Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CIVIL
PRESENTADO POR:
IVÁN DARÍO ESCOBAR ALBA
FACULTAD DE INGENIERÍA
CARRERA DE INGENIRÍA CIVIL
SECCIÓN HIDROTECNIA Y AMBIENTAL
1
1. TABLA DE CONTENIDO
2
7.4.1. Resultados obtenidos de los modelos basados únicamente en redes neuronales. . 69
7.4.2. Resultados obtenidos al utilizar las redes neuronales como una función implícita
en el modelo. ......................................................................................................................... 71
7.4.2.1. Resultados obtenidos resolviendo el modelo implícito por medio de un método
iterativo simple ...................................................................................................................... 73
7.4.2.2. Resultados obtenidos resolviendo el modelo implícito por medio de Newton-
Raphson. 75
7.4.3. Otros modelos analizados...................................................................................... 78
7.5. Análisis de los resultados obtenidos en los modelos de redes neuronales .............. 79
8. CONCLUSIONES, RECOMENDACIONES Y TRABAJO FUTURO. .................... 83
9. BIBLIOGRAFÍA ............................................................................................................. 85
10. ANEXOS ...................................................................................................................... 88
10.1.1. Resultados del Perceptrón DRN 3 200 .................................................................. 88
10.1.2. Resultados del Perceptrón DRN 3 233 .................................................................. 90
10.1.3. Resultados del Perceptrón lnDRN 3 233............................................................... 92
10.1.4. Resultados del Perceptrón lnDRN 3 80................................................................. 94
10.1.5. Resultados del Perceptrón DRN 4 200 .................................................................. 96
10.1.6. Resultados del Perceptrón DRN 4 233 .................................................................. 98
10.1.7. Resultados del Perceptrón DRNL 4 200.............................................................. 100
10.1.8. Resultados del Perceptrón DRNL 4 233.............................................................. 102
10.1.9. Resultados del Perceptrón lnDRNL 4 233 .......................................................... 104
10.1.10. Resultados del Perceptrón lnDRNL 4 80 ........................................................ 106
10.1.11. Resultados del Perceptrón DRNLD 4 200....................................................... 108
10.1.12. Resultados del Perceptrón lnDRNLD 4 233.................................................... 110
10.1.13. Resultados del Perceptrón DRNLD 3 200....................................................... 112
10.1.14. Resultados del Perceptrón DRNL 3 200.......................................................... 114
10.1.15. Resultados del Perceptrón DRN 3 capas ocultas 200...................................... 116
10.1.16. Resultados del Perceptrón DR 233 datos 3 N.................................................. 120
10.1.17. Resultados del Perceptrón DR 200 datos 3 N.................................................. 122
10.1.18. Resultados del Perceptrón DR 233 datos 1 N.................................................. 124
10.1.19. Resultados del Perceptrón DR 200 datos 3 N (2)............................................ 126
10.1.20. Resultados del Perceptrón DR 233 datos 3 N (2)............................................ 128
10.1.21. Resultados del Perceptrón DR 200 datos 3 N (3)............................................ 130
10.1.22. Resultados del Perceptrón DR 80 datos 3 N.................................................... 132
10.1.23. Resultados del Perceptrón DR 200 datos Red Simple..................................... 134
10.1.24. Resultados del Perceptrón DR 200 datos Red Simple (2) ............................... 136
3
2. ÍNDICE DE FIGURAS
FIGURA 1.Flujo de un fluido a través de un volumen infinitesimal............................................. 14
FIGURA 2. Espacio recorrido en un tiempo dt por una partícula en una línea de corriente. ..... 16
FIGURA 3. Diagrama de cuerpo libre de una partícula de un fluido en movimiento.................. 18
FIGURA 4. Diagrama de cuerpo libre de una capa en forma de anillo de espesor r y longitud
l, en un tubo circular................................................................................................................... 28
FIGURA 5. Diagrama de cuerpo libre con z=0. ........................................................................ 32
FIGURA 6. Esquema del perceptrón 1 para tres y cuatro variables independientes. .................. 61
FIGURA 7. Esquema del perceptrón 2 para 3 y 4 variables independientes. .............................. 63
FIGURA 8. Esquema del perceptrón 3 para 3 variables independientes. .................................... 64
FIGURA 9. Esquema de los perceptrones 4 y 5 para 3 variables independientes........................ 65
3. INDICE DE GRÁFICOS
GRÁFICA 1. Factor de fricción f vs. Número de Reynolds. Fuente: Sharp and Adrian [1]. ....... 29
GRÁFICA 2. Factor de fricción vs. Número de Reynolds discriminados por diámetros y longitud
para el flujo de agua en microcanales (Re>1800). Fuente Sharp y Adrian [1] ........................... 49
GRÁFICA 3. Número de Poiseuille vs. Número de Reynolds. Los puntos experimentales deben
ser 1 si el flujo es laminar aquí se puede observar el comienzo de la transición para el flujo de
agua en microcanales . Fuente Sharp y Adrian [1]. ..................................................................... 50
GRÁFICA 4. Número de poiseuille vs. Número de Reynolds, discriminados por diámetro y
longitud para el flujo de agua en microcanales (Re>1800). Fuente Sharp y Adrian [1]............. 51
GRÁFICA 5. DP* vs. Re. para el flujo de agua en microcanales. Donde DP*, es un valor
adimensional calculado con los valores experimentales que debe ser igual al valor de reynolds.
Fuente Sharp y Adrian [1] ............................................................................................................ 52
GRAFICA A para el perceptrón DRN 3 200. La línea superior representa el error de los datos de
calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error. .................................................................................................................... 69
GRAFICA B para el perceptrón DRN 3 200. Factor de fricción simulado por la red neuronal vs.
Factor de fricción experimental . .................................................................................................. 70
GRÁFICA C para perceptrón DRN 3 200. Gráfica de Transición de Colebrook......................... 70
GRAFICA A para el perceptrón DR 3 233 datos 3 N. La línea superior representa el error de los
datos de calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error. .................................................................................................................... 71
GRAFICA B para el perceptrón DR 233 datos 3 N. 1 + 0.86 ⋅ ln ∈ (18c) simulado por la red
f D
neuronal vs. 1 + 0.86 ⋅ ln ∈ (18c) experimental. ............................................................................ 72
f D
4
GRÁFICA C para perceptrón DR 233 datos 3 N. Gráfica de Transición de Colebrook.............. 72
GRÁFICA D: Simulación del perceptrón DR 200 3 N (2). f simulado vs. f experimental. ........... 74
GRÁFICA E: Simulación del perceptrón DR 200 3 N (2). Gráfica de transición de Colebrook.. 74
GRÁFICA D: Simulación del perceptrón DR 200 datos Red Simple (2). f simulado vs. f
experimental. ................................................................................................................................. 75
GRAFICA A para el perceptrón DRN 3 200. La línea superior representa el error de los datos de
calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error. .................................................................................................................... 88
GRAFICA B para el perceptrón DRN 3 200. Factor de fricción simulado por la red neuronal vs.
Factor de fricción experimental . .................................................................................................. 89
GRÁFICA C para perceptrón DRN 3 200. Gráfica de Transición de Colebrook......................... 89
GRAFICA A para el perceptrón DRN 3 233. La línea superior representa el error de los datos de
calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error. .................................................................................................................... 90
GRAFICA B para el perceptrón DRN 3 233. Factor de fricción simulado por la red neuronal vs.
Factor de fricción experimental . .................................................................................................. 91
GRÁFICA C para perceptrón DRN 3 233. Gráfica de Transición de Colebrook......................... 91
GRAFICA A para el perceptrón lnDRN 3 233. La línea superior representa el error de los datos
de calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error. .................................................................................................................... 92
GRAFICA B para el perceptrón lnDRN 3 233. Factor de fricción simulado por la red neuronal
vs. Factor de fricción experimental .............................................................................................. 93
GRÁFICA C para perceptrón lnDRN 3 233. Gráfica de Transición de Colebrook. .................... 93
GRAFICA A para el perceptrón lnDRN 3 80. La línea superior representa el error de los datos
de calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error. .................................................................................................................... 94
GRAFICA B para el perceptrón lnDRN 3 80. Factor de fricción simulado por la red neuronal vs.
Factor de fricción experimental . .................................................................................................. 95
GRÁFICA C para perceptrón lnDRN 3 80. Gráfica de Transición de Colebrook. ...................... 95
GRAFICA A para el perceptrón DRN 4 200. La línea superior representa el error de los datos de
calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error. .................................................................................................................... 96
GRAFICA B para el perceptrón DRN 4 200. Factor de fricción simulado por la red neuronal vs.
Factor de fricción experimental . .................................................................................................. 97
GRÁFICA C para perceptrón DRN 4 200. Gráfica de Transición de Colebrook......................... 97
GRAFICA A para el perceptrón DRN 4 233. La línea superior representa el error de los datos de
calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
5
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error. .................................................................................................................... 98
GRAFICA B para el perceptrón DRN 4 233. Factor de fricción simulado por la red neuronal vs.
Factor de fricción experimental . .................................................................................................. 99
GRÁFICA C para perceptrón DRN 4 233. Gráfica de Transición de Colebrook......................... 99
GRAFICA A para el perceptrón DRNL 4 200. La línea superior representa el error de los datos
de calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error. .................................................................................................................. 100
GRAFICA B para el perceptrón DRNL 4 200. Factor de fricción simulado por la red neuronal
vs. Factor de fricción experimental ............................................................................................ 101
GRÁFICA C para perceptrón DRNL 4 200. Gráfica de Transición de Colebrook. ................... 101
GRAFICA A para el perceptrón DRNL 4 233. La línea superior representa el error de los datos
de calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error. .................................................................................................................. 102
GRAFICA B para el perceptrón DRN 4 233. Factor de fricción simulado por la red neuronal vs.
Factor de fricción experimental . ................................................................................................ 103
GRÁFICA C para perceptrón DRN 4 233. Gráfica de Transición de Colebrook....................... 103
GRAFICA A para el perceptrón lnDRN 4 233. La línea superior representa el error de los datos
de calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error. .................................................................................................................. 104
GRAFICA B para el perceptrón lnDRN 4 233. Factor de fricción simulado por la red neuronal
vs. Factor de fricción experimental ............................................................................................ 105
GRÁFICA C para perceptrón lnDRN 4 233. Gráfica de Transición de Colebrook. .................. 105
GRAFICA A para el perceptrón lnDRN 4 80. La línea superior representa el error de los datos
de calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error. .................................................................................................................. 106
GRAFICA B para el perceptrón lnDRNL 4 80. Factor de fricción simulado por la red neuronal
vs. Factor de fricción experimental ............................................................................................ 107
GRÁFICA C para perceptrón lnDRNL 4 80. Gráfica de Transición de Colebrook. .................. 107
GRAFICA A para el perceptrón DRNLD 4 200. La línea superior representa el error de los datos
de calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error. .................................................................................................................. 108
GRAFICA B para el perceptrón DRNLD 4 200. Factor de fricción simulado por la red neuronal
vs. Factor de fricción experimental ............................................................................................ 109
GRÁFICA C para perceptrón DRNLD 4 200. Gráfica de Transición de Colebrook. ................ 109
GRAFICA A para el perceptrón lnDRNLD 4 233. La línea superior representa el error de los
datos de calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
6
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error. .................................................................................................................. 110
GRAFICA B para el perceptrón lnDRNLD 4 233. Factor de fricción simulado por la red
neuronal vs. Factor de fricción experimental . ........................................................................... 111
GRÁFICA C para perceptrón lnDRNLD 4 233. Gráfica de Transición de Colebrook. ............. 111
GRAFICA A para el perceptrón DRNLD 3 200. La línea superior representa el error de los datos
de calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error. .................................................................................................................. 112
GRAFICA B para el perceptrón lnDRNLD 3 200. Factor de fricción simulado por la red
neuronal vs. Factor de fricción experimental . ........................................................................... 113
GRÁFICA C para perceptrón lnDRNLD 3 200. Gráfica de Transición de Colebrook. ............. 113
GRAFICA A para el perceptrón DRNL 3 200. La línea superior representa el error de los datos
de calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error. .................................................................................................................. 114
GRAFICA B para el perceptrón DRNL 3 200. Factor de fricción simulado por la red neuronal
vs. Factor de fricción experimental ............................................................................................ 115
GRÁFICA C para perceptrón DRNL 3 200. Gráfica de Transición de Colebrook. ................... 115
GRAFICA A para el perceptrón DRN 3 capas ocultas 200. La línea superior representa el error
de los datos de calibración (si sólo existe una línea, esta res la misma línea superior). La línea
inferior representa el error de validación. En la ordenadas, está el número de entrenamiento, y
la línea es el respectivo error. ..................................................................................................... 117
GRAFICA B para el perceptrón DRN 3 Capas Ocultas 200. Factor de fricción simulado por la
red neuronal vs. Factor de fricción experimental . ..................................................................... 117
GRÁFICA C para perceptrón lnDRNLD 3 200. Gráfica de Transición de Colebrook. ............. 118
GRAFICA A para el perceptrón DR 3 233 datos 3 N. La línea superior representa el error de los
datos de calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error. .................................................................................................................. 120
GRÁFICA C para perceptrón DR 233 datos 3 N. Gráfica de Transición de Colebrook............ 121
GRAFICA A para el perceptrón DR 200 datos 3 N. La línea superior representa el error de los
datos de calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error. .................................................................................................................. 122
GRAFICA B para el perceptrón DR 200 datos 3 N. 1 + 0.86 ⋅ ln ∈ (18c) simulado por la red
f D
7
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error. .................................................................................................................. 124
GRAFICA B para el perceptrón DR 233 datos 1 N. 1 + 0.86 ⋅ ln ∈ (18c) simulado por la red
f D
8
GRAFICA B para el perceptrón DR 80 datos 3 N. 1 + 0.86 ⋅ ln ∈ (18c) simulado por la red
f D
9
4. INTRODUCCIÓN
Desde el momento en que se desarrollaron los criterios para identificar el flujo de un fluido como
laminar o turbulento, a partir del número de Reynolds (Re), se estableció una zona de transición
que actualmente no tiene definido su comportamiento hidráulico.
El inicio de la zona de transición es determinada por los resultados erráticos del factor de fricción
f vs. Re, que no se adaptan al modelo establecido para flujo laminar, es decir, que en el momento
en que se logre una buena aproximación al comportamiento de f para la zona de transición se
determinará su inicio y su comportamiento.
Sin embargo, esta tecnología, presenta una discusión mundial sobre la física que domina su
comportamiento, ya que dependiendo del diámetro, material del tubo y del fluido, y la velocidad
del flujo, existen opiniones contrarias sobre las leyes de la física que predominan en estos flujos.
10
A pesar de lo anterior, los experimentos [1] han concluido que el comportamiento de la transición
en tubos de diámetros mayores a 1 mm es idéntico al de tubos de menos de 1 mm, por lo que la
transición se comporta igual en tubos capilares y las ecuaciones de Navier-Stokes y Poiseuille se
cumplen para Números de Reynolds menores al crítico.
