Documentos de Académico
Documentos de Profesional
Documentos de Cultura
dónde
A es una matriz de n × n de coeficientes conocidos
x es la columna vector de n incógnitas
b es un vector de columna de n coeficientes conocidos como se muestra a continuación
Si la matriz de coeficiente A es cuadrada y noingular, la solución del
sistema lineal viene dada por
Alquiler de
tenemos
Solución
La solución viene dada por x = A\c. En este problema, la matriz de
coeficientes A no singular y se puede utilizar la inversa de A para
encontrar la solución.
>> A =[4 2 -1; -3 1 2; 2 -4 1]; b =[8; -6; 12];
>> x = A\b
x=
3
-1
2
>> x = inv(A)*b
x=
3
-1
2
Ejemplo 2.3: Conducción de calor
La figura 2.1 muestra una placa cuadrada plana con sus lados sostenidos a
temperaturas constantes. Encuentra la temperatura-tura en cada nodo x1, x2,
x3, y x4. Cada punto representa un nodo, y se supone que la temperatura en
cada nodo viene dada por las temperaturas medias de los nodos adyacentes.
Solución
x1 x2
30 20
x3 x4
30 20
25 25
En estado estacionario, se supone que q4/kA es cero. Encuentra temperaturas T4, T5,
...., T12 en los nodos 4 a 12.
Solución
A partir del balance térmico de cada nodo, y considerando las
condiciones de contorno, tenemos
T1 = T2 = T3 = 500°F
MATLAB tiene incorporada una función fzero que puede usarse para encontrar
los ceros de una ecuación no lineal de una sola variable f(x) = 0. Una forma de
su sintaxis es
X= fzero (fun,xo)
donde diversión es el nombre de la función f(x) y x0 es una suposición definida
por el usuario para el cero. La función fzero devuelve un valor de x que está
cerca de x0. Esta función sólo identifica los puntos en los que la función toca el
eje. Algunos métodos utilizados para encontrar ceros de una ecuación no lineal
de una sola variable pueden extenderse a un sistema de ecuaciones no lineales
de múltiples variables de una forma F(x) = 0 donde x ∈ Rn × 1 y F ∈ Rn × 1. A
continuación se ofrece una visión general de algunas técnicas numéricas para
encontrar ceros de una ecuación no lineal de varias variables.
2.2.2.6 Método de Newton para sistemas no lineales
En cada etapa iterativa, la actualización para el vector solución, xnew, viene
dada por
fzero.
donde diversión denota el nombre de la función que define un sistema de
ecuaciones no lineales y fval son los valores de la función evaluada en el vector
de solución x.
Ejemplo 2.7: Ceros de una ecuación no lineal
Encuentra los ceros de
Solución Podemos utilizar la función fzero. Para encontrar el cero cerca de -1:
Halla el factor de fricción f para NRe = 6,5 × 104 y ε/D = 0,00013. Como
primera conjetura para f, use f0 = 0.1. Solución La ecuación debe reordenarse
como sigue:
Solución
Comenzamos con la definición de la función que contiene ecuaciones en forma
de vector. La estimación inicial de una solución común debe establecerse por
adelantado.
