Modelización Ambiental PDF

MSc.
LUIS MONCADA ALBITRES
UNIVERSIDAD NACIONAL DE TRUJILLO
UNT-2006
MODELIZACION AMBIENTAL 1
CAPITULO
1
INTRODUCCION
La parte mas difícil a1 usar las matemáticas para estudiar una aplicación es la
conversión de los fenómenos de la vida real al formalismo matemático. Por lo general esto
es complicado porque implica la conversión de hipótesis imprecisas en fórmulas muy
precisas.
No hay manera de evitarlo. La modelación no es fácil y la mejor manera de
lograrla es: practicar, practicar y practicar.
1.1 CONCEPTOS BÁSICOS: SISTEMA Y MODELO

Entenderemos por «sistema» un conjunto complejo de elementos funcionales
directa o indirectamente relacionados entre sí en una red causal.
Si existe alguna influencia entre los componentes del sistema y el entorno exterior
al mismo, hablamos de sistemas abiertos; en contra, cuando estos componentes no tienen
ningún tipo de relación con el entorno, el sistema se dice cerrado.
Define el diccionario de la lengua española el término «modelo» como un esquema
teórico, generalmente en forma matemática, de un sistema o de una realidad compleja,
que se elabora para facilitar su comprensión y el estudio de su comportamiento.
Si consideramos un sistema como una porción de la naturaleza constituida por
diversos componentes interrelacionados entre ellos, cualquier representación de éste
sistema constituye un modelo del mismo.
Tal como simboliza la Figura 1.1, el modelo es una imagen abstracta de un sistema
real, construido en base a los conocimientos previos de que se dispone sobre éste. El
perfeccionamiento de esta imagen se produce mediante un ciclo continuo de observación
de la realidad, representación de ésta, comprobación, nueva observación, etc. El objetivo
final del modelo es predecir el comportamiento del sistema cuando sobre él se da las
condiciones observadas.
Si el modelo proporciona la situación del sistema cuando éste se encuentra en
equilibrio tanto interno como con el entorno, hablamos de modelos de estado estacionario
o modelos estáticos; por el contrario cuando el modelo proporciona la evolución del
MSc. Luis Moncada Albitres

sistema con el tiempo cuando no se han alcanzado las condiciones de equilibrio, hablamos
de modelos de estado no estacionario, variables en el tiempo o dinámicos.
SISTEMA REAL
(Parte del universo limitada en
el tiempo y el espacio)
Nuevas
Observaciones Observación
MODELIZADOR
Comparación Modelización
Estilo Experiencia
Técnica Medios
Habilidad materiales
MODELO
(Representación de la
naturaleza)
Figura 1.1. Ciclo observación-representación-corrección en la representación abstracta

de la naturaleza
1.1.1 Que es un modelo?
Es importante recordar que los modelos matemáticos son como otros tipos de
modelos. El objetivo no es producir una copia exacta del objeto "real", sino más bien
representar algunas características de la cosa real. Por ejemplo, un retrato de una persona,
un maniquí y un cerdo pueden ser modelos de un ser humano. Y aunque ninguno es una
copia perfecta de este, si poseen ciertos aspectos en común con un ser humano. La pintura
describe la apariencia física de un individuo en particular; el maniquí porta ropa tal como
una persona y el cerdo esta vivo. Cual de los tres modelos es "mejor" depende de como
usemos el modelo: para recordar viejos amigos, para comprar ropa o para estudiar biología.
De hecho, los sistemas del mundo real pueden ser notoriamente complicados; la
población de conejos en la pradera depende del número de coyotes, del número de linces,
del número de pumas, del número de ratones (alimento alternativo para los depredadores),
de las prácticas usuales agrícolas, del clima, de varias enfermedades típicas de los conejos,
etc. Podemos elaborar un modelo de la población de conejos suficientemente simple para
que sea entendible, solo haciendo hipótesis simplificadoras y englobando los efectos que
puedan o no ser comunes.
Una vez elaborado el modelo, debemos comparar las predicciones de este con los
datos del sistema. Si el modelo y el sistema concuerdan, tendremos confianza en que las
hipótesis hechas a1 crear el modelo son razonables y que podemos usarlo para hacer
predicciones; si no concuerdan, entonces debemos estudiar y mejorar nuestras
suposiciones. En todo caso, aprendemos más acerca del sistema al compararlo con el
modelo.
Los tipos de predicciones que son razonables dependen de nuestras hipótesis. Si
nuestro modelo se basa en reglas precisas como las leyes de Newton sobre el movimiento o
las reglas del interés compuesto, entonces podemos usarlo para hacer predicciones