Gracias a los adelantos tecnológicos que se han presentado en la última década, ha sido posible el
desarrollo de modelos no lineales basados en tipos de inteligencia artificial como son los modelos
neuronales, los genéticos y la lógica difusa. Los cuales tienen la capacidad de reconocer patrones,
optimizar y tomar decisiones, de acuerdo con bases de datos de conocimiento experto.
Para lograr la finalidad de este trabajo de grado, este documento fue estructurado por capítulos en
donde el quinto trata sobre la física dominante en el flujo de microcanales, el sexto muestra un
resumen del experimento de donde fue toma de la base de datos, el séptimo muestra los
resultados obtenidos por medio de redes neuronales y el último capítulo muestra las conclusiones,
recomendaciones y el trabajo futuro.
11
5. FLUJO EN MICROCANALES
El flujo en microcanales, ha sido estudiado de manera extensa en los últimos 10 años, en estos, se
han buscado tanto los valores del factor de fricción como los coeficientes de transferencia de
calor específica. Para el alcance de esta tesis sólo es relevante la investigación hecha sobre los
factores de fricción.
Al igual que cualquier tubería, en los microcanales se tienen regímenes de flujo laminar,
turbulento y por su puesto la transición. Sin embargo, durante estos 10 años de estudio, se han
presentado pensamientos contrarios acerca de las variables que influyen en el Re crítico, así como
las variables necesarias para hallar el coeficiente de fricción de Darcy durante la transición. Hasta
el momento no se ha llegado a una teoría general y constantemente se conocen nuevas
investigaciones que contradicen o refuerzan la relación teórica establecida para macro tamaños.
Considerando lo anterior y teniendo en cuenta que los resultados experimentales son totalmente
dependientes de la exactitud de las mediciones y fabricación de los microcanales, tal y como se
explicará más adelante, se considera que las últimas investigaciones son las más confiables, ya
que la incertidumbre disminuye a medida que las tecnologías de fabricación y medición avanzan.
El estudio de flujo en microcanales, se basa en las mismas leyes físicas utilizadas en macro
tamaños, por lo que a continuación se explicarán las ecuaciones básicas, de las cuales se derivan
todos los modelos matemáticos que describen el flujo de líquidos en micro-canales.
La ecuación general de la energía es, como su nombre lo indica una ecuación general, que se
aplica a flujo de fluidos con energías Potencial, presión y cinética y pérdidas por fricción. La
ecuación de Bernoulli, es la ecuación general de la energía sin tener en cuenta las pérdidas por
12
fricción. A continuación se muestra la deducción de la ecuación de Bernoulli y posteriormente la
ecuación general de la energía.
Suposiciones iniciales:
o No existen pérdidas y ganancias de energía durante el tramo estudiado.
o No hay transferencia de calor.
o No existen pérdidas de ningún tipo y sólo son consideradas 3 energías: energía potencial
energía cinética y energía de presión. Esta última, es tomada del trabajo necesario para
mover un fluido.
o Se está considerando flujo de fluidos incompresibles (Vi = Vf).
Ei = Ef
Ep i + Eci + Epri = Ep f + Ec f + Epr f
2 2
m ⋅ g ⋅ hi + 1
2 m ⋅ vi + pi ⋅ V = m ⋅ g ⋅ h f + 1
2 m ⋅ v f + p f ⋅V
Como m = ρ ⋅ V
ρ ⋅ g ⋅ hi + 1 2 ρ ⋅ vi 2 + p i = ρ ⋅ g ⋅ h f + 1 2 ρ ⋅ v f 2 + p f (1)
Las suposiciones iniciales son las mismas que en la ecuación de Bernoulli, con la diferencia que
esta considera las pérdidas y ganancias de energía en el tramo estudiado.
Las pérdidas y ganancias de energía al igual que las demás energías, son en función de la masa,
por lo que el volumen sigue siendo factor común (flujo incompresible) y la ecuación queda como:
1
La demostración de la ecuación de Bernoulli y la ecuación general de la energía se basan en el método establecido
por Robert MOTT L., Mecánica de fluidos aplicada, Ed. Prentice Hall, 1996. Pág. 155 a 157 y 195 a 196.
13
ρ ⋅ g ⋅ hi + 1 2 ρ ⋅ vi 2 + pi − Ef / V + Ea / V = ρ ⋅ g ⋅ h f + 1 2 ρ ⋅ v f 2 + p f ( 2)
Como se dijo anteriormente, estas ecuaciones pueden darse en varias unidades. Aquí se puede
observar claramente que tanto Ef (Joules) como Ea (Joules) están divididas por V lo que da
unidades de presión (Pa) al igual que las demás energías. Para el alcance de esta tesis no habrá
ganancias de energía, por lo que este término será 0.
y Dirección
del flujo
fluido
(x,y,z,t)
y
z
x
x
FIGURA 1.Flujo de un fluido a través de un volumen infinitesimal.
2
La demostración de la ecuación de continuidad fue basada en Pau chang Lu, “Introduction To The Mechanics of
Viscous Fluids”. Ed. Series In Thermal And Fluids Engineering. Pág. 11 a 12.
14
M = ρ ⋅ A⋅v*
1 ∂ (u ( x, y , z , t ))
Masa entrante = ρ ⋅ u ( x, y , z , t ) − ⋅ δy ⋅ δz
2 ∂x
1 ∂ (v ( x, y , z , t ))
+ ρ ⋅ v ( x, y , z , t ) − ⋅ δx ⋅ δz
2 ∂y
1 ∂ ( w( x, y , z , t ))
+ ρ ⋅ w( x, y , z , t ) − ⋅ δx ⋅ δy
2 ∂z
1 ∂ (u ( x, y , z , t ))
Masa saliente = ρ ⋅ u ( x, y , z , t ) + ⋅ δy ⋅ δz
2 ∂x
1 ∂ (v ( x, y , z , t ))
+ ρ ⋅ v ( x, y , z , t ) + ⋅ δx ⋅ δz
2 ∂y
1 ∂ ( w( x, y , z , t ))
+ ρ ⋅ w( x, y , z , t ) + ⋅ δx ⋅ δy
2 ∂z
Conservaci ón la masa :
Masa entrante − Masa saliente = ∆M = 0
∂u ∂v ∂w
Se tiene que : + + =0 (3)
∂x ∂y ∂z
En las aplicaciones que conciernen a esta tesis, la ecuación de continuidad y demás ecuaciones
mostradas, sólo tienen en cuenta dos dimensiones y no las tres.
15
5.3. Ecuaciones de Navier-Stokes3
Las ecuaciones de Navier Stokes, representan la segunda ley de Newton en los fluidos. Es decir, a
partir del diagrama de cuerpo libre de un volumen infinitesimal de un fluido en movimiento
establece la sumatoria de fuerzas y las iguala a la masa por la aceleración. A continuación se
muestra la demostración, partiendo de conceptos básicos de mecánica de materiales.
términos, por lo que antes de hacer el diagrama de cuerpo libre definiremos estas dos variables.
Masa:
Para comenzar a construir las ecuaciones de Navier-Stokes es primordial establecer como estudio
una línea de corriente de flujo, como se muestra en la Figura 2. El líquido tiene una densidad
por definición la masa es dA para flujo en dos dimensiones, Esto se ve con mayor facilidad en
la gráfica 1.
v
y
FIGURA 2. Espacio recorrido en un tiempo dt por una partícula en una línea de corriente.
3
Basado en Lu, “Introduction to..”. Pág 9 a 47
16
Aceleración:
Para demostrar la ecuación general de la aceleración, se va a utilizar la definición de aceleración
como la derivada de la velocidad. Para fines de entendimiento se utilizará la definición de
derivada como límite.
Por definición :
v *2 −v *1
a = lim
δt → 0 t − t
2 1
v *2 −v *1
a = lim
δt → 0 (t + δt ) − t
1 1
17
x
yy2
yx2
xy1
xx1 xx2 y
(x,y)
xy2
yx1
yy1
1 ∂σ xx 1 ∂σ xx
σ xx 1 = σ xx − ⋅ δx σ xx 2 = σ xx + ⋅ δx
2 ∂x 2 ∂x
1 ∂σ yy 1 ∂σ yy
σ yy 1 = σ yy − ⋅ δy σ yy 2 = σ yy + ⋅ δy
2 ∂y 2 ∂y
1 ∂σ xy 1 ∂σ xy
σ xy 1 = σ xy − ⋅ δx σ xy 2 = σ xy + ⋅ δx
2 ∂x 2 ∂x
1 ∂σ yx 1 ∂σ yx
σ yx 1 = σ yx − ⋅ δy σ yx 2 = σ yx + ⋅ δy
2 ∂y 2 ∂y
Por mecánica de materiales
σ xy 1 = σ yx 1
σ xy 2 = σ yx 2
Fx = σ xx 2 ⋅ δy − σ xx 1 ⋅ δy − σ yx 1 ⋅ δx + σ yx 2 ⋅ δx + ρ ⋅ δx ⋅ δy ⋅ g x
F y = σ yy 2 ⋅ δx − σ yy 1 ⋅ δx − σ xy 1 ⋅ δy + σ xy 2 ⋅ δy + ρ ⋅ δx ⋅ δy ⋅ g y
18
1 ∂σ xx 1 ∂σ xx
Fx = σ xx + ⋅ δx ⋅ δy − σ xx − ⋅ δx ⋅ δy
2 ∂x 2 ∂x
1 ∂σ yx 1 ∂σ yx
σ yx + ⋅ δy ⋅ δx − σ yx − ⋅ δy ⋅ δx + ρ ⋅ δy ⋅ δx ⋅ g x
2 ∂y 2 ∂y
∂σ xx ∂σ yx
Fx = + + ρ ⋅ g x ⋅ δy ⋅ δx
∂x ∂y
1 ∂σ yy 1 ∂σ yy
F y = σ yy + ⋅ δy ⋅ δx − σ yy − ⋅ δy ⋅ δx
2 ∂y 2 ∂y
1 ∂σ xy 1 ∂σ xy
σ xy + ⋅ δx ⋅ δy − σ xy − ⋅ δx ⋅ δy + ρ ⋅ δy ⋅ δx ⋅ g y
2 ∂x 2 ∂x
∂σ yy ∂σ xy
Fy = + + ρ ⋅ g y ⋅ δy ⋅ δx
∂y ∂x
∂σ xx ∂σ yx
ρ ⋅ a x ⋅ δx ⋅ δy = + + ρ ⋅ g x δx ⋅ δy
∂x ∂y
1 ∂σ xx ∂σ yx
ax = + + gx
ρ ∂x ∂y
∂σ yy ∂σ xy
ρ ⋅ a y ⋅ δx ⋅ δy = + + ρ ⋅ g y δx ⋅ δy
∂y ∂x
1 ∂σ xy ∂σ yy
ay = + + gx
ρ ∂x ∂y
19
∂u
σ xx = −α + 2 ⋅ µ ⋅ ∈xx = −α + 2 ⋅ µ ⋅
∂x
∂v
σ yy = −α + 2 ⋅ µ ⋅ ∈ yy = −α + 2 ⋅ µ ⋅
∂y
∂u ∂v
σ xy = 2 ⋅ µ ⋅ ∈xy = µ ⋅ +
∂y ∂x
∂u ∂v
σ xx + σ yy = −2α + 4µ ⋅ +
∂x ∂y
∂u ∂v
α = ⋅ (σ xx + σ yy ) + 2 µ ⋅
1
+
2 ∂x ∂y
α = ⋅ (σ xx + σ yy )
1
2
El segundo término es igual a cero si el flujo es incompresible ya que esto equivale a la ecuación
de continuidad anteriormente mencionada. Acá podemos observar que es el esfuerzo promedio
en x e y, los cales son las presiones en x e y respectivamente. Estos valores son iguales solamente
cuando los esfuerzos cortantes son 0 (Ej. : fluido estático). Este valor es dado por los
experimentos como la presión p (equivale a la presión de la ecuación de Bernoulli).
20
∂p ∂ 2u ∂ 2v ∂ 2u
ρ ⋅ ax = ρ ⋅ g x − + 2⋅µ ⋅ 2 + µ ⋅ +µ⋅ 2
∂x ∂x ∂y ⋅ ∂x ∂y
1 ∂p ∂ 2u ∂ 2u ∂ 2u
ax = g x − + 2 ⋅ν ⋅ 2 − ν ⋅ 2 + ν ⋅ 2
ρ ∂x ∂x ∂x ∂y
1 ∂p ∂ 2u ∂ 2u
ax = g x − +ν ⋅ + (4a )
ρ ∂x ∂x 2 ∂y 2
∂p ∂ 2v ∂ 2u ∂ 2v
ρ ⋅ ay = ρ ⋅ g y − + 2⋅µ ⋅ 2 + µ ⋅ +µ⋅ 2
∂y ∂y ∂x ⋅ ∂y ∂x
1 ∂p ∂ 2v ∂ 2v ∂ 2v
ay = g y − + 2 ⋅ν ⋅ 2 − ν ⋅ 2 + ν ⋅ 2
ρ ∂y ∂y ∂y ∂x
1 ∂p ∂ 2v ∂ 2v
ay = g y − +ν ⋅ +
ρ ∂y ∂x 2 ∂y 2
(4b)
Donde es la viscosidad cinemática que es
Las ecuaciones 4a y 4b son llamadas las ecuaciones de Navier-Stokes para flujo incompresible.
El número de Reynolds, es una relación adimensional entre las fuerzas inerciales y las fuerzas
viscosas. La importancia de este número, es que por medio de él se definen tres tipos de flujo:
Laminar, turbulento y la transición a la turbulencia. Esto es de mucha utilidad ya que
dependiendo del tipo de flujo, existen diferentes modelos físicos de describen su movimiento.
Más adelante se explicarán los tipos de flujo.
21
Como se dijo anteriormente el flujo de los fluidos físicamente se clasifica en tres tipos. Por lo que
a continuación se explicarán:
Todas las ecuaciones mencionadas anteriormente son generales, por lo que se aplican a todos los
regímenes de flujo. Sin embargo, al igual que cualquier ecuación diferencial, estas ecuaciones
cambian de acuerdo con las condiciones de frontera y las características del fluido.
Como se dijo anteriormente se va a trabajar con fluidos incompresibles, y además deben ser
fluidos Newtonianos (La deformación de cizalla es proporcional al cambio de velocidad en
relación a la dirección transversal al flujo considerado).
El flujo laminar se caracteriza tal como su nombre lo indica por ser en láminas o capas, cada una
de estas capas tiene una velocidad específica. Además, las corrientes de flujo se mantienen
iguales en el tiempo. Otra característica importante es que la velocidad perpendicular a las
láminas de flujo, es nula.
En el flujo laminar, al igual que en cualquier flujo, se considera que la capa que hace contacto
con una superficie sólida, se mueve a la velocidad de esta superficie. Sin embargo hay casos muy
específicos, en donde es posible que esta velocidad en la “capa límite”, no sea igual, aquí, se
considera una condición de deslizamiento. Esto va más allá de los alcances de esta tesis.
4
K.V SHARP, R. J. ADRIAN, “Transition from laminar to turbulent flow in liquid filled microtubes”. Revista
Experiments in Fluids 2004 Vol. 36 Pág. 741-747.