Ejemplo 2.11: Composición de la mezcla de equilibrio2
El etano reacciona con el vapor para formar hidrógeno sobre un catalizador de
craqueo a una temperatura de T = 1000 K y una presión de P = 1 atm. El
alimento contiene 4 lunares de vapor por lunar de etano. Los componentes
presentes en la mezcla de equilibrio se muestran en la Tabla 2.1. Las energías
de formación de Gibbs (kcal/gmol) de los distintos componentes a la
temperatura de reacción (1000 K) también se indican en la Tabla 2.1. La
composición de equilibrio de la mezcla de efluentes se calculará utilizando los
datos que figuran en el cuadro 2.1. La suposición inicial para cada componente
se da en la tabla. Este problema puede ser considerado como un problema de
Donde
Ni es el número de moles del componente i
c es el número total de componentes
R es la constante de gas
Gi0 es la energía de Gibbs del componente puro i a temperatura T
Deja que
en relación
y transformar logaritmos en funciones exponenciales para evitar tomar
logaritmos de números muy pequeños. Aplicando los datos de energía de Gibbs
dados en la Tabla 2.1, tenemos las siguientes ecuaciones no lineales:
Hay 12 variables desconocidas (ni (i = 1, 2, ...., 9), λj (j = 1, 2, 3)) y 12
ecuaciones. Primero, construimos la función rxnfun de MATLAB®, que define
el sistema de ecuaciones no lineales en forma vectorial. En esta función, todas
las variables desconocidas se representan en términos de xi (i = 1, 2,...,..., 12)
(es decir, xi = ni (i = 1, 2,..., 9) y xi = λi(i = 10, 11, 12)).
usamos
Una matriz aleatoria normalmente distribuida m × n con una media de x y una
desviación estándar de s puede ser generada por
Los números enteros aleatorios pueden ser generados por la función
incorporada randi. Construyamos una matriz de 2 × 3 que consiste en números
polinómicas.
Los gráficos de estas líneas y los puntos de datos se muestran en la Figura 2.3.
De los resultados, podemos ver que el polinomio de 4to orden
es el polinomio más adecuado.
ecuación de Michaelis-Menten:
donde
r es la velocidad de reacción
[S] denota la concentración del sustrato S
a es la velocidad máxima de reacción inicial
b es una constante dada por una combinación de constantes de velocidad
La Tabla 2.5 muestra los datos experimentales de las tasas de reacción frente a
las concentraciones del sustrato. Suponiendo que las velocidades de reacción
puedan representarse mediante la ecuación de Michaelis-Menten, determinar
los parámetros a y b de la ecuación.
Solución
Tomando el inverso de la ecuación de Michaelis-Menten r = ((a[S])/(b +[S])),
tenemos
Los coeficientes p1 y p0 del modelo lineal pueden obtenerse utilizando la
función incorporada polyfit con n = 1. De las relaciones p0 = 1/a y p1 = b/a,
tenemos
FIGURA 2.4 Modelo de Michaelis-Menten.
a = -10,6918
b = -187,4149
Podemos ver que los datos experimentales pueden ser aproximados por
Solución
La correlación propuesta anteriormente puede reordenarse de la siguiente
manera
dejar
El parámetro desconocido vector b viene dado por
Solución
Tomando el inverso de la ecuación dada, tenemos
FIGURA 2.6 Correlación de la viscosidad del propano líquido.
2.4 Interpolación
2.4.1 Interpolación polinómica
A veces necesitamos representar una función basada en el conocimiento de su
comportamiento en un conjunto de puntos discretos. La interpolación es un
método que produce una función que se ajusta mejor a un dato dado, a la vez
que proporciona una buena aproximación a los valores desconocidos en puntos
intermedios. Supongamos que los valores de una función f(xi) son conocidos en
un conjunto de variables independientes xi como se muestra en la Tabla 2.9.
para que esta ecuación se ajuste mejor a los puntos de datos. El procedimiento
que se muestra en la Tabla 2.11 puede representarse como
Los coeficientes pueden ser calculados por el operador de la barra invertida.
Podemos ver que la entropía del vapor saturado puede ser representada como
Podemos ver que la entalpía del vapor saturado que se muestra en la Tabla 2.12
puede ser representada por el polinomio cuadrático
siguiente manera
Tenemos H = 2638.65 kJ/kg. De la tabla de vapor, obtenemos H = 2638.7 kJ/kg
a T = 350.15 K. Así, podemos ver que los polinomios de segundo orden pueden
estimar adecuadamente la entalpía del vapor saturado.