cuantitativas muy exactas. Si las hipótesis son menos precisas o si el modelo es una versión
simplificada del sistema, entonces seria absurdo tratar de obtener predicciones
cuantitativas exactas. En este caso, deberíamos usar el modelo para hacer predicciones
cualitativas, tales como "la población de conejos en la pradera aumentará…". La línea
divisoria entre predicciones cualitativas y cuantitativas es en si misma imprecisa, pero
veremos que con frecuencia es mejor y más fáci1 usar cualitativamente aun el mas preciso
de los modelos.
1.2 ELEMENTOS DE UN MODELO

En la historia de la civilización, pocas cosas han habido tan permanentes como el
uso de técnicas matemáticas para describir los fenómenos de la naturaleza; así, si en el
siglo XVI, Galieo afirmaba que "el universo está escrito en lenguaje matemático", cuatro
siglos más tarde, Dirac sostiene que toda ley física se ha de poder expresar en términos
matemáticos bellos.
Si en el apartado anterior hemos definido el concepto de modelo como una
representación de la naturaleza, aquí introduciremos el concepto de modelo matemático
como una representación de la naturaleza expresada mediante lenguaje matemático.
En el proceso de elaboración de un modelo matemático de un sistema complejo, se
pueden establecer las siguientes fases:
1. Adquisición de información y conocimientos previos sobre el sistema. En esta fase
es importante la identificación de los componentes internos y externos del sistema y
las relaciones entre ellos.
2. Reconocimiento de las características del entorno que afectan al sistema (p. ej.
condiciones ambientales) y delimitación del intervalo de valores de éstas dentro del
cual puede operar el modelo.
3. Especificación del objeto y alcance del modelo: identificación del problema y

delimitación del marco espacial y temporal.
4. Asignación de los elementos modelo que caracterizan el estado del sistema.
5. Descripción matemática de la estructura del modelo. En definitiva, el modelo no es

más que un conjunto de reglas o artificio matemático que nos permite predecir el
estado futuro de un sistema a partir del conocimiento de su estado actual.
Básicamente la estructura matemática del modelo está constituida por el conjunto
de reglas o ecuaciones que ligan los diferentes elementos del modelo,
reproduciendo la relaciones observadas entre los componentes internos (y externos)
del sistema.
6. Verificación del modelo, ajuste a las mediciones preliminares de que se dispone y

estimación de parámetros.
7. Validación del modelo a partir de nuevas observaciones del sistema y estimación de

la incertidumbre de las predicciones.
Con todo esto, podemos agrupar los elementos de un modelo matemático en las
cinco categorías siguientes:

• Variables internas: representan a los componentes internos del sistema.