22
and Little [2], que experimentaron con canales de diferentes formas, especialmente trapezoidales,
en donde se observaron números de Reynolds (Re) críticos (Valor en el cual se entra en la zona
de transición) de hasta 500, estos datos fueron considerados por Obot, N. [3], el cual concluyó
que modificando estos valores por medio de una ecuación empírica (5), determinaba un Reynolds
reducido, el cual muestra que los Re críticos reducidos están entre 1800 y 2200, que se asemejan
a los valores de tuberías circulares obtenidos por Sharp and Adrian [1].
Re cc
Re m = × Re a (5a )
Re ac
f cc
fm = × fa (5b)
f ac
Donde es el número de Reynolds y f es el factor de fricción. m equivale al valor modificado de
Re o f. cc es el valor de f o Re en tuberías circulares crítico. ac es el valor crítico de Re o f para
un arreglo de datos experimentales. a se refiere a un valor arbitrario del arreglo de datos
correspondiente al que se le busca su valor reducido.
En las Figuras 2 y 3 (figure 2 y3 Obot N. [3]) se pueden observar 8 tipos de canales estudiados.
La figura 2 muestra los resultados de Wu y Little [2], y la figura 3 muestra los valores reducidos
obtenidos por Obot N. [3].
Los resultados obtenidos por Sharp and Adrian [1], se muestran en la gráfica 1, sin embargo, más
adelante se hablará con más detalle sobre estos datos.
Para los resultados obtenidos en otros experimentos nombrados por Obot N. [3], este sugiere que
hubo errores en el cálculo del Diámetro hidráulico, al igual que en la medición de las presiones al
inicio y al final del tramo estudiado.
23
Al leer referencias más antiguas como Streeter [4], se puede concluir claramente, que el flujo en
tuberías capilares circulares, cumple con las ecuaciones propuestas para tuberías circulares en
macro tamaños, esto no es extraño a lo propuesto por Sharp and Adrian [1], por lo que a
continuación se enuncian las ecuaciones que describen el flujo en microcanales y sus usos en las
investigaciones:
Poiseuille (7), se ha utilizado tanto para la calibración del diámetro de los micro-canales como
para hallar el valor teórico en la zona laminar del factor de fricción. También se ha utilizado para
establecer los comienzos de la transición.6
− dP
f = 2 × 4 ⋅ Dh dx (6)
ρ ×U 2
8 × C1
f = (7 )
Re Dh
ρ ⋅ 4 ⋅ Dh ⋅ U
Re Dh =
µ
Donde C1 Es una constante que depende de la sección (8 para sección circular), Dh es el
diámetro hidráulico, r la densidad, v la velocidad promedio axial, y m la viscosidad dinámica.
5
Sharp, “Transition From Laminar”. Pág. 741 a 747.
6
Sharp, “Transition From Laminar”. Pág. 741 a 747.
7
Victor L. Streeter, “Handbook of fluid Dynamics” McGraw Hill, New York, 1961 Pág. 16-93
24
2
r
v = vmax 1− (8)
r0
Donde vmax es la velocidad máxima (se presenta en el centro del tubo), r0 es el diámetro de la
tubería y r es la distancia entre el centro y el punto donde se necesita la velocidad.
La última ecuación (8) es una deducción hecha por Poiseuille, al igual que (7), derivadas de las
ecuaciones de Navier Stokes (4), en coordenadas cilíndricas, sin embargo, al igual que cualquier
ecuación, se puede llegar de varias formas.
Observando un anillo (figura 4), que equivale a una lámina de flujo con la misma velocidad, se
puede ver que la sumatoria de fuerzas es:
8
Sacado de, Victor L Streeter, “Mecánica de los fluidos”. Ediciones del Castillo, S.A. 1968. Pág. 235 a 238
25
0 = F1 + F2 − F3 − F4 + W
F1 = 2π ⋅ r ⋅ δr ⋅ p
F2 = 2π ⋅ r ⋅ δl ⋅ τ
dp
F3 = 2π ⋅ r ⋅ δr ⋅ p + ⋅ δl
dl
d
F4 = 2π ⋅ r ⋅ δl ⋅ τ + (2π ⋅ r ⋅ δl ⋅ τ ) ⋅ δr
dr
W = 2π ⋅ r ⋅ δr ⋅ δl ⋅ ρ ⋅ g ⋅ senθ
Entoces
d dp
− (2π ⋅ r ⋅ δl ⋅ τ ) ⋅ δr − 2π ⋅ r ⋅ δr ⋅ ⋅ δl + 2π ⋅ r ⋅ δr ⋅ δl ⋅ ρ ⋅ g ⋅ senθ = 0
dr dl
Pero
dh
senθ = −
dl
Se tiene :
1 d dp dh
⋅ (r ⋅ τ ) + +ρ⋅g⋅ =0
r dr dl dl
1 d d
⋅ (r ⋅ τ ) + ( p + ρ ⋅ g ⋅ h) = 0
r dr dl
multiplicando por r*dr e integrando se obtiene
r2 d
r ⋅τ + ⋅ ( p + ρ ⋅ g ⋅ h) = A
2 dl
En esta ecuación por condiciones de frontera, cuando r=0; A=0
26
Pero
dw
τ = −µ
dr
dw r2 d
−µ ⋅r + ⋅ ( p + ρ ⋅ g ⋅ h) = A
dr 2 dl
r d A dw
⋅ ( p + ρ ⋅ g ⋅ h) − = µ
2 dl r dr
r d A
dw = ⋅ ( p + ρ ⋅ g ⋅ h )dr − dr
2 µ dl µ ⋅r
r2 d A
w= ⋅ ( p + ρ ⋅ g ⋅ h ) − ⋅ ln(r ) + B
4 µ dl µ
Las condiciones de frontera son:
r = R0 ;A=0; w=0
R02 d
B=− ⋅ ( p + ρ ⋅ g ⋅ h)
4 µ dl
Entonces la velocidad en función del radio queda:
( R02 − r 2 ) d
w=− ⋅ ( p + ρ ⋅ g ⋅ h)
4µ dl
Por máximos y mínimos, se puede ver que la velocidad máxima se da cuando r=0. Además si el
tubo es horizontal h=0 y -dp/dl = P/ l entonces:
w=
(R 2
0− r 2 ∆P
⋅
)
4µ ∆l
El caudal y la velocidad media se pueden hallar con el siguiente procedimiento:
R0
Q = 2π ⋅ r ⋅ w ⋅ dr
0
R0
R02 − r 2 ∆P
Q = 2π ⋅ r ⋅ ⋅ dr
0
4µ ∆l
π ∆P 4
Q= ⋅ ⋅ R0
8µ ∆l
27
Q Q ∆P R02
Velmedia = = 2 = ⋅
A πR0 ∆l 8µ
Si esta velocidad se expresa de acuerdo con su diámetro se tiene:
∆P D 2
Vmedia = ⋅ (9)
∆l 32 µ
Como se dijo anteriormente, estas dos ecuaciones, son aplicadas sólo a tubos circulares. Además,
solo aplica a flujo laminar.
FIGURA 4. Diagrama de cuerpo libre de una capa en forma de anillo de espesor r y longitud l, en un tubo
circular.
28
GRÁFICA 1. Factor de fricción f vs. Número de Reynolds. Fuente: Sharp and
Adrian [1].
10.0000
1.0000
f
y = 63.098x-0.9984
R2 = 0.9982
0.1000
0.0100
10.00 100.00 1000.00 10000.00
Re
GRÁFICA 1. Factor de fricción f vs. Número de Reynolds. Fuente: Sharp and Adrian [1].
29
5.6. Flujo Turbulento
El flujo turbulento a diferencia del flujo laminar, es caótico y no es posible determinar láminas de
flujo. Por lo tanto, las líneas de flujo se cruzan en el tiempo, y existen velocidades en todas las
direcciones, lo cual es propicio para los procesos de mezcla en el flujo.
Estas características hacen del flujo turbulento muy útil, a la hora de mezclar dos o más fluidos,
además de ayudar a aumentar la transferencia de calor hacia un fluido o fuera de este9.
9
Mott, “Mecánica de Fluidos Aplicada”, Pág. 221.
10
Tomada de Mott “Mecánica de Fluidos Aplicada”, Pág. 248.
30
−0.25
Re Dh
f = 0.079 × (10)
4
0.25
f = 2
(11)
1 5.74
ln +
3.7 × 4 ⋅ Dh
0.9
Re Dh
∈
En las figuras 6, 7 y 8 de Yang et al. [5] es importante observar que no todos los canales
estudiados entran dentro de la clasificación de microcanales establecida por Obot, N. [3]. Sin
embargo si se observa la figura 2 (figure 2 en Obot N. [3]), los datos experimentales de Wu and
Little [2], cumplen con la ecuación de Blassius (6), pero los resultados reducidos mostrados por
Obot N. [3] (figura 3. Obot N. [3]), no tienen un recorrido específico, y no se asemejan a la
ecuación de Blasiuss.
Con todo lo nombrado anteriormente, se puede concluir, que las ecuaciones establecidas para el
flujo turbulento en tuberías grandes, se cumplen para micro-canales circulares. Por esto, se
hablará sobre estas ecuaciones a continuación.
El perfil del flujo turbulento por sus propiedades caóticas, es más complicado de analizar y
depende de más variables, ya que por ejemplo, el factor de fricción no es constante en la longitud
(canales y conductos cerrados no circulares). Esto se produce por que la tensión de cizalla no es
constante en la longitud y ha sido descrita con la ecuación (12)11.
ρ
τ0 = λ ⋅ ⋅ v *2 (12)
2
Donde r es la densidad, v* es la velocidad promedio en la dirección principal de flujo y l un
coeficiente sin dimensiones.
11
La demostración de la ecuación de Darcy es basada en Streeter, “Mecánica de Fluidos”, Pág. 271 a 272.
31
Ya teniendo el valor de la tensión de cizalla, se puede establecer el diagrama de cuerpo libre
(figura 5), y así la segunda ley de Newton, en donde para flujos permanentes y sin cambio de
sección, la aceleración es 0. Esto es:
(P1 − P2 ) ⋅ A + ρ ⋅ g ⋅ ∆z ⋅ A = τ 0 ⋅ L ⋅ Pmojado
Por la ecuación general de la energía, se tiene que las pérdidas de energía en un conducto con
sección constante son:
(P1 − P2 ) + ρ ⋅ g ⋅ ∆z
E perdida λ ⋅ ρ ⋅ v *2
=
L 2 ⋅ Dh
Donde Dh es el radio hidráulico que es A/Pmojado (A = área mojada y Pmojado = perímetro mojado)
Si es f/4 y la Eperdida/L es -dP/dx, obtenemos la ecuación de Darcy (6). (v* es la misma
velocidad promedio U).
L
R0
P1A P2A
W
Pmojado L 0
Ahora bien, sabiendo, que el flujo en microcanales circulares con diámetro mayor a 1 m, se
pueden desarrollar los conceptos básicos del flujo turbulento como son el perfil de velocidad12 y
los factores de fricción13, que están ligados por la tensión de cizalla ya nombrada la cual puede
ser determinada también por la ecuación:
12
La demostración del perfil de velocidad se basa en Streeter, “Mecánica de Fluidos”, Pág. 246 a 249.
13
La demostración y análisis empírico se basan en Streeter, “Mecánica de Fluidos”, Pág. 275 a 278.
32
du
τ 0 = (µ + η )
dy
Donde es la viscosidad de Eddie, que depende de la densidad y del movimiento del fluido.
Para este caso, se tiene un flujo laminar cerca de la pared, de aquí en adelante, las viscosidad
toma prelación, y el flujo es turbulento. Para este caso se tiene:
2
du
τ0 = ρ ⋅l 2
dy
u u* ⋅ y
= y ≤δ (13a )
u* ν
u 1
= ⋅ ln( y ) + C y ≥δ (14a )
u* κ
33
La min ar :
u w u *δ N ⋅ν
= =N δ=
u* ν u*
Turbulento :
uw 1
= ⋅ ln(δ ) + C
u* κ
1 N ⋅ν 1 N ⋅ν
N= ⋅ ln +C C=N− ⋅ ln
κ u* κ u*
u 1 1 N ⋅ν
= ln ( y ) − ln +N
u* κ κ u*
u 1 y
= ⋅ ln +N
u* κ N ⋅ν
u*
u 1 y ⋅ν 1
= ⋅ ln − ⋅ ln ( N ) + N
u* κ u* κ
u 1 y ⋅ν 1
= ⋅ ln +A Donde A = − ⋅ ln ( N ) + N (15)
u* κ u* κ
A es una constante experimental, que tiene un valor de 5,5 para tuberías lisas. Y para las
mismas condiciones tiene un valor de 0,4014.
Esta ecuación, proporciona el perfil de velocidad para flujo turbulento, sin embargo u* no es una
valor que se conozca claramente, ya que no se conoce 0, para poder esclarecer la ecuación, se va
a hallar la velocidad media por medio del concepto de caudal y una integral15.
14
Valores tomados de Streeter, “Mecánica de Fluidos” Pág. 249. Sin embargo son datos experimentales tomados de
L. Nikuradse, Gesetzmassigkeiten der turbulenten Strömung in Glatten Rohren”, VDI Forschungsh., Vol 356, 1932.
15
Streeter, “Mecánica de Fluidos”, Pág 247 a 248.
34
um 1 r ⋅u
= ⋅ ln 0 * + A (15a )
u* κ ν
um u 1 r ⋅u y ⋅ u*
− = ⋅ ln 0 * − ln
u * u* κ ν ν
um u 1 r
− = ⋅ ln 0
u * u* κ y
u* y
u = um + ⋅ ln
κ r0
1
y u y y
U = 2 1− ⋅ u m + * ⋅ ln ⋅d
δ r0 κ r0 r0
r0
1
u* y y u y y y
U = 2 ⋅ um + ⋅ ln − u m ⋅ − * ⋅ ⋅ ln ⋅d
δ κ r0 r0 κ r0 r0 r0
r0
35
La solución de esta integral, consta de dos integrales por partes (las de ln), y dos integrales de
polinomios. La solución es:
1
2 2 2
y y u m u* y y u y u y y 1 u y
U = 2 ⋅ um ⋅ − + ⋅ ⋅ ln − *⋅ − * ⋅ ⋅ ln + ⋅ *⋅
r0 r0 2 κ r0 r0 κ r0 2 ⋅ κ r0 r0 4 κ r0 δ
r0
δ δ δ 3 u*
Como δ → 0, y ⋅ ln →0 U = um − ⋅ (16)
r0 r0 r0 2 κ
Del diagrama de cuerpo libre de la figura 5, en tuberías circulares, se tiene que la fuerza de la
diferencia de presiones es contrarrestada por la fuerza cortante. De esto se tiene que la tensión de
cizalla es:
∆p r0
τ0 = ⋅
L 2
Por Darcy se tiene :
∆p 1 U2
= f ⋅ ⋅ρ⋅
L 2r0 2
Re emplazando :
τ0 f
= ⋅ U = u* (17)
ρ 8
Reemplazando las ecuaciones 15ª y 16 en 17 se tiene que:
f 1 r0 ⋅ u * 3 1
u* = ⋅ u* ⋅ ⋅ ln +A − ⋅
8 κ ν 2 κ
8 1 r f 3 1
= ⋅ ln 0 ⋅ ⋅U + A − ⋅
f κ ν 8 2 κ
Re r0 ⋅ U
Como = entonces:
2 ν
36
8 1 f Re 3 1
= ⋅ ln ⋅ + A− ⋅
f κ 8 2 2 κ
1
=
1
⋅ ln Re⋅ ( )
f −
1
( )
⋅ ln 4 2 +
A
−
3
⋅
1
f 8 ⋅κ 8 ⋅κ 8 2 8 κ
1
(
= 0.884 ⋅ ln Re⋅ )
f − 0.913
f
Esta ecuación es utilizada para tuberías lisas. Nikuradse, igualmente, determinó la ecuación (18b)
para tuberías rugosas en la zona de turbulencia total, teniendo en cuenta la rugosidad artificial
generada por arena homogénea.