FIGURA 2.8 Interpolación del valor de entalpía.
llamada es
donde 'method' es el método de interpolación deseado, y el método por defecto
es la interpolación lineal. MATLAB proporciona varios métodos como se
muestra en la Tabla 2.14. Estos métodos también se pueden utilizar en
interpolación bidimensional y tridimensional, excepto pchip. Al igual que con
las splines cúbicas, el método pchip utiliza polinomios cúbicos para conectar
los puntos de datos con los primeros derivados continuos. En este método, los
segundos derivados no son necesariamente continuos.
Ejemplo 2.22: Interpolación unidimensional
donde x e y son matrices que contienen las coordenadas de los puntos en los
que se dan los valores de la matriz z, zi es una matriz que contiene los
resultados de la interpolación evaluados en los puntos de la matriz z, matrices
xi y yi, y 'método' es el método de interpolación deseado. Los métodos son
idénticos a los utilizados por interp1, es decir, el más cercano, el lineal y el
spline. Al igual que con interp1, si se omite el argumento 'method', el valor por
defecto es interpolación lineal. La interpolación tridimensional se ocupa de
determinar valores intermedios para las funciones de tres variables
independientes v = f(x, y, z). La función interp3 integrada de MATLAB
implementa la interpolación tridimensional por partes. La sintaxis de llamada
de interp3 es
Vi = interp3(X, Y, Z, V, Xi, Yi, Zi) donde X, Y, y Z son matrices que
contienen las coordenadas de los puntos en los que se dan los valores de la
matriz V; Vi es una matriz que contiene los resultados de la interpolación
evaluados en los puntos de las matrices Xi, Yi y Zi; y "método" es el método de
interpolación deseado.
Ejemplo 2.24: Interpolación bidimensional
Las temperaturas se miden en varios puntos sobre una placa de metal calentada
(Tabla 2.17). Calcule la temperatura en xi = 6.4 e yi = 5.2 usando interpolación
de splines cúbicos bidimensionales y parciales. Solución Los comandos para
implementar la interpolación de splines cúbicos bidimensionales son
Solución
Los comandos para implementar la interpolación spline bidimensional son
Podemos ver que la humedad absoluta es de 42,27 g/m3 y el punto de rocío es
de 36,95°C cuando la humedad relativa es de 58,4% y la temperatura del bulbo
seco es de 46,8°C.
2.5 OPTIMIZACIÓN MATLAB proporciona dos funciones incorporadas para
la optimización: fminbnd y fminsearch. La función fminbnd combina la
búsqueda de sección dorada con la interpolación parabólica. Esta función itera
a través de interpolaciones parabólicas hasta que se obtiene un resultado
aceptable. Si no se pueden obtener resultados, se utiliza el método de la sección
dorada. Una expresión simple de su sintaxis es
[x, fval] = fminbnd(fun, x1, x2) donde x1 y x2
son los límites del intervalo que se está buscando, fun es el nombre de la
función que se está evaluando, x es la ubicación del mínimo y fval es el valor
de la función en x. La función fminsearch se puede utilizar para determinar el
mínimo de funciones multidimensionales. Una sintaxis de llamada simple de
esta función es
x, fval] = fminsearch(fun, x0)
donde x0 es la suposición inicial (puede ser un vector o escalar), fun es el
nombre de la función que se está evaluando, x es la ubicación del mínimo y
fval es el valor de la función en x.
Ejemplo 2.26: Uso de fminbnd
Utilice fminbnd para estimar el mínimo de la función f(x) dentro del intervalo 0
≤ x ≤ 5:
Solución
El siguiente script estima el mínimo de f(x).
Ejemplo 2.27: Uso de fminsearch
diferentes.
Solución
El siguiente script estima la diferenciación de f(x) y calcula la solución exacta.
2.6.2 Integración
2.6.2.1 Integral definida
Una integral definida puede ser aproximada por una suma ponderada de valores
de función en puntos dentro del intervalo de integración especificado [a b]. Una
fórmula de integración numérica para aproximar tiene la forma