• Variables externas: representan a los componentes externos del sistema.
• Ecuaciones matemáticas: representan las relaciones entre los componentes del
sistema.
• Parámetros: términos numéricos de las ecuaciones matemáticas cuyo valor puede
variar dependiendo del ámbito de aplicación del modelo.
• Constantes: términos numéricos de las ecuaciones matemáticas cuyo valor es
invariable dentro del marco espacial y temporal de aplicación del modelo.
1.2.1 Variables de estado y externas
En el desarrollo de un modelo, se deberán especificar tanto las variables que

caracterizan el estado de un sistema como aquellas otras que, sin hacerlo, tienen influencia
sobre los valores de las primeras. Por ejemplo, en un sistema en el que se desarrollan
reacciones químicas, el estado del mismo puede quedar determinado por las
concentraciones de las diferentes especies que intervienen en las reacciones; la presión o la
temperatura quizá no aporten ninguna información sobre el estado del mismo, pero pueden
tener una influencia fundamental sobre la evolución del sistema y, en consecuencia, sobre
el estado del mismo en el tiempo.
Atendiendo a la forma en que las variables actúan sobre el sistema, éstas se pueden
clasificar como:
• Variables de estado (internas). Determinan el estado o situación del sistema en un

tiempo determinado. En un modelo, constituyen los componentes del mismo.
Si se consideran «v» variables de estado, cada situación del sistema (estado) en
un tiempo determinado vendrá representada por un punto en un espacio d-dimensional
Rd denominado «espacio de estados» o «espacio de fases», siendo d el número de
variables suficiente para determinar la evolución del sistema (d ≤ v).
El espacio de fases, F, está constituido por todos los estados posibles que puede
alcanzar el sistema y contiene, en sus ejes, la totalidad de los aspectos de la dinámica
del sistema. El espacio de fases puede ser finito (cuando las variables de estado sólo
pueden tomar un número finito de valores distintos), contable infinito (por ejemplo,
cuando las variables de estado toman valores enteros) o incontable infinito (por
ejemplo, cuando las variables de estado toman valores reales).
• Variables de control (externas). Son variables que influyen en las variables de estado,
no siendo afectadas por la evolución de éstas. Las variables externas constituyen las
causas primeras del comportamiento del sistema.
Un sistema dinámico consiste en un espacio abstracto F (espacio de fases)
cuyas coordenadas representan el estado dinámico del sistema en cualquier instante y
una regla dinámica f t (dependiente del tiempo) que especifica la tendencia
inmediatamente futura de todas las variables de estado a partir solamente de los valores
presentes de esas misma variables.
El parámetro tiempo puede ser una variable real (t ∈ R) o una variable entera (t
∈ Z); en el primer caso la evolución del sistema toma la forma de una curva continua
(denominada «flujo»), mientras que en el segundo caso la evolución avanza a saltos
discretos en el tiempo por iteración sobre una secuencia de puntos (llamada «mapa»).
Desde el punto de vista del proceso de cálculo, el modelo trasforma
matemáticamente una información de entrada (datos) en otra información de salida

(resultados). Los datos constituirían las variables de entrada, mientras que los
resultados serían las variables de salida. Las variables de salida están constituidas
básicamente por los valores de las variables de estado producidos por el modelo
mediante el proceso de cálculo, mientras que entre las variables de entrada estarán los
valores iniciales de las variables de estado y las variables externas.
Respecto a este proceso de cálculo, una variable de estado puede desempeñar
funciones tanto de variable de entrada como de salida, o bien únicamente tener
justificación en el modelo a los efectos de conseguir una adecuada representación
interna del sistema, jugando, en este caso, un papel de mediación entre las variables de
entrada y salida.
1.3 MODELO CONCEPTUAL. DIAGRAMAS DE CONTROL

El objetivo principal de los diagramas de control es establecer relaciones causa-
efecto o interacciones entre los distintos componentes o variables del sistema. El diagrama
de control representa un diseño de la hipótesis de funcionamiento del sistema y por lo tanto
una idealización de la naturaleza compleja del mismo (Figura 1.2). Esta etapa constituye la
conceptualización del modelo. El modelo aquí obtenido es un «modelo conceptual».
Las interacciones constituyen flujos de información que transcurren en el sentido
de la causa al efecto, de manera que un componente es afectado por todos aquellos de los
que recibe información, mientras que afecta a todos aquellos a los que transfiere
información. Las interacciones puede generarse en el interior del propio sistema
(endógenas) como provenir del entorno exterior (exógenas).
VARIABLE EXTERNA
PROCESOS
Interacción
externa Interacciones
internas
VARIABLE DE ESTADO A VARIABLE DE ESTADO B
VARIABLE DE ESTADO C
VARIABLE DE ESTADO D
Figura 1.2. Ejemplo de diagrama de control. Interacciones entre variables internas y