1 ∈
= 1.14 − 0.86 ⋅ ln (18b)
f D
Donde es el tamaño de la arena. La constante de 1.14, es determinada por dos variables que
son la forma y la distribución de las protuberancias de la rugosidad (arena). Para tuberías
comerciales es diferente este valor. Esto se hace evidente en la gráfica de transición de
Colebrook18, que sale de manejar las ecuaciones 18a, y 18b.
La gráfica de Colebrook tiene como ordenadas la ecuación 18c y abscisas la ecuación 18d.
16
Valores tomados de Streeter, “Mecánica de Fluidos” Pág. 249. Son datos experimentales tomados de L. Nikuradse,
Gesetzmassigkeiten der turbulenten Strömung in Glatten Rohren”, VDI Forschungsh., Vol 356, 1932.
17
Tomado de Streeter, “Mecánica de Fluidos”, Pág. 276. Son datos experimentales tomados de L. Nikuradse,
Gesetzmassigkeiten der turbulenten Strömung in Glatten Rohren”, VDI Forschungsh., Vol 356, 1932.
18
Gráfica tomada de Streeter, “Mecánica de Fluidos”. Pág. 276.
37
1 ∈
+ 0.86 ⋅ ln (18c)
f D
∈
ln Re⋅ ⋅ f (18d )
D
Colebrook, desarrolló una fórmula empírica para tuberías comerciales entre la ecuación de
turbulencia total y tuberías lisas, esta fórmula es:
∈
1 2.51
= −0.86 ⋅ ln D + (19)
f 3.7 Re⋅ f
Hasta ahora se han mostrado ecuaciones para el perfil de velocidad, en función de u*, esto es un
poco complicado de entender, por lo que a continuación se va a mostrar una ecuación del perfil,
que solo depende de la velocidad promedio y el factor de fricción de Darcy.
38
3 f 3 f r
u =U + ⋅ ⋅U + ⋅ ⋅ U ⋅ ln 1 −
2 ⋅κ 8 2 ⋅κ 8 r0
r
ln 1 −
r r0
log 10 1 − =
r0 ln(10)
3 f 3 f r
u =U ⋅ 1+ ⋅ + ⋅ ⋅ ln(10) ⋅ log 10 1 −
2 ⋅κ 8 2 ⋅κ 8 r0
r
u = U ⋅ 1 + 1.43 ⋅ f + 2.15 ⋅ f ⋅ log 10 1 − (20)
r0
La ecuación (20) se aplica a cualquier tubería en flujo turbulento. Al igual que en flujo laminar,
la máxima velocidad se presenta en el centro de la tubería. Es importante recordar, que esta
ecuación se aplica hasta que r=ro-
Cabe anotar, que actualmente, las aplicaciones de los microcanales están encaminadas a sistemas
de refrigeración y se ha observado que el flujo laminar es mucho más eficiente que el flujo
turbulento. Actualmente se utilizan valores de Re muy bajos. Sin embargo como se dijo al
principio, según Mott [6], en flujo turbulento aumenta la transferencia de calor en macro-
tamaños.
39
5.7. Flujo durante la transición.
El análisis presentado del comienzo de la pérdida de estabilidad en la capa límite, se deriva de las
ecuaciones diferenciales generadas por la ecuación de la continuidad y las ecuaciones de Navier
Stokes, con condiciones de frontera para una un flujo entre dos placas planas, al colocarse una
función de corriente que describa una onda, la cual es una función con variables complejas. La
idea de esta onda es generar la inestabilidad y así encontrar los comienzos de la transición (punto
en donde cambia de perfil).
Este concepto, de la pérdida de estabilidad se puede explicar de una manera más simple20,
teniendo en cuenta la mecánica de materiales.
Si se observa el flujo de un material muy viscoso, saliendo de un orificio a gran velocidad al aire,
se visualiza que al principio, es en línea recta, en la cual se puede considerar un flujo laminar. A
cierta distancia del orificio de salida, la línea de corriente se tuerce, y se comienzan a generar
espirales en el caso de un orificio circular o comienza a oscilar como un péndulo en el caso de
una salida rectangular alargada. En este tipo de flujo, la resistencia que genera el aire, se puede
19
Victor L. Streeter, “Handbook of fluid Dynamics” Pág. 9-56 a 9-64
20
Tomado de S.L. Arsenjev, I. B. Lozovitski, Y.P. Sirik, “The Laminar flow instability criterion ang turbulence in
pipe”
40
analizar de dos maneras, i) Pérdida de energía por fricción, utilizada para una análisis común en
tuberías. ii) Fuerza por longitud, que genera un esfuerzo axial en la corriente de flujo.
Esta última forma de interpretar le resistencia del aire, hace que el sistema sea semejante al de
una barra larga y delgada muy elástica que comienza a doblarse por la acumulación de carga
axial consecuencia de su peso propio. Este problema fue analizado por Euler, para el caso de un
empotramiento en uno de los extremos.
En esta ecuación si NE llega a ser mayor, la barra se vuelve inestable. Como se puede ver
claramente, la longitud es un factor importante.
Con esta ecuación, se puede describir el inicio de la transición si se busca la semejanza entre la
fuerza axial y la diferencia de presión. Esto se puede lograr con la ecuación de Poiseuille.
Teniendo en cuenta que la presión cae linealmente, la presión promedio es P/2 se tiene que la
fuerza es esta presión por el área y se tiene lo siguiente:
2
µ U __ 2
25.9 ⋅ ⋅ ⋅ χ⋅L ≥1
E L
41
El módulo de elasticidad de un fluido puede ser expresado en función de la velocidad de
propagación del sonido. Reemplazando este valor y expresando la ecuación en función de Re y el
número Mach (M) la ecuación queda de la siguiente forma:
2
k ⋅ µ ⋅V 2 ⋅ D __ 2
25.9 ⋅ 2 ⋅ χ⋅L ≥1
a ⋅V ⋅ L ⋅ ρ ⋅ D
3 2
k ⋅M 2 __ 2
25.9 ⋅ χ⋅L ≥1 (21)
Re
Donde k es el exponente adiabático. Para fluidos el valor de varia entre 0.715 y 1.12
Es importante observar, que de acuerdo con este análisis, la transición depende de la relación
entre la longitud y el diámetro, por lo que para los análisis posteriores con inteligencia artificial,
se harán modelos que incluyan este factor.
42
6. DATOS EXPERINENTALES SUMINISTRADOS POR SHARP Y ADRIAN
Para cumplir los objetivos de esta tesis fue necesario contar con la información de este artículo de
primera mano, por lo que se contactó por medio de mail a PhD. K. V. Sharp, el cual estuvo
gustoso de suministrar la información de su experimento publicado en [1] .
El experimento consiste en hacer pasar un líquido a través de un tubo capilar, a partir de una
diferencia de presiones.
Cada tubo capilar está hecho de una fusión silicio (fused Silica, cubierto externamente por
Polyimide rugosidad asumida: 1 m), a los cuales se hizo una medida exacta de su diámetro
interno por medio de la ecuación de flujo de Poiseuille, y números de Reynolds menores a 400,
de tal forma que se disminuyera la incertidumbre y se aumentara la confiabilidad de las
mediciones.
Una vez que se ha establecido el flujo permanente por la diferencia de presión, se procedió a
tomar lecturas de esta, de la velocidad y temperatura.
43
Esto se repitió varias veces para cada tubo capilar y cada fluido utilizado. A continuación se
muestra una tabla resumen (Tabla 1)21. En esta tabla se muestran las condiciones iniciales para
cada arreglo de datos, además del número de mediciones de velocidad, (por cada dato de
velocidad se tiene un número de Reynolds y un factor de fricción de Darcy, crucial para el
alcance de los objetivos de esta tesis), y por último, se muestra el número de datos tomados con
Reynolds mayores a 1800, lo cuales son los que se van a utilizar en la modelación por medio de
Redes Neuronales.
Cilindro de gas comprimido. Su función es suministrar gas a una presión constante que logre
empujar el fluido a través del tubo capilar (genera la diferencia de presión).
Recipiente con líquido: Este recipiente es totalmente hermético, de tal forma que no hallan
escapes. Acá la presión suministrada por el gas, es transferida al líquido. El recipiente tiene dos
salidas, cada una con un tubo y su respectiva válvula, por la primera llega el gas comprimido y
por la segunda salida se desplaza el fluido hacia el tubo capilar.
Tubo capilar y líquido: En este tubo es en el que se hacen las medidas de velocidad del líquido,
para así determinar los valores del factor de fricción. En total se utilizaron 13 tubos distintos, que
variaban diámetro y longitud, la lista se muestra en al tabla 1,Los líquidos utilizados fueron (agua
des-ionizada, l-propanol y solución al 20% en peso de glicerol).
21
Esta tabla resumen, fue tomada de los datos suministrados por Sharp y Adrian. Base del artículo presentado
“Transition from laminar to turbulent flow in liquid filled microtubes”. Revista Experiments in Fluids 2004 Vol. 36
Pág. 741-747.
44
Computadores y sistemas de medición: Se utilizaron balanzas, censores y computadores para
tomar las mediciones de presión.
Se midieron algunas velocidades a partir de PIV (Particle Image Velocimetry), que es un sistema
que toma la velocidad de partículas fluorescentes de aproximadamente 2 micras de diámetro.
En la figura 2 del artículo de Sharp et. al. [1] se muestra el montaje del equipo.
Además de las mediciones hechas, se tuvieron en cuenta los cambios en la densidad y viscosidad
por el cambio de temperatura de los fluidos utilizados, y se consideraron las pérdidas de entrada y
salida en le tubo capilar.
Los datos significativos para esta investigación (agua), utilizados en este experimento se
muestran en la siguiente lista:
Agua: Densidad a 20 °C (kg/m^3) 998,21
Densidad a 30 °C (kg/m^3) 995,65
Viscosidad a 20 °C (N-s/m^2) 1,003E-03
Viscosidad at30 °C (N-s/m^2) 7,990E-04
A través de los últimos 10 años, se han hecho varios experimentos, similares a este, en donde el
objetivo es hallar el valor del factor de fricción en microcanales, se ha encontrado que los
resultados obtenidos, parecen tener problemas con la medición del radio hidráulico de la sección,
este valor es muy importante, ya que genera resultados catastróficos en la apreciación del factor
de fricción: “Un incremento del 5% en el radio hidráulico genera un decremento del 28% al 22%
en el factor de fricción y la constante de fricción laminar aproximadamente”22 .
22
Ian Papautsky y Tim Ameel “A Review Of Laminar Single-Phase Flow In Microchannels”, Proceedings of 2001
ASME International Mechanical Engineering Congress and Exposition. Noviembre 11-16, 2001, New York, NY.
45
TABLA 1. Datos constantes de cada arreglo de f y Re recolectados.
Cantidad de Cantidad
Dia (in L (in
Run Name liquid T (°C) rho (kg/m^3) mu (N-s/m^2) vel. datos en
microns) mm)
Tomadas transición
46
d100p2000bd4_710 DI 25,1 996,9 8,99E-04 101,5 200 33 8
El artículo elaborado por Sharp y Adrian [1], tenía como objetivo principal estudiar la transición
hacia la turbulencia, por lo que los resultados, fueron dirigidos a mostrar con claridad los
números de Reynolds a los cuales se comenzara a no cumplir el flujo de Poiseuille. Los gráficos
utilizados para esto fueron:
o f vs. Re. Ya fue mostrada anteriormente (gráfica 1), en ella se observa la linealidad para
Re menores a 1800, en donde como se ha dicho, se cumple la ecuación de Poiseuille, de
aquí en adelante (gráfica 2), ocurre la transición de acuerdo con Sharp y Adrian.
47
o Po/16 vs. Re, (gráfica 3) Aquí se observa más claramente, los comienzos de la transición.
Para flujo laminar, se cumple que el valor es 1. Los datos experimentales oscilan entre 0.9
y 1.1, lo que está en los límites de la incertidumbre del ensayo. Para Reynolds mayores a
1800, se ve claramente que esta relación se rompe, llevando la relación a 1,4 (gráfica 4).
Las bases teóricas de esta relación se encuentran en la ecuación (7). Po, llamado en
número de Poiseuille, es 2*C1 = 16 (tubería circular), lo que es igual a f*Re/4, su división
debe ser 1.
48
GRÁFICA 2. El factor de fricción vs. Re en la transición discrim inados por diám etro y longitud para el flujo de
agua en m icrotubos
0.1
0.01
1000.00 10000.00
Número de Reynolds
GRÁFICA 2. Factor de fricción vs. Número de Reynolds discriminados por diámetros y longitud para el flujo de agua en
microcanales (Re>1800). Fuente Sharp y Adrian [1]
49
GRÁFICA 3. Número de Poiseuille vs. Número de Reynolds
1.4
1.3
1.2
2C /16
1.1
1
0.9
0.8
10.00 100.00 1000.00 10000.00
Número de Reynolds
GRÁFICA 3. Número de Poiseuille vs. Número de Reynolds. Los puntos experimentales deben ser 1 si el flujo es laminar
aquí se puede observar el comienzo de la transición para el flujo de agua en microcanales . Fuente Sharp y Adrian [1].
50
GRÁFICA 4. Número de Poiseuille vs. Número de Reynolds, discriminados por
diámetro y longitud para el flujo de agua en microtubos (Re > 1800)
1.4
0.8
1000.00 10000.00
Número de Reynolds
GRÁFICA 4. Número de poiseuille vs. Número de Reynolds, discriminados por diámetro y longitud para el flujo de agua
en microcanales (Re>1800). Fuente Sharp y Adrian [1]
51
GRÁFICA 5. P* vs. Re
4500
4000
3500
3000
2500
P*
2000
1500
1000
500
0
0.00 500.00 1000.00 1500.00 2000.00 2500.00 3000.00 3500.00
Re
GRÁFICA 5. DP* vs. Re. para el flujo de agua en microcanales. Donde DP*, es un valor adimensional calculado con los
valores experimentales que debe ser igual al valor de reynolds. Fuente Sharp y Adrian [1]
52
GRÁFICA 6. DP* vs. Re en la transición discriminados por diámetro y longitud para
el flujo de agua en microtubos
4500
2500
Tubo de D=101,5micras y L=200mm
1500
1800.00 2000.00 2200.00 2400.00 2600.00 2800.00 3000.00
Re
GRÁFICA 6. DP* vs. Re. para el flujo de agua en microcanales. Donde DP*, es un valor
adimensional calculado con los valores experimentales que debe ser igual al valor de reynolds.
