2.

Clasificación
En este capítulo los modelos matemáticos están clasificados por:

 agrupación en pares opuestos;

 complejidad matemática
 Grado de resolución.

La intención es dar al lector una comprensión de las diferencias entre los modelos como se
refleja en el objetivo del modelo. ¿Cuál es la pregunta que pretende responder el modelo?

2.1 Agrupación de modelos en pares opuestos.

En esta sección, examinaremos varios tipos de modelos matemáticos. Hay muchas formas
posibles de clasificación. Una posibilidad es agrupar los modelos en pares opuestos:

 lineal versus no lineal;

 estado estacionario versus estado no estacionario;
 parámetro concentrado versus parámetro distribuido;
 variables continuas frente a discretas;
 determinista versus estocástico;
 interpolación versus extrapolación;
 mecanicista versus empírico;
 acoplado versus no acoplado.

Lineal contra no lineal

Los modelos lineales exhiben la importante propiedad de la superposición; Los no lineales
no lo hacen. Las ecuaciones (y, por tanto, los modelos) son lineales si las variables
dependientes o sus derivadas aparecen solo en la primera potencia; De lo contrario son no
lineales. En la práctica, la capacidad de usar un modelo lineal para un proceso es de gran
importancia. Los métodos analíticos generales para la resolución de ecuaciones se basan en
la linealidad. Solo las clases especiales de modelos no lineales pueden ser atacadas con
métodos matemáticos. Para el caso general, cuando se requiere un método numérico, la
cantidad de cómputo también es mucho menor para los modelos lineales y, además, las
estimaciones de error y los criterios de convergencia generalmente se derivan de supuestos
lineales.

Estado estacionario versus transitorio

Otros sinónimos de estado estable son invariantes en el tiempo, estáticos o estacionarios.

Estos términos se refieren a un proceso en el que los valores de puntos de las variables
dependientes permanecen constantes
Con el tiempo, como en estado estable y en equilibrio. Los procesos de estado no estacionario
también se denominan estado inestable, transitorio o dinámico, y representan una situación
en la que las variables dependientes del proceso cambian con respecto al tiempo. Un ejemplo
típico de un proceso de estado no estacionario es el inicio de una columna de destilación que
eventualmente alcanzaría un conjunto de condiciones operativas de estado pseudoestable.
Los procesos inherentemente transitorios incluyen la adsorción en lecho fijo, la destilación
por lotes y los reactores, el secado y la filtración / sedimentación.

Parámetro agrupado versus parámetro distribuido

Una representación de parámetros agrupados significa que las variaciones espaciales se

ignoran, y las diversas propiedades y el estado de un sistema pueden considerarse
homogéneos en todo el volumen. Una representación de parámetros distribuidos, en
contraste, toma en cuenta variaciones detalladas en el comportamiento de un punto a otro en
todo el sistema. Todos los sistemas reales están, por supuesto, distribuidos en el sentido de
que allí ocurren algunas variaciones a lo largo de ellos. Como las variaciones son a menudo
relativamente pequeñas, se pueden ignorar y el sistema se puede "agrupar".

La respuesta a la pregunta de si un agrupamiento es válido o no para un modelo de proceso

no es nada simple. Una buena regla general es que si la respuesta del proceso es "instantánea"
durante todo el proceso, entonces el proceso se puede agrupar. Si la respuesta muestra
diferencias instantáneas a lo largo del proceso (o recipiente), no se debe acumular. Tenga en
cuenta que el propósito del modelo afecta su validez. Si el propósito hubiera sido, por
ejemplo, estudiar la mezcla en un reactor de tanque agitado, un modelo concentrado sería
completamente inadecuado porque, desde el principio, ha asumido que la mezcla es perfecta
y la concentración de una sola variable.

Debido a que los procedimientos matemáticos para resolver modelos de parámetros

agrupados son más simples que aquellos para resolver modelos de parámetros distribuidos,
a menudo nos aproximamos a este último utilizando un sistema equivalente de parámetros
concentrados. Si bien el agrupamiento es a menudo posible, debemos tener cuidado de evitar
enmascarar las características sobresalientes de un elemento distribuido y, posteriormente,
construir un modelo inadecuado mediante el agrupamiento.