externas
Cuando una interacción entre tiene el efecto de producir la transformación de una

variable de estado en otra, constituye un «proceso».
Para una determinada variable de estado, sobre el diagrama de control, se podrán
distinguir interacciones endógenas y exógenas dependiendo del tipo de variable que afecta
a aquella.

Las interacciones endógenas pueden establecer relaciones unidireccionales (A→B),

bidireccionales (A←→B), e incluso cíclicas entre las diferentes variables de estado (A →
B → C → A), mientras que las interacciones exógenas deben ser necesariamente
unidireccionales ya que una variable de estado puede ser afectada por una variable externa,
pero no al revés, dado precisamente la condición de externa de la segunda.
1.4 DESCRIPCIÓN MATEMÁTICA DEL SISTEMA

El objetivo de esta etapa es obtener una expresión matemática que describa la
variación temporal de cada variable de estado. Su realización supone la determinación de
la forma concreta de las ecuaciones matemáticas que describen cada proceso físico,
químico o biológico relacionado en el diagrama de control. Las ecuaciones matemáticas
que conforman el modelo matemático constituirán una aplicación unívoca de las variables
de entrada en las variables de salida.
Si el modelo formado permite conocer exactamente la evolución futura del sistema,
conocido exactamente (si esto fuera posible) el estado inicial del mismo, diremos que se
trata de un modelo determinista; por el contrario, si el modelo incorpora componentes
aleatorios, de manera que su evolución futura sólo puede ser conocida con una cierta
probabilidad, estaremos ante un modelo estocástico.
Generalmente, cuando las variables de estado tienen dimensiones de masa (M) o
concentración (ML-3)), la variación temporal de aquellas se puede calcular a partir del
balance de materia aplicado a cada componente en el sistema. Este balance contabiliza,
para cada variable de estado, los flujos totales de materia que entran y salen del sistema por
cualquier causa:
Velocidad de variación temporal Velocidad de entrada de
de la masa del componente = masa del componente
“y” en el sistema “y” en el sistema
Velocidad de salida de
─ masa del componente
“y” en el sistema
Velocidad de producción o
± desaparición de masa (1.1)
del componente “y” en el
sistema
y vendrá expresada matemáticamente como:
dy •
= y = ∑ y ent − ∑ y sal ± ∑ y reac (1.2)
dt
donde:
•
y = velocidad de variación del componente «y» en el sistema,
Σyent = suma de los flujos de entrada del componente «y» en el sistema,
Σysal = suma de los flujos de salida del componente «y» en el sistema, y
Σyreac = suma de los flujos internos de producción (fuentes) y eliminación (sumideros)
del componente «y».

Si la evaluación de los flujos internos de producción y eliminación de cada variable