(Re>1800). Fuente Sharp y Adrian [1]
6.4. Conclusiones
o Por debajo del número de Reynolds crítico, el flujo puede ser descrito por la Ecuación de
Poiseuille con muy buena aproximación.
53
o El criterio del número de Reynolds, se aplica bastante bien al flujo en micro-canales.
Para el alcance de esta tesis, de acuerdo con estas conclusiones se tiene lo siguiente:
o Los datos importantes en la modelación en redes neuronales, se constituyen en valores del
número de Reynolds mayores a 1800.
o De acuerdo con esto, la base de datos con que se cuenta es de 244 datos, todos para agua.
54
7. MODELOS DE INTELIGENCIA ARTIFICIAL
Para el alcance de esta tesis, se puede ver claramente, que la única variable dependiente es el
factor de fricción de Darcy.
Las variables independientes en la transición, al menos deben ser las mismas que en flujo
turbulento, es decir la rugosidad relativa /D Y el número de Reynolds. Por otro lado, existen
teorías que aseguran que este factor de fricción depende de la longitud, por lo que será incluida
para algunos casos como variable independiente con dimensión en metros y en otros casos como
en la relación adimensional L/D.
Además de estas variables independientes, existen otras variables, como son la distribución y la
forma de las protuberancias (rugosidades), estas variables no son cuantificables, por lo que hasta
el momento, todas sus estimaciones se han hecho a partir de constantes halladas empíricamente,
tal y como ya se mostró en la teoría. Siguiendo esta misma línea, los sistemas de inteligencia
artificial, consiguen estos factores constantes, por lo que no es necesario incluirlos
explícitamente.
En los datos que se tienen por Sharp y Adrian, la rugosidad es una constante, ya que todos los
tubos están hechos del mismo material. Por lo tanto, la rugosidad relativa puede ser la relación
entre una constante (determinada por el modelo de I.A. igual a la rugosidad por una constante) y
el diámetro. Por esta razón el desconocimiento de esta variable no es importante para la
modelación.
Además de observar los análisis hechos por Sharp y Adrian a su información, se decidió que era
importante, tratar de encontrar un patrón para los datos obtenidos en la transición. Para ello se
utilizó la gráfica de transición de Colebrook (fig. 5.29 de Streeter [7]), como un buen sistema de
55
entendimiento de los datos. Para ello se calcularon las abscisas y ordenadas de esta gráfica para la
información recolectada. Esto se graficó en Excel y se obtuvo la gráfica 14.
Por otro lado teniendo en cuenta la teoría de transición mencionada en esta tesis, se decidió
incluir la relación entre la longitud y el diámetro, teniendo en cuenta que a medida que la
longitud tiende a infinito, su influencia es menor, se hizo el gráfico 15. A continuación se
muestran las ecuaciones utilizadas para las abscisas y las ordenadas.
Abscisas :
∈ L
Λ = ln Re⋅ f ⋅
⋅
D D
Ordenadas :
1 ∈ 1
Ο= + 0.86 ⋅ ln + 1− 2
f D L
ln
D
56
GRÁFICA 14. GRÁFICA DE TRANSICIÓN DE COLEBROOK
1,00E+00
1,00E-01
0,25 0,45 0,65 0,85 1,05 1,25 1,45 1,65 1,85
LN(Re*f^0,5* D)
Tubo de D=247micras y L=231mm Tubo de D=246micras y L=194mm Tubo de D=242micras y L=100mm Tubo de D=184micras y L=179,5mm
Tubo de D=181micras y L=100mm Tubo de D=177micras y L=200mm Tubo de D=101,5micras y L=200mm Tubo de D=100,5micras y L=180mm
Tubo de D=75,8micras y L=80mm Swamee-Jain 247 Swamee-Jain 246 Swamee-Jain 242
Swamee-Jain 181 Swamee-Jain 177 Swamee-Jain 101.5 Swamee-Jain 100.5
Swamee-Jain 75.8 Swamee-Jain 184 Blassius Poiseuille
57
GRÁFICA 15. Gráfica empírica similar a la gráfica de transición de Colebroke, que tiene en cuenta la
longitud del tubo capilar.
10
1
6,2 6,7 7,2 7,7 8,2 8,7 9,2 9,7
Tubo de D=247micras y L=231mm Tubo de D=246micras y L=194mm Tubo de D=242micras y L=100mm Tubo de D=184micras y L=179,5mm
Tubo de D=181micras y L=100mm Tubo de D=177micras y L=200mm Tubo de D=101,5micras y L=200mm Tubo de D=100,5micras y L=180mm
Tubo de D=75,8micras y L=80mm Swamme fucsia Swamee azul 242
181 184 177 101.5
100.5 75.8 BLassius
58
7.2. Modelo en Redes Neuronales
Una red neuronal artificial es una estructura computacional inspirada en la forma de trabajo de las
redes de neuronas naturales del cerebro. Esta consiste en simples unidades computacionales
llamadas neuronas, que están altamente interconectadas. Cada interconexión tiene una fuerza,
expresada como un número real llamado peso.
La capacidad básica de las redes neuronales es aprender a partir de ejemplos. Esto es logrado
ajustando los pesos de las interconexiones de acuerdo con un algoritmo de aprendizaje. En
general el aprendizaje puede ser supervisado o no supervisado. En un algoritmo de aprendizaje
supervisado, a cada patrón de entrada se asigna una clase a la cual debe pertenecer. Es decir, la
respuesta deseada de la red para cada entrada de entrenamiento, se compara con la salida
entregada por la red neuronal actual, de tal forma que se ajustan los pesos y así la red aprende.
Estos ajustes, que tienen como propósito minimizar la diferencia entre el valor de salida esperado
y actual, son hechos gradualmente. Es decir, se efectúan pequeños ajustes en los pesos en la
dirección deseada para cada pareja de entrada-salida. Esto es esencial para facilitar una solución
convergente, en la que los patrones de entrenamiento son representados con gran fidelidad. Una
vez la red neuronal a llegado a una solución, esta es capaz de clasificar cada patrón de entrada
desconocido, en datos cercanos con patrones de entrada conocidos.
59
Existen muchas formas de estructurar una red neuronal. Para este trabajo de grado, se va a utilizar
el método Bakcpropagation, en el cual, la idea es arreglar los pesos comenzando desde la última
capa, hasta a primera capa, pasando por todas las capas ocultas. Los modelos utilizados están
programados en una red neuronal hecha en Matlab23.
Para cumplir con los objetivos de este trabajo de grado se hicieron varios perceptrones, de tal
forma que se tuvieran en cuenta todas las posibles combinaciones de variables para obtener
resultados óptimos.
Los perceptrones utilizados, se basaron en las variables independientes y las gráficas 14 y 15. A
continuación se muestran los diagramas de cada perceptrón entrenado, y un resumen de las
características más importantes.
7.2.1. Perceptrón 1.
23
El código fue creado por Liliana Vivas, auxiliar del grupo Hidrociencias de la Pontificia Universidad Javeriana,
Facultad de Ingeniería, Carrera de Ingeniería Civil, sección Hidrotecnia y Hambiental.
60
DR 233* Ln(Re), ln(v/D), ln(f) Ecuación 18c Logsig 233 0
DR 80 Ln(Re), ln(v/D), ln(f) Ecuación 18c Logsig 80 0
DR 200 * Ln(Re), ln(v/D), ln(f) Ecuación 18c Logsig 200 33
61
7.2.2. Perceptrón 2
7.2.3. Perceptrón 3
La idea de este perceptrón fue observar el comportamiento con varias capas ocultas.
62
7.2.4. Perceptrón 4 y 5
Estos perceptrones, fueron utilizados para observar los cambios en la salida con esta estructura
neuronal. Se emplearon la variables independientes Ln(Re), ln(v/D), ln(f),la variable dependiente
Ecuación 21.
Para el perceptrón 4 se utilizaron todos los datos para calibración, mientras que para el perceptrón
5 se utilizaron 200 para calibración y 33 para validación. El diagrama de estos perceptrones se
muestra en la figura 9.
Capa 3, Capa de salida.
Capa 2, Capa oculta.
independientes
63
Capa 2, Capa oculta.
7.2.5. Observaciones
Las redes neuronales modeladas que tienen como variable dependiente la ecuación 21, tienen el
problema que utilizan a f, como variable independiente. Esto hace que se pierda el objetivo de
hallar el factor de fricción, ya que es necesario f como dato de entrada. Este problema, se
soluciona, después del entrenamiento del modelo neuronal, es decir, teniendo los pesos de la red,
utilizando una semilla para el factor de fricción y así, iterando hallar un valor de f, que satisfaga
la igualdad. El método de iteración que se va a utilizar es el método de Newton-Raphson.
64
Este razonamiento se utilizó por la base histórica que se tiene acerca del factor de fricción en
régimen turbulento, en el cual se tiene una ecuación implícita de f. Que es a lo que se llega con el
modelo de redes neuronales y el método de Newton-Rapston.
Capa 1, o variables
Capa 1, o variables
Capa 3, Capa de salida.
independientes
Capa 2, Capa oculta.
Perceptrón 4 Perceptrón 5
Para todas las redes neuronales, los datos de entrada fueron arreglados de manera lineal teniendo
en cuenta el valor mayor y menor de la variable, y haciendo una regla de tres se obtuvieron los
valores arreglados. En la tabla 4 y 5 se muestran los valores máximos y mínimos reales y
arreglados utilizados para cada corrida y variable.
65
TABLA 4. Valores máximos y mínimos escalados utilizados para reescalar las variables
independientes y dependientes.
L, L/D,
Nombre
D o Ln(D) Re o Ln(Re) v/D o ln(v/D) ln(L) o f o ln(f) Ln K
Perceptrón
ln(L/D)
DRN 3 233 -2.85 2.85 -2.85 2.85 -2.85 2.85 0.05 0.95
DRN 3 200 -2.85 2.85 -2.85 2.85 -2.85 2.85 0.05 0.95
lnDRN 3 233 -2.85 2.85 -2.85 2.85 -2.85 2.85 0.05 0.95
lnDRN 3 80 -3 3 -3 3 -3 3 0.05 0.95
DRNL 3 200 -2.85 2.85 -2.85 2.85 -2.85 2.85 -2.85 2.85 0.05 0.95
DRNLD 3 200 -2.85 2.85 -2.85 2.85 -2.85 2.85 -2.85 2.85 0.05 0.95
LnK 233* -2.85 2.85 -2.85 2.85 0.05 0.95 0.05 0.95
LnK 80 -3 3 -3 3 0.05 0.95 0.05 0.95
LnK 200 * -2.85 2.85 -2.85 2.85 0.05 0.95 0.05 0.95
DRN 4 233 -2.85 2.85 -2.85 2.85 -2.85 2.85 0.05 0.95
DRN 4 200 -2.85 2.85 -2.85 2.85 -2.85 2.85 0.05 0.95
DRNL 4 233 -2.85 2.85 -2.85 2.85 -2.85 2.85 -2.85 2.85 0.05 0.95
DRNL 4 80 -3 3 -3 3 -3 3 -3 3 0.05 0.95
DRNL 4 200 -2.85 2.85 -2.85 2.85 -2.85 2.85 -2.85 2.85 0.05 0.95
lnDRNL 4 200 -2.85 2.85 -2.85 2.85 -2.85 2.85 -2.85 2.85 0.05 0.95
lnDRNL 4 80 -3 3 -3 3 -3 3 -3 3 0.05 0.95
DRNLD 4 200 -2.85 2.85 -2.85 2.85 -2.85 2.85 -2.85 2.85 0.05 0.95
lnDRNLD 4 233 -2.85 2.85 -2.85 2.85 -2.85 2.85 -2.85 2.85 0.05 0.95
66
TABLA 5. Valores máximos y mínimos de las variables reales utilizadas para el modelo de
redes neuronales
Base de 233 datos o 200 datos Base de 80 datos
Máximo Mínimo Máximo Mínimo
Re 2903.9 1800.05 2903.90 1998.75
Ln(Re) 7.9738 7.4956 7.9738 7.6003
D 0.000247 0.0000758 0.000247 0.0001005
Ln(D) -8.3061 -9.4874 -8.3061 -9.2054
L 0.231 0.0800 0.231 0.100
Ln(L) -1.4653 -2.5257 -1.4653 -2.3026
L/D 1970.4433 413.2231 1970.4433 413.2231
Ln(L/D) 7.5860 6.0240 7.5860 6.0240
‘v/D 0.0132 0.0040 0.0100 0.0040
Ln(v/D) -4.3281 -5.5094 -4.6102 -5.5094
‘f 0.0371 0.0249 0.0371 0.0249
Ln(f) -3.2941 -3.6929 -3.2941 -3.6929
Ln(Ecuación 18c) ó 0.6436 -0.7827 0.6146 -0.7827
ln(K)
Para las variables de los perceptrones 4 y 5 se utilizaron los mismos límites del perceptrón
llamado lnDRN 3 233.
67
7.4. Resultados obtenidos por las redes neuronales
Al correr todos los modelos que se describieron anteriormente, se obtuvieron bases de datos
compuestas por valores del factor de fricción experimentales y simulados por las redes
neuronales.
Todos los resultados obtenidos se graficaron de distintas formas para ver cuál de todos los
modelos hechos se asemejaban mejor a los datos experimentales, finalmente las gráficas que se
escogieron para interpretar los resultados fueron 3, las cuales se describen a continuación:
La primera gráfica (gráfica A), obtenida directamente de Matlab muestra la forma en que el error
es reducido lo máximo posible entre el valor de salida de la Red y el valor esperado (valor
experimental de f o la ecuación 18c), Abscisas: Número de Ciclo, Ordenadas: Promedio del error
cuadrado. En todas las gráficas, el error de calibración al final siempre estuvo por encima del
error de validación. Existen gráficas que sólo tienen una línea, esto es por que sólo se tenían datos
de calibración y en consecuencia no existe error de validación.
La segunda gráfica (gráfica B), consiste en mostrar el nivel de aproximación entre el valor de
salida de la red y el valor esperado. Si la aproximación es perfecta, el resultado de esta gráfica
sería una línea de 45°. Abscisas: f experimental o ecuación 18c calculada con f experimental y
v/D experimental. Ordenadas: f de salida de la red o ecuación 18c calculada con el f de la red y
v/D experimental.
La tercera gráfica (Gráfica C), consiste en la gráfica de transición de Colebrook, la cual ha sido
anteriormente explicada.
68
continuación se muestran los dos tipos de resultados, si se quiere ver más detalle de los resultados
de cada red neuronal, se pueden observar en los anexos.
Como se dijo anteriormente, los resultados se caracterizaron en dos grupos. Para caracterizar este
primer grupo, se van a tomar los valores del primer perceptrón mostrado en los anexos (10.1).