Como ejemplo del uso de modelos matemáticos agrupados frente a modelos distribuidos,
considere el concepto de etapa de equilibrio de destilación, extracción y procesos similares.
Como se muestra en la Figura 2.1, generalmente asumimos que toda la etapa actúa como un
todo, y no consideramos las variaciones en la temperatura, la composición o la presión en
varias partes de la etapa. Todas estas variables se "agrupan" en un promedio general. Los
errores introducidos son compensados por el factor de eficiencia de la etapa.
Figura 2.1. Visualización de parámetros agrupados y parámetros distribuidos de una unidad
de destilación.
(a) Placa real con patrones de flujo complejos y variaciones resultantes en las propiedades de
un punto a
punto. (b) Etapa de equilibrio idealizado que ignora todas las variaciones internas.

Variables continuas frente a discretas.

Continuo significa que las variables pueden asumir cualquier valor dentro de un intervalo;
discreto significa que una variable solo puede tomar valores distintos dentro de un intervalo.
Por ejemplo, las concentraciones en un lecho empacado a contracorriente generalmente se
modelan en términos de variables continuas, mientras que los absorbentes de placas se
modelan en términos de modelos de compartimientos múltiples en etapas en los que una
concentración es uniforme en cada etapa pero difiere de una etapa a otra en saltos discretos.
Los modelos continuos se describen mediante ecuaciones diferenciales y los modelos
discretos mediante ecuaciones en diferencias. La figura 2.2 ilustra las dos configuraciones.
Figura 2.2. Modelado continuo frente a discreto de un absorbedor de columna empaquetado.

La figura de la izquierda muestra una columna empaquetada modelada como un sistema

continuo, mientras que la figura de la derecha representa la columna como una secuencia de
unidades discretas (por etapas). Las concentraciones en la columna de la izquierda serían
variables continuas; los de la columna de la derecha implicarían saltos discontinuos. Las
marcas de tic en la columna de la izquierda representan etapas hipotéticas para el análisis.
Por supuesto, es posible modelar la columna empaquetada en términos de etapas segregadas
imaginarias y tratar la columna de la placa en términos de ecuaciones diferenciales parciales
en las cuales las concentraciones son variables continuas.

Determinista versus estocástico.

Los modelos deterministas o elementos de modelos son aquellos en los que a cada variable
y parámetro se le puede asignar un número fijo definido, o una serie de números, para un
determinado conjunto de condiciones, es decir, el modelo no tiene componentes que sean
inherentemente inciertos. En contraste, el principio de incertidumbre se introduce en modelos
estocásticos o probabilísticos.

Las variables o parámetros utilizados para describir las relaciones de entrada-salida y la

estructura de los elementos (y las restricciones) no se conocen con precisión. Un modelo
estocástico involucra parámetros caracterizados por distribuciones de probabilidad. Debido
a esto, el modelo estocástico producirá diferentes resultados en cada realización.

Los modelos estocásticos desempeñan un papel importante en la comprensión de fenómenos

caóticos como el movimiento browniano y la turbulencia. También se utilizan para describir
altamente sistemas heterogéneos, por ejemplo, Transporte en medios fracturados. Los
modelos estocásticos se utilizan en la teoría de control para explicar la naturaleza irregular
de las perturbaciones.

En el contexto actual, nos centraremos en modelos deterministas.

Interpolación versus extrapolación

Un modelo basado en la interpolación implica que el modelo se ajusta a valores determinados

experimentalmente en diferentes puntos y que el modelo se utiliza para interpolar entre estos
puntos. Un modelo utilizado para la extrapolación, en comparación, va más allá del rango de
datos experimentales.

Normalmente, los modelos termodinámicos se utilizan para la interpolación, así como las
correlaciones en aplicaciones de fenómenos de transporte complicadas. La extrapolación
requiere, en general, una comprensión mecanicista detallada del sistema. El procedimiento
requiere mucho cuidado para evitar conclusiones engañosas. La Figura 2.3 ilustra un caso
exagerado de extrapolación por medio de un modelo lineal en una región más allá del rango
de datos experimentales para una reacción química que alcanza un rendimiento máximo en
el tiempo.

Figura 2.3. Peligro de extrapolación. Rendimiento de un reactor químico frente al tiempo.

En el análisis de seguridad de los depósitos de desechos nucleares, los modelos se utilizan
para predecir el destino de la filtración de radionucleidos en la formación de roca circundante
en escalas de tiempo geológicas. Naturalmente, es de la mayor importancia que estos modelos
sean sólidos desde el punto de vista físico/químico y estén basados en principios mecanisticos
bien entendidos.