos.
b) Suponiendo que todas las propiedades termodinámicas de cualquier corriente son conocidas,
y que se conocen los flujos FA y FB, así como las temperaturas TA1, TB1 y TL1, indique cuales
son los grados de libertad del sistema.
c) Aplique el algoritmo de Lee y Rudd para sugerir las mejores variables de diseño y el orden
de solución de las ecuaciones.
d) Repita los incisos a) al c), asumiendo que los coeficientes globales de transferencia de calor
de los intercambiadores son desconocidos, y que el volumen del tanque de mezclado es tal que
debe superar en un 20% el volumen total de líquido contenido.