El error promedio obtenido fue de 0.11 para los datos de calibración, este error no es cuadrático,
lo que es bastante alto, en el análisis se mostrará detalles de esto. Este tipo de modelos nunca
tuvieron un error menor a 0.095. A continuación se muestran las gráficas del modelo
anteriormente nombrado, que son muy parecidas a las gráficas de este grupo.
GRAFICA A para el perceptrón DRN 3 200. La línea superior representa el error de los datos de
calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error.
69
1
0.9
0.8
0.7
0.6
f simulado
0.5
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
f experimental
GRAFICA B para el perceptrón DRN 3 200. Factor de fricción simulado por la red neuronal vs.
Factor de fricción experimental .
2.025
1.825
1.625
1.425
1/f^0.5+0.86ln( /D)
1.225
1.025
0.825
0.625
0.425
0.225
0.025
0.025 0.225 0.425 0.625 0.825 1.025 1.225 1.425 1.625 1.825
Ecuación 18d
70
7.4.2. Resultados obtenidos al utilizar las redes neuronales como una función
implícita en el modelo.
Los resultados de este tipo de modelos, sin haber utilizado ningún método de resolución de
ecuaciones implícitas, dieron un error mínimo de 0.017, el cual es ostensiblemente menor que el
del primer grupo de resultados, a continuación se muestran las gráficas representativas de este
grupo.
GRAFICA A para el perceptrón DR 3 233 datos 3 N. La línea superior representa el error de los
datos de calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error.
71
2
1.8
1.6
GRAFICA B para el perceptrón DR 233 datos 3 N. 1 + 0.86 ⋅ ln ∈ (18c) simulado por la red
f D
neuronal vs. 1 + 0.86 ⋅ ln ∈ (18c) experimental.
f D
2
1.8
1.6
1.4
1/f^0.5+0.86ln( /D)
1.2
fa2-3 arreglado
1
Experimental
0.8
0.6
0.4
0.2
0
0 0.5 1 1.5 2
Ln(Re* /D*f^0.5)
72
Este tipo de modelos, se componen de dos partes, los anteriores resultados corresponden a la
primera, en donde el factor de fricción se encuentra aún implícito, por lo que es necesario utilizar
algún método para despejar el factor de fricción. Esto se hizo por medio de un método iterativo y
además por medio del método de Newton-Raphson. A continuación se hace una breve
explicación de cada gráfica para la interpretación de estos resultados para cada tipo de solución
de la ecuación implícita de f.
Gráfica D, en esta gráfica, se muestra a f simulado vs. f experimental, con el resultado del método
iterativo programado en Matlab. Esta gráfica se muestra para algunas corridas no en todas, ya que
en algunas como se explicará más adelante el error obtenido de esta manera puede ser grande, se
grafican los mejores obtenidos.
Gráfica E, muestra la gráfica de transición de Colebrook, obtenida con los factores de fricción
calculados por el método numérico de aproximación. Esta gráfica se muestra para algunas
corridas no en todas, ya que en algunas como se explicará más adelante el error obtenido de esta
manera puede ser grande, se grafican los mejores obtenidos.
El método iterativo utilizado, trata de despejar una f de la ecuación implícita generada por la red
neuronal, dejando al otro lado, una función de f, es decir, se iguala f a una función de f, y de esta
manera se coloca una semilla para el f de la función y se evalúa, hallando un nuevo f, el cual es
nuevamente reemplazado en la función, este procedimiento se repite hasta que se obtiene que el f
evaluado en la función es igual al f que da como resultado de la evaluación.
Este es un método numérico sencillo, y normalmente de buenos resultados, sin embargo hay
ocasiones en que el resultado no es satisfactorio, por lo que además, se utilizó el método de
Newton-Raphson, para casos similares pero con un perceptrón simple, es decir, sin capas ocultas.
73
A continuación se muestran las gráficas obtenidas:
0.045
0.04
0.035
0.03
f simulado
0.025
0.02
0.015
0.01
0.005
0
0.
0.
0.
0.
0.
0.
0.
0.
0.
0.
00
00
01
01
02
02
03
03
04
04
0
5
f experimental
2
1.8
1.6
1.4
1/f^0.5+0.86ln( /D)
1.2
Experimental
1
Red neuronal
0.8
0.6
0.4
0.2
0
0 0.5 1 1.5 2
Ln(Re* /D*f^0.5)
74
Los demás análisis con este método, no son satisfactorios por varias razones que se van a
enumerar en el análisis de resultados.
Por medio del método numérico de Newton-Raphson, se resolvió el perceptrón DR 200 datos
Red simple. Ya que se quería observar el comportamiento del método aplicado a redes
neuronales, se hicieron diferentes modelos de Newton-Raphson con error admisible distinto, en la
gráfica 6 para este perceptrón se ve claramente cómo es la aproximación lograda por medio del
método de Newton-Raphson.
0.039
0.037
0.035
0.033
f simulado
0.031
0.029
0.027
0.025
0.025 0.027 0.029 0.031 0.033 0.035 0.037 0.039
f experimental
GRÁFICA D: Simulación del perceptrón DR 200 datos Red Simple (2). f simulado vs. f
experimental.
75
GRÁFICA 6. Gráfica de Transición de colebrook. Datos de Newton-Raphson
con diferentes errores admisibles.
1.9
1.7
1.5
1/f^0.5+0.86ln( /D)
1.3
1.1
0.9
0.7
0.5
0.3
0.2 0.4 0.6 0.8 1 1.2 1.4 1.6
Ln(Re* /D*f^0.5)
77
7.4.3. Otros modelos analizados.
Además de los modelos mostrados acá, se estudiaron y analizaron 7 modelos más utilizando el
perceptrón 1 de la figura 6, diferenciada por no sacar la función sigmoidal en la capa oculta, sino
que acá solamente se hace la sumatoria de los pesos por las variables, dando resultados distintos.
Para estos 7 modelos, se utilizó como variable de salida la ecuación 18c, llegándose, al mismo
resultado obtenido en los perceptrones con la misma variable de salida, además, se utilizó
Newton-Raphson, para determinar el valor de f, acá se obtuvieron los mismos resultados que en
el perceptrón del numeral 4.4.26además, para ver el comportamiento de Newton.Raphson, se
utilizaron las variables sin escalar del lnf, lnRe y lnvD, en estos casos, la red neuronal partió los
datos de la transición por la mitad, obteniéndose los mismos resultados que los primeros modelos
basados únicamente en redes neuronales.
Además de estos modelos, se corrieron modelos en donde existían 10 capas ocultas para observar
el comportamiento, se llegó a la conclusión que lo único que cambiaba era la rapidez con que se
bajaba el error a lo mínimo, sin ninguna mejora en este error.
78
7.5. Análisis de los resultados obtenidos en los modelos de redes neuronales
Como se sabe la zona de transición es muy compleja y no existe en la actualidad ningún modelo
físico que la represente, como objetivo de este trabajo de grado se tiene hallar un modelo en redes
neuronales y observar si es posible la modelación de la zona de transición por medio de este
método matemático.
Al observar la gráfica de transición de Colebrook, no existe una buena adaptación de la red a los
datos experimentales, la zona de transición es partida por la mitad, de forma que el factor de
fricción en la transición no cumple con los requerimientos. Esto, es un comportamiento, que
puede ser debido a:
Para lograr determinar lo que estaba ocurriendo se prosiguió a descartar cada una de las razones
nombradas anteriormente:
79
• Se eliminaron los datos de la zona de laminar (modelos que utilizaron tan sólo 80 datos)
• Se comenzó a correr modelos que utilizaban todos los datos para calibración, es decir no
existían datos de validación (modelos que utilizaron 233 datos en calibración)
• Se probaron nuevos tipos de variables, en donde se utilizaba el logaritmo natural de la
variable real (perceptrones que tienen como variables de entrada y salida el logaritmo
natural de las variable real).
Con todos estos nuevos tipos de redes, que tan sólo se diferenciaban por las variables de entrada
y salida, y el número de datos tomados para la calibración, no se tuvieron resultados distintos: la
gráfica de transición de Colebrook, mostraba claramente que los datos de la transición estaban
siendo partidos por la mitad.
Hasta este momento se estaban utilizando, las variables que se consideraban independientes en
una ecuación explícita, sin embargo, si se observa la gráfica de transición de Colebrook, las
funciones que se hagan en este gráfico son implícitas, f se encuentra tanto en las ordenadas como
en las abscisas, este podría ser la razón por la cual, las redes neuronales partían los datos de
transición por la mitad, además el factor de fricción en flujo turbulento, fue descrito por una
ecuación implícita, lo que podría cumplirse también con flujo en la transición.
Por lo anterior, se decidió utilizar en las variables de entrada el factor de fricción, y de esta forma
obtener una gráfica satisfactoria a partir de las redes neuronales. Si se observan los resultados
obtenidos con esta nueva variable independiente, se ve claramente que los datos de transición
están siendo simulados satisfactoriamente, con errores muy bajos, sin importar que se incluyan
los datos de flujo laminar.
80
El modelo anterior, da como resultado una ecuación implícita para f, es decir, es necesario el
valor de f para hallar este mismo valor, lo que es ineficiente e inútil. Para corregir este problema,
se decidió utilizar métodos numéricos para llegar hallar f a partir de una semilla. Aquí, es donde
el resultado de las redes neuronales comienza a ser valioso, ya que a partir de los valores de
Reynolds, rugosidad relativa y una semilla del factor de fricción, se puede llegar a un resultado
interesante. Para lograr que la semilla y el método numérico funcione, se utilizó el modelo de la
red neuronal como una función derivable, y así poder utilizar Newton-Raphson y el otro método
iterativo.
Por lo anterior, se utilizaron errores en el entrenamiento mayores al mínimo posible, de tal forma
que al utilizar el método numérico, se obtuvieran los mejores resultados en f.
Además de los modelos que se enumeran aquí, se hicieron otros modelos, que no llegaron a un
resultado satisfactorio, mostrando el mismo comportamiento que los primeros modelos
81
generados. Se considera, que las redes neuronales no supervisadas, pueden llegar a dar muy
buenos resultados, ya que estos tienen la propiedad de generar ecuaciones implícitas, que es lo
necesario para tratar la transición.
Con todos lo modelos estudiados e implementados para la descripción del factor de fricción, se
puede ver que la gráfica de transición de Colebrok no fue simulada aceptablemente, pero, al
observar las incertidumbres del experimento llevado a cabo por Sharp y Adrian [1], se considera
que los valores de f simulados, cumplen.
Si se observan los resultados obtenidos por los dos modelos matemáticos: los que usan
únicamente redes neuronales y redes neuronales más método numérico, es claro que el primero
representa los datos de flujo laminar mejor que la segunda, sin embargo en la zona en donde es
necesario el modelo, el segundo tipo de modelo representa mucho mejor los valores
experimentales.
En los primeros modelos el factor de fricción es casi el mismo para los datos de la zona de
transición, lo que no es cierto en la realidad, mientras que el segundo tipo de modelo, sí logra dar
diferentes valores, aproximándose mejor.
82
8. CONCLUSIONES, RECOMENDACIONES Y TRABAJO FUTURO.
Con esta investigación, se pudo observar claramente que todos los modelos simulados
basados en redes neuronales, al momento de describir la transición, toman un promedio de los
valores, partiendo en dos los datos experimentales de transición, de acuerdo con la gráfica de
transición de Colebrook. Esto se pudo dar por dos posibles causas, la primera, que los datos
experimentales no tengan la confiabilidad necesaria; y la segunda, que falte alguna variable
independiente que no se conozca, haciendo imposible la modelación..
Sin embargo, aunque no se logró una buena modelación con redes neuronales del tipo
backpropagation, utilizando modelos de redes neuronales implícitas complementados por
métodos numéricos para la resolución de funciones implícitas, se puede lograr una mejor
aproximación, para los datos de entrada disponibles para esta investigación.
83
Por lo anterior se recomienda hacer modelos recurrentes y no supervisados en redes
neuronales, además de ampliar la base de datos, especialmente con valores del factor de
fricción con datos para Reynolds mayores a 2700 .
84
9. BIBLIOGRAFÍA
1. K.V SHARP, R. J. ADRIAN: Transition from laminar to turbulent flow in liquid filled
microtubes. Revista Experiments in Fluids 2004 Vol. 36 pag. 741-747.
2. P. WU AND W. A. LITTLE: Measurement of Friction Factors for the Flow of Gases in Very
Fine Channels Used for Microminiature Joule-Thomson Refrigerators, Revista Cryogenics,
vol. 23, no. 5, pp. 273–277, 1983.
4. STREETER, Victor L.: Handbook of fluid dinamics, McGraw Hill, New York, 1961.
6. MOTT, Robert L., Mecánica de fluidos aplicada, Ed. Prentice Hall, 1996.
7. STREETER, Victor L.: Mecánica de los fluidos. Ediciones del Castillo, S.A. 1968.
8. HAGAN, Martín T, DEMUTH, Howard B., BEALE, Mark.: Neural network design, Boston,
Massachusetts, PWS, 1996.
9. BISHOP, Christopher M.: Neural Networks for patern recognition, Oxford, Clarendon, 2002.
85
10. MORINI, Gian Luca: Laminar to turbulent flow transition in microchannels, Università degli
Studi di Ferrara, Italia.
11. REN Liqing, LI, Dongqing, QU, Weilin: Electro-Viscous effects on liquid flow in
microchannels, Revista Journal of Coloidal and interface Science Vol. 233, pág 12-22, 2001.
12. PAPAUTSKY, Ian, AMEEL, Tim, FRAZIER, A. Bruno: A review of laminar single phase
flow in microchannels, Proceedings of 2001 ASME International Mechanical Engineering
Congress and Exposition, New York, Noviembre 11-16, 2001.
13. KANDLIKAR, Satish G.: Microchannels – Short history and bright future, Revista Heat
transfer engineering Vol. 24, Número 1 pág. 1-2, 2003.
14. ROY, Subrata, RAJU, Reni, CHUANG, Helen F., CRUDEN, Bret A., MEYYAPAN M.:
Modeling gas flow through microchannels and nanopores. Revista Journal of aplied physics,
Vol 93, Número 8, pág. 4870-4877, 2003.
15. CHOI, Chang-Hwan, WESTIN, Johan A., BREUER, Kenneth S.: Apparent slip flows in
hydrophilics and hydrophobic microchannels, Revista Physics of Fluids, Vol. 15, Número 10,
pág 2897-2902, 2003.
16. CHEN, Yu Tang, KANG, Shung Wen, TUH, Wen Chian, HSIAO, Tsung Hsin: Experimental
investigation of fluid folw and heat transfer in microchannels, Revista Tamkang Journal of
Science and Engineering, Vol. 7, Número 1, pág. 11-16, 2004.
17. MORTENSEN, Niels Asger, OKELS, Fridolin, BRUNS, Henrik: Hagen-Poiseuille flow
revisited: shape-dependence of hidraulic resistance in microchannels, Department of micro
and nanotechnology, bldg. 345 esat Technical University of Denmark, DK-2800Kgs, Lyngby,
Demark. December 2 2004.
86
18. LU, Pau Chang: Introduction to the mechanics of viscous fluids, Series in thermal and fluids
engineering, Editorial Hemisphere, Washington, 1977.
19. SWINNEY, H. L., GOLLUB, J. P. Ed: Hydrodynamic Instabilities and the transition to
turbulence, Libro 45, Serie Topics in Applied Physics, Editorial Swinney, Springer-Verlag,
Berlin Heidelberg, New York, 1981.
20. MCCRACKEN, Daniel D., DORN, William S.: Métodos numéricos y programación fortran :
con aplicaciones en ingeniería y ciencias, Editorial Limusa, México, 1978.
21. APPEL, D. W., ROUSE, Hunter: Advanced mechanics of fluids, Editorial Jhon Wiley, New
York, 1959.
23. CHIEN-YUH YANG, JIUNN-CHI WU, HSIN-TANG CHIEN, y SHU-RU LU: Friction
characteristics of water,r-134a,and air in small tubes. Revista Microscale Thermophysical
Engineering, 7:335–348, 2003. Copyright © Taylor & Francis Inc.
87
10. ANEXOS
Épocas 20
Función siglog
No. de valores utilizados para la calibración 200
Archivo de texto DRN.txt
cuadrado del error datos de calibración 1.23E-02
cuadrado del error datos de validación 1.14E-02
W1-2
-0.42919 0.43356 -0.76783 0.81799
-1.3615 -1.5954 0.03767 0.69262
-0.65434 0.056986 -0.32849 0.29903
W2-3
-0.71972 -0.93889 2.3986 -2.66E-01
GRAFICA A para el perceptrón DRN 3 200. La línea superior representa el error de los datos de
calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error.
88
1
0.9
0.8
0.7
0.6
f simulado
0.5
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
f experimental
GRAFICA B para el perceptrón DRN 3 200. Factor de fricción simulado por la red neuronal vs.
Factor de fricción experimental .
2.025
1.825
1.625
1.425
1/f^0.5+0.86ln( /D)
1.225
1.025
0.825
0.625
0.425
0.225
0.025
0.025 0.225 0.425 0.625 0.825 1.025 1.225 1.425 1.625 1.825
Ln(Re* /D*f^0.5)
89
10.1.2. Resultados del Perceptrón DRN 3 233
épocas 35
función siglog
No. de valores utilizados para la calibración 233
Archivo de texto DRN.txt
cuadrado del error datos de calibración 1.25E-02
cuadrado del error datos de validación N/A
W1-2
1.8257 1.0932 -0.2839 -0.032207
0.7805 -0.58265 -1.1222 -0.42769
-0.85165 -1.5611 -0.60268 0.26629
W2-3
0.31613 -1.3359 -0.34284 1.43E+00
GRAFICA A para el perceptrón DRN 3 233. La línea superior representa el error de los datos de
calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error.
90
1
0.9
0.8
0.7
f simulado 0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
f experimental
GRAFICA B para el perceptrón DRN 3 233. Factor de fricción simulado por la red neuronal vs.
Factor de fricción experimental .
2.025
1.825
1.625
1.425
1/f^0.5+0.86ln( /D)
1.225
1.025
0.825
0.625
0.425
0.225
0.025
0.025 0.225 0.425 0.625 0.825 1.025 1.225 1.425 1.625 1.825
Ln(Re* /D*f^0.5)
91
10.1.3. Resultados del Perceptrón lnDRN 3 233
épocas 35
función siglog
No. de valores utilizados para la calibración 233
Archivo de texto DRN.txt
cuadrado del error datos de calibración 1.25E-02
cuadrado del error datos de validación N/A
W1-2
1.8257 1.0932 -0.2839 -0.032207
0.7805 -0.58265 -1.1222 -0.42769
-0.85165 -1.5611 -0.60268 0.26629
W2-3
0.31613 -1.3359 -0.34284 1.43E+00
GRAFICA A para el perceptrón lnDRN 3 233. La línea superior representa el error de los datos
de calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error.
92
1
0.9
0.8
0.7
0.6
f simulado
0.5
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
f experimental
GRAFICA B para el perceptrón lnDRN 3 233. Factor de fricción simulado por la red neuronal
vs. Factor de fricción experimental .
2.025
1.825
1.625
1.425
1/f^0.5+0.86ln( /D)
1.225
1.025
0.825
0.625
0.425
0.225
0.025
0.025 0.225 0.425 0.625 0.825 1.025 1.225 1.425 1.625 1.825
Ln(Re* /D*f^0.5)
93
10.1.4. Resultados del Perceptrón lnDRN 3 80
épocas 50
función siglog
No. de valores utilizados para la calibración 80
Archivo de texto DRN.txt
cuadrado del error datos de calibración 2.55E-02
cuadrado del error datos de validación N/A
W1-2
0.80044 -0.24679 -0.41102 0.21336
-0.62287 0.73658 -0.86899 0.13686
0.35583 14 893 0.69092 0.53577
W2-3
0.49141 0.29611 -0.41327 -1.23E+04
GRAFICA A para el perceptrón lnDRN 3 80. La línea superior representa el error de los datos
de calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error.
94
1
0.9
0.8
0.7
0.6
Ecuación 18c
0.5
0.4
0.3
0.2
0.1
0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
Ecuación 18d
GRAFICA B para el perceptrón lnDRN 3 80. Factor de fricción simulado por la red neuronal vs.
Factor de fricción experimental .
2.525
2.025
1/f^0.5+0.86ln( /D)
1.525
1.025
0.525
0.025
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8
Ln(Re* /D*f^0.5)
95
10.1.5. Resultados del Perceptrón DRN 4 200
épocas 20
función siglog
No. de valores utilizados para la calibración 200
Archivo de texto DRN.txt
cuadrado del error datos de calibración 1.23E-02
cuadrado del error datos de validación 0.011093
W1-2
-0.8165 -1.3075 0.5218 1.253
0.18259 0.61473 -0.80429 0.81361
-0.4694 0.34333 -0.39214 0.52237
0.12465 1.3647 0.69706 -0.37904
W2-3
0.27503 1.7783 -1.231 -3.63E-01 -1.06E+00
GRAFICA A para el perceptrón DRN 4 200. La línea superior representa el error de los datos de
calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error.
96
1
0.9
0.8
0.7
f simulado
0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
f experimental
GRAFICA B para el perceptrón DRN 4 200. Factor de fricción simulado por la red neuronal vs.
Factor de fricción experimental .
2.025
1.825
1.625
1.425
1/f^0.5+0.86ln( /D)
1.225
1.025
0.825
0.625
0.425
0.225
0.025
0.025 0.225 0.425 0.625 0.825 1.025 1.225 1.425 1.625 1.825
Ln(Re* /D*f^0.5)
97
10.1.6. Resultados del Perceptrón DRN 4 233
épocas 30
función siglog
No. de valores utilizados para la calibración 233
Archivo de texto DRN.txt
cuadrado del error datos de calibración 1.23E-02
cuadrado del error datos de validación N/A
W1-2
0.21706 1.2249 1.0428 0.13282
0.70164 0.35724 -1.0924 0.28768
-0.77297 -1.3056 0.24015 0.9308
-0.19261 0.48392 -0.6114 0.25411
W2-3
0.24019 -1.0395 -0.81832 1.72E+00 -6.86E-01
GRAFICA A para el perceptrón DRN 4 233. La línea superior representa el error de los datos de
calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
98
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error.
0.9
0.8
0.7
0.6
f simulado
0.5
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
f experimental
GRAFICA B para el perceptrón DRN 4 233. Factor de fricción simulado por la red neuronal vs.
Factor de fricción experimental .
2.025
1.825
1.625
1.425
1/f^0.5+0.86ln( /D)
1.225
1.025
0.825
0.625
0.425
0.225
0.025
0.025 0.225 0.425 0.625 0.825 1.025 1.225 1.425 1.625 1.825
Ln(Re* /D*f^0.5)
99
10.1.7. Resultados del Perceptrón DRNL 4 200
épocas 20
función siglog
No. de valores utilizados para la calibración 200
Archivo de texto DRNL.txt
cuadrado del error datos de calibración 1.22E-02
cuadrado del error datos de validación 0.011105
W1-2
0.24156 0.19393 0.11955 -0.017183 0.72448
-1.5449 -1.4538 0.12504 0.15155 0.65183
-1.0121 -1.0347 -0.7663 -0.027801 -0.2698
-0.48235 0.29593 -0.57078 0.24875 0.48378
W2-1
-0.68645 -0.48695 1.6781 8.69E-01 -9.19E-01
GRAFICA A para el perceptrón DRNL 4 200. La línea superior representa el error de los datos
de calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error.
100
1
0.9
0.8
0.7
f simulado 0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
f experimental
GRAFICA B para el perceptrón DRNL 4 200. Factor de fricción simulado por la red neuronal
vs. Factor de fricción experimental .
2.025
1.825
1.625
1.425
1/f^0.5+0.86ln( /D)
1.225
1.025
0.825
0.625
0.425
0.225
0.025
0.025 0.225 0.425 0.625 0.825 1.025 1.225 1.425 1.625 1.825
Ln(Re* /D*f^0.5)
101
10.1.8. Resultados del Perceptrón DRNL 4 233
épocas 40
función siglog
No. de valores utilizados para la calibración 233
Archivo de texto DRNL.txt
cuadrado del error datos de calibración 1.23E-02
cuadrado del error datos de validación N/A
W1-2
1.0161 1.5342 0.24619 -0.11781 -0.45803
-0.56661 0.6875 0.54173 -0.1597 0.41755
0.33991 -0.61093 0.53681 -0.32373 -0.47825
-0.15679 0.38287 0.10212 -0.052192 0.99582
W2-1
0.57769 -2.2225 -0.17317 9.48E-01 -5.88E-01
GRAFICA A para el perceptrón DRNL 4 233. La línea superior representa el error de los datos
de calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error.
102
1
0.9
0.8
0.7
0.6
f simulado
0.5
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
f experimental
GRAFICA B para el perceptrón DRN 4 233. Factor de fricción simulado por la red neuronal vs.
Factor de fricción experimental .
2.025
1.825
1.625
1.425
1/f^0.5+0.86ln( /D)
1.225
1.025
0.825
0.625
0.425
0.225
0.025
0.025 0.225 0.425 0.625 0.825 1.025 1.225 1.425 1.625 1.825
Ln(Re* /D*f^0.5)
103
10.1.9. Resultados del Perceptrón lnDRNL 4 233
épocas 20
función siglog
No. de valores utilizados para la calibración 233
Archivo de texto lnDRNL.txt
cuadrado del error datos de calibración 1.37E-02
cuadrado del error datos de validación N/A
W1-2
14 393 11 686 0.67487 0.24583 0.83888
-0.47217 -0.23655 0.18012 0.54961 0.54309
0.62768 10 869 0.1481 -0.27956 -0.096691
-0.19758 -10 003 0.43095 -0.31262 0.94023
W2-1
11 376 -11 289 0.035789 -1.01E+03 2.27E-01
GRAFICA A para el perceptrón lnDRN 4 233. La línea superior representa el error de los datos
de calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error.
104
1
0.9
0.8
0.7
0.6
f simulado
0.5
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
f experimental
GRAFICA B para el perceptrón lnDRN 4 233. Factor de fricción simulado por la red neuronal
vs. Factor de fricción experimental .
2.025
1.825
1.625
1.425
1/f^0.5+0.86ln( /D)
1.225
1.025
0.825
0.625
0.425
0.225
0.025
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8
Ln(Re* /D*f^0.5)
105
10.1.10. Resultados del Perceptrón lnDRNL 4 80
épocas 25
función siglog
fecha 38470
No. de valores utilizados para la calibración 80
Archivo de texto lnDRNL.txt
cuadrado del error datos de calibración 2.75E-02
cuadrado del error datos de validación N/A
W1-2
0.85093 0.78163 0.49794 0.7922 1.0158
-0.54253 0.35171 -0.29118 0.45976 1.0144
0.15816 0 0.087519 -0.62652 -0.036114
-0.11077 -0.92352 0.36003 -0.069666 1.0111
W2-3
-0.1246 -0.24968 0.84791 -3.89E-01 4.02E-02
GRAFICA A para el perceptrón lnDRN 4 80. La línea superior representa el error de los datos
de calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error.
106
1
0.9
0.8
0.7
0.6
f simulado
0.5
0.4
0.3
0.2
0.1
0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
f experimental
GRAFICA B para el perceptrón lnDRNL 4 80. Factor de fricción simulado por la red neuronal
vs. Factor de fricción experimental .
2.525
2.025
1/f^0.5+0.86ln( /D)
1.525
1.025
0.525
0.025
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8
Ln(Re* /D*f^0.5)
107
10.1.11. Resultados del Perceptrón DRNLD 4 200
Épocas 18
función siglog
No. de valores utilizados para la calibración 200
Archivo de texto DRNLD.txt
cuadrado del error datos de calibración 1.28E-02
cuadrado del error datos de validación 1.09E-02
W1-2
-0.58491 -0.50774 0.99919 0.38832 -0.54387
0.23857 -0.18503 0.47495 -0.10316 -0.59614
-0.67279 -0.75032 -0.030869 0.33162 -0.10133
0.69417 1.5124 0.55706 -0.10366 -0.21482
W2-3
-0.092825 0.49656 0.60989 5.33E-01 -1.88E+00
GRAFICA A para el perceptrón DRNLD 4 200. La línea superior representa el error de los datos
de calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error.
108
1
0.9
0.8
0.7
f simulado 0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
f experimental
GRAFICA B para el perceptrón DRNLD 4 200. Factor de fricción simulado por la red neuronal
vs. Factor de fricción experimental .
2.025
1.825
1.625
1.425
1/f^0.5+0.86ln( /D)
1.225
1.025
0.825
0.625
0.425
0.225
0.025
0.025 0.225 0.425 0.625 0.825 1.025 1.225 1.425 1.625 1.825
Ln(Re* /D*f^0.5)
109
10.1.12. Resultados del Perceptrón lnDRNLD 4 233
Épocas 20
función siglog
fecha 23/04/2005
No. de valores utilizados para la calibración 233
Archivo de texto lnDRNLD.txt
cuadrado del error datos de calibración 1.28E-02
cuadrado del error datos de validación N/A
W1-2
-0,54398 -0,75426 0,81154 0,19713 -0,90863
-0,80916 -1,2502 -0,1359 -0,21401 0,43045
0,36408 1,1862 0,061904 -0,30547 -0,46564
-0,51305 0,37822 0,5126 0,518 0,84344
W2-1
0,044489 0,73403 1,0246 -1,4521 -0,45113
GRAFICA A para el perceptrón lnDRNLD 4 233. La línea superior representa el error de los
datos de calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error.
110
1
0.9
0.8
0.7
f simulado 0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
f experimental
GRAFICA B para el perceptrón lnDRNLD 4 233. Factor de fricción simulado por la red
neuronal vs. Factor de fricción experimental .
2.025
1.825
1.625
1.425
1/f^0.5+0.86ln( /D)
1.225
1.025
0.825
0.625
0.425
0.225
0.025
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8
Ln(Re* /D*f^0.5)
111
10.1.13. Resultados del Perceptrón DRNLD 3 200
capas ocultas 1
función siglog
No. de valores utilizados para la calibración 200
Archivo de texto DRNLD.txt
cuadrado del error datos de calibración 1.25E-02
cuadrado del error datos de validación 1.13E-02
W1-2
1.2846 0.74297 -0.39847 -0.43139 0.17218
-1.42 -1.6191 -0.54819 0.10989 0.11709
-0.29328 -0.69086 0.5061 -1.2351 0.57723
W2-3
-0.58793 -0.95279 1.6238 5.68E-01
GRAFICA A para el perceptrón DRNLD 3 200. La línea superior representa el error de los datos
de calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error.
112
1
0.9
0.8
0.7
f simulado
0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
f experimental
GRAFICA B para el perceptrón lnDRNLD 3 200. Factor de fricción simulado por la red
neuronal vs. Factor de fricción experimental .
2.025
1.825
1.625
1.425
1/f^0.5+0.86ln( /D)
1.225
1.025
0.825
0.625
0.425
0.225
0.025
0.025 0.225 0.425 0.625 0.825 1.025 1.225 1.425 1.625 1.825
Ln(Re* /D*f^0.5)
113
10.1.14. Resultados del Perceptrón DRNL 3 200
épocas 18
función siglog
No. de valores utilizados para la calibración 200
Archivo de texto DRNL.txt
cuadrado del error datos de calibración 1.25E-02
cuadrado del error datos de validación 1.13E-02
W1-2
1.2846 0.74297 -0.39847 -0.43139 0.17218
-1.42 -1.6191 -0.54819 0.10989 0.11709
-0.29328 -0.69086 0.5061 -1.2351 0.57723
W2-3
-0.58793 -0.95279 1.6238 5.68E-01
GRAFICA A para el perceptrón DRNL 3 200. La línea superior representa el error de los datos
de calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error.
114
1
0.9
0.8
0.7
0.6
f simulado
0.5
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
f experimental
GRAFICA B para el perceptrón DRNL 3 200. Factor de fricción simulado por la red neuronal
vs. Factor de fricción experimental .
2.025
1.825
1.625
1.425
1/f^0.5+0.86ln( /D)
1.225
1.025
0.825
0.625
0.425
0.225
0.025
0.025 0.525 1.025 1.525 2.025
Ln(Re* /D*f^0.5)
115
10.1.15. Resultados del Perceptrón DRN 3 capas ocultas 200
épocas 20
función siglog
No. de valores utilizados para la calibración 200
Archivo de texto DRN.txt
cuadrado del error datos de calibración 0.012786
cuadrado del error datos de validación 0.011476
W1-2
1.5478 1.1685 0.46412 0.49242
-0.14668 1.3955 0.59695 -0.35728
0.14217 -0.14847 0.43961 -0.76823
-0.072303 -0.5787 0.9478 -0.41565
W2-3
0.82706 1.2333 0.96045 -0.83554 -0.80686
1.0696 -1.6912 -1.5028 -1.95E-01 2.58E-02
0.15106 -1.2657 -1.2878 6.59E-01 -2.27E-01
W3-4
-0.14603 -1.5737 1.1895 1.2696
0.35056 0.9388 -1.3611 -1.4046
0.6811 0.35275 0.59883 0.47978
W4-5
-0.43025 2.3429 -1.9653 5.29E-01
116
GRAFICA A para el perceptrón DRN 3 capas ocultas 200. La línea superior representa el error
de los datos de calibración (si sólo existe una línea, esta res la misma línea superior). La línea
inferior representa el error de validación. En la ordenadas, está el número de entrenamiento, y
la línea es el respectivo error.
0.9
0.8
0.7
0.6
f simulado
0.5
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
f experimental
GRAFICA B para el perceptrón DRN 3 Capas Ocultas 200. Factor de fricción simulado por la
red neuronal vs. Factor de fricción experimental .
117
2.025
1.825
1.625
1.425
1/f^0.5+0.86ln( /D)
1.225
1.025
0.825
0.625
0.425
0.225
0.025
0.025 0.225 0.425 0.625 0.825 1.025 1.225 1.425 1.625 1.825
Ln(Re* /D*f^0.5)
Los perceptrones mostrados de aquí en adelante, tienen la característica de tener como variable
independiente f , lo que hace a estas redes neuronales ser distintas a las pasada, además, la
variable dependiente es la ecuación 18c, en el análisis de los resultados, se explica claramente
cuál es la lógica de estos resultados y la razón por la cual es necesario el uso de un método
numérico para hallar f.
Para estos perceptrones es necesario, mostrar además de las gráficas A y B ya descritas, las
siguientes gráficas:
Gráfica D, en esta gráfica, se muestra a f simulado vs. f experimental, con el resultado del método
iterativo programado en Matlab. Esta gráfica se muestra para algunas corridas no en todas, ya que
en algunas como se explicará más adelante el error obtenido de esta manera puede ser grande, se
grafican los mejores obtenidos.
118
Gráfica E, muestra la gráfica de transición de Colebrook, obtenida con los factores de fricción
calculados por el método numérico de aproximación. Esta gráfica se muestra para algunas
corridas no en todas, ya que en algunas como se explicará más adelante el error obtenido de esta
manera puede ser grande, se grafican los mejores obtenidos.
119
10.1.16. Resultados del Perceptrón DR 233 datos 3 N
W 1-2
-1.0958000 -0.6901100 0.2017500 0.9817100
0.4080000 -0.1472100 1.2271000 0.2079900
-2.0213000 0.1299600 -0.0486740 3.3225000
W 2-3
2.0741000 -1.0866000 2.3096000 -3.6139000
GRAFICA A para el perceptrón DR 3 233 datos 3 N. La línea superior representa el error de los
datos de calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error.
120
2
1.8
1.6
1.2
0.8
0.6
0.4
0.2
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Ecuación 18c experimental
GRAFICA B para el perceptrón DR 233 datos 3 N. 1 + 0.86 ⋅ ln ∈ (18c) simulado por la red
f D
2
1.8
1.6
1/f^0.5+0.86ln( /D)
1.4
1.2
1
0.8
0.6 Datos simulados
0.4 Datos experimentales
0.2
0
0 0.5 1 1.5 2
Ln(Re* /D*f^0.5)
GRÁFICA C para perceptrón DR 233 datos 3 N. Gráfica de Transición de Colebrook.
121
10.1.17. Resultados del Perceptrón DR 200 datos 3 N
W 1-2
1.3907000 0.4241300 0.0912610 -1.7491000
-0.7408400 0.0519140 -0.8071500 0.6657600
0.3017700 0.2613200 0.8073100 0.0406030
W 2-3
0.5044900 2.2845000 -1.8864000 0.5373200
GRAFICA A para el perceptrón DR 200 datos 3 N. La línea superior representa el error de los
datos de calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error.
122
2
1.8
1.6
1.2
1
Calibración
0.8
Validación
0.6
0.4
0.2
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Ecuación 18c experimental
GRAFICA B para el perceptrón DR 200 datos 3 N. 1 + 0.86 ⋅ ln ∈ (18c) simulado por la red
f D
2
1.8
1.6
1/f^0.5+0.86ln( /D)
1.4
1.2 Calibración
1 Experimentales
0.8 Validación
0.6
0.4
0.2
0
0 0.5 1 1.5 2
Ln(Re* /D*f^0.5)
123
10.1.18. Resultados del Perceptrón DR 233 datos 1 N
W 1-2
-2.6071000 -0.0341660 -0.4438500 2.8626000
W 2-3
2.5787000 -4.8384000 0.0000000 0.0000000
GRAFICA A para el perceptrón DR 233 datos 1 N. La línea superior representa el error de los
datos de calibración (si sólo existe una línea, esta res la misma línea superior). La línea inferior
representa el error de validación. En la ordenadas, está el número de entrenamiento, y la línea
es el respectivo error.
124
2
1.8
1.6
1.2
0.8 Calibración
Validación
0.6
0.4
0.2
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Ecuación 18c experimental
GRAFICA B para el perceptrón DR 233 datos 1 N. 1 + 0.86 ⋅ ln ∈ (18c) simulado por la red
f D
2
1.8
1.6
1.4
1/f^0.5+0.86ln( /D)
1.2
1
0.8
0.6
0.4
0.2
0
0 0.5 1 1.5 2
Ln(Re* /D*f^0.5)
125
10.1.19. Resultados del Perceptrón DR 200 datos 3 N (2)
W 1-2
-0.4766900 0.3764100 -0.5293600 -1.8399000
-0.5671000 0.1538800 -1.1864000 -0.2828000
1.7367000 -0.0230100 0.1778300 -2.8176000
W 2-3
-0.1270600 1.2827000 -1.9782000 3.2214000
GRAFICA A para el perceptrón DR 200 datos 3 N(2). La línea superior representa el error de
los datos de calibración (si sólo existe una línea, esta res la misma línea superior). La línea
inferior representa el error de validación. En la ordenadas, está el número de entrenamiento, y
la línea es el respectivo error.
126
2
1.8
1.6
1.2
1
Calibración
0.8
Validación
0.6
0.4
0.2
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Ecuación 18c experimental
GRAFICA B para el perceptrón DR 200 datos 3 N (2). 1 + 0.86 ⋅ ln ∈ (18c) simulado por la red
f D
2
1.8
1.6
1.4
1/f^0.5+0.86ln( /D)
1.2
1
Calibración
0.8 Experimentales
0.6 Validación
0.4
0.2
0
0 0.5 1 1.5 2
Ln(Re* /D*f^0.5)
127
10.1.20. Resultados del Perceptrón DR 233 datos 3 N (2)
W 1-2
2.1822000 0.1210900 0.0192440 -2.9849000
-1.6408000 0.0520430 -0.4141100 1.6551000
0.5785500 -0.4428200 0.9312100 -0.0595930
W 2-3
-0.2370400 3.4957000 -3.4756000 0.9083000
GRAFICA A para el perceptrón DR 233 datos 3 N(2). La línea superior representa el error de
los datos de calibración (si sólo existe una línea, esta res la misma línea superior). La línea
inferior representa el error de validación. En la ordenadas, está el número de entrenamiento, y
la línea es el respectivo error.
128
2
1.8
1.6
Ecuación 18c simulada
1.4
1.2
0.8
0.6
0.4
0.2
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Ecuación 18c experimental
GRAFICA B para el perceptrón DR 233 datos 3 N(2). 1 + 0.86 ⋅ ln ∈ (18c) simulado por la red
f D
2
1.8
1.6
1/f^0.5+0.86ln( /D)
1.4
1.2
1
0.8
0.6
0.4
0.2
0
0 0.5 1 1.5 2
Ln(Re* /D*f^0.5)
129
10.1.21. Resultados del Perceptrón DR 200 datos 3 N (3)
W 1-2
1.8372000 0.0529790 0.1612500 -2.7678000
-1.2523000 0.0011070 -0.3337800 1.6523000
0.4342800 -0.0804340 0.7746800 -0.1092700
W 2-3
0.1698800 3.3053000 -2.9722000 0.7730900
GRAFICA A para el perceptrón DR 200 datos 3 N(3). La línea superior representa el error de
los datos de calibración (si sólo existe una línea, esta res la misma línea superior). La línea
inferior representa el error de validación. En la ordenadas, está el número de entrenamiento, y
la línea es el respectivo error.
130
2
1.8
1.6
1.2
1
Calibración
0.8
Validación
0.6
0.4
0.2
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Ecuación 18c experim ental
GRAFICA B para el perceptrón DR 200 datos 3 N(3). 1 + 0.86 ⋅ ln ∈ (18c) simulado por la red
f D
2
1.8
1.6
1/f^0.5+0.86ln( /D)
1.4
1.2
1
0.8
0.6
0.4
0.2
0
0 0.5 1 1.5 2
Ln(Re* /D*f^0.5)
131
10.1.22. Resultados del Perceptrón DR 80 datos 3 N
W 1-2
1.6706000 0.1092300 0.0921230 -3.3726000
-0.5215600 0.3390200 -1.1009000 0.7144100
0.2173400 0.5426900 0.5624200 0.6526000
W 2-3
0.5463300 3.8185000 -2.0275000 -0.2637100
132
2
1.8
1.6
Ecuación 18c simulada
1.4
1.2
1
0.8
0.6
0.4
0.2
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Ecuación 18c experimental
2
1.8
1.6
1.4
1/f^0.5+0.86ln( /D)
1.2
1
0.8
0.6
0.4
0.2
0
0 0.5 1 1.5
Ln(Re* /D*f^0.5)
Calibración Experimentales
133
10.1.23. Resultados del Perceptrón DR 200 datos Red Simple
W 1-2
2.2555000 0.1460100 0.4375600 -1.7485000
GRAFICA A para el perceptrón DR 200 datos Red Simple. La línea superior representa el error
de los datos de calibración (si sólo existe una línea, esta res la misma línea superior). La línea
inferior representa el error de validación. En la ordenadas, está el número de entrenamiento, y
la línea es el respectivo error.
134
2
1.8
1.6
Ecuación 18c simulada 1.4
1.2
1 Calibración
Validación
0.8
0.6
0.4
0.2
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Ecuación 18c experimental
GRAFICA B para el perceptrón DR 200 datos Red Simple. 1 + 0.86 ⋅ ln ∈ (18c) simulado por la
f D
2
1.8
1.6
1.4
1/f^0.5+0.86ln( /D)
1.2 Calibración
1 Experimentales
0.8 Validación
0.6
0.4
0.2
0
0 0.5 1 1.5 2
Ln(Re* /D*f^0.5)
GRÁFICA C para perceptrón DR 200 datos Red Simple. Gráfica de Transición de Colebrook.
135
10.1.24. Resultados del Perceptrón DR 200 datos Red Simple (2)
W 1-2
2.7011000 0.0668210 0.4471700 -2.5558000
GRAFICA A para el perceptrón DR 200 datos Red simple(2). La línea superior representa el
error de los datos de calibración (si sólo existe una línea, esta res la misma línea superior). La
línea inferior representa el error de validación. En la ordenadas, está el número de
entrenamiento, y la línea es el respectivo error.
136
2
1.8
1.6
Ecuación 18c simulada
1.4
1.2
Calibración
1
Validación
0.8
0.6
0.4
0.2
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Ecuación 18c experimental
GRAFICA B para el perceptrón DR 200 datos Red Simple(2). 1 + 0.86 ⋅ ln ∈ (18c) simulado por
f D
137
2
1.8
1.6
1.4
1/f^0.5+0.86ln( /D)
1.2 Calibración
1 Experimentales
0.8 Validación
0.6
0.4
0.2
0
0.0 0.5 1.0 1.5 2.0
Ln(Re* /D*f^0.5)
GRÁFICA C para perceptrón DR 200 datos Red Simple(2). Gráfica de Transición de Colebrook.
2
1.8
1.6
1/f^0.5+0.86ln( /D)
1.4
1.2
Gráf. ecperimental
1
Gráf. simulada
0.8
0.6
0.4
0.2
0
0.2 0.7 1.2 1.7
Ln(Re* /D*f^0.5)
GRÁFICA D: Simulación del perceptrón DR 200 datos Red Simple (2). Gráfica de transición de
Colebrook. 1 + 0.86 ⋅ ln ∈ (18c)
f D
138