de estado se realiza considerando los mecanismos cinéticos observados para cada proceso
de transformación, produciremos un modelo mecanicista; por contra, si el modelo
únicamente reproduce el comportamiento observado del sistema sin atender a los
mecanismos internos que regulan el comportamiento del mismo, estaremos ante un modelo
de caja negra.
La extensión de la Ecuación (1.2) a todas las variables de estado tomará, la forma
de un sistema de ecuaciones algebraicas para un sistema al estado estacionario, cuya
solución proporcionará una predicción de los valores de las variables de estado sin
considerar el tiempo, y un sistema de ecuaciones diferenciales (o en derivadas parciales)
para un sistema al estado no estacionario, cuya solución proporcionará una predicción de
los valores de las variables de estado a lo largo del tiempo.
Los diferentes coeficientes que afectan a las variables de estado en la
representación matemática de los procesos que intervienen en el modelo reciben el nombre
genérico de «parámetros del modelo».
Es importante advertir que el diseño de un modelo sin considerar más criterios que
el conseguir un buen ajuste entre las predicciones y las observaciones experimentales de
las propiedades del sistema, puede llevar a una sobreparametrización del modelo. Esta
sobreparametrización se traduciría en un aumento de la incertidumbre de los parámetros
estimados, invalidando el modelo como herramienta de predicción.
En modelos estáticos, para cada variable de estado tendremos una función implícita
de las variables de estado; en modelos dinámicos, para cada variable de estado tendremos
una ecuación diferencial.
La forma de las ecuaciones matemáticas que describen los procesos, determinará
dos grandes categorías de modelos: por un lado aquellos en que las velocidades de
variación de las variables de estado son combinación lineal de éstas y de los parámetros
(modelos lineales) y por otro aquellos en que no se da esta relación de linealidad (modelos
no lineales). La linealidad o no-linealidad del modelo dependerá de la linealidad o no-
linealidad observada en el sistema y del grado de aproximación que la representación
matemática (modelo) pretenda.
En general, llamaremos sistemas lineales a aquellos para los que se cumple el
principio de superposición, es decir que el efecto de la actuación conjunta de dos causas
distintas consiste sólo en la superposición de los efectos que cada una de las causas hubiera
generado por si misma. Matemáticamente un modelo lineal implicaría el cumplimiento de
las condiciones:
M (y + y1) = M (y) + M (y1) (1.3)
M(αy) = αM(y) (1.4)
siendo α un escalar, y e y1 dos vectores de estado y M la aplicación representada por el

modelo.
1.4.1 Estado estacionario y estabilidad.

Si el sistema con el tiempo tiende al equilibrio, alcanzará un estado estacionario en
dy (t )
el que = 0 . En este estado, el sistema estaría representado por la condición:
dt

dy •
= y = ∑ y ent − ∑ y sal ± ∑ y reac = f ( y1 , y 2 , y 3 ,Κ , y n ) = 0 (1.5)
dt
y la ecuación de estado vendría dada por el lim y (t ) , con lo que el modelo dinámico
t→0
representa un régimen de transición hacia el estado estacionario o de equilibrio a que

tiende el sistema. Se trata pues de un equilibrio dinámico donde los aumentos y
disminuciones en el valor de cada variable de estado se compensan exactamente, y se dice
que el modelo es estático.
La extensión de la Ecuación (1.5) a todas las variables de estado tomará, la forma
de un sistema de ecuaciones algebraicas, cuya solución proporcionará una predicción de
los valores de las variables de estado sin considerar el tiempo.
1.5 ALGUNAS SUGERENCIAS PARA LA CONSTRUCCIÓN DE

MODELOS
Los pasos básicos para elaborar un modelo son:
Paso 1 Establezca claramente las hipótesis en que se basará el modelo. Estas deben
describir las relaciones entre las cantidades por estudiarse.
Paso 2 Defina completamente las variables y parámetros que se usarán en el modelo.
Paso 3 Use las hipótesis formuladas en el paso 1 para obtener ecuaciones que relacionen
las cantidades del paso 2.
En el paso 1, o paso "científico", describimos como creemos que funciona el

sistema físico o, por lo menos, cuales son sus aspectos más importantes. En algunos casos,
esas hipótesis son bastante especulativas, por ejemplo, “a los conejos no les preocupa su
sobrepoblación”. En otros casos, las hipótesis son bastante precisas y bien aceptadas, como
"la fuerza es igual a1 producto de la masa y la aceleración". La calidad de las hipótesis
determina la validez del modelo y las situaciones en que el modelo es pertinente. Por
ejemplo, algunos modelos de población se aplican só1o a pequeñas poblaciones en grandes
entornos, mientras que otros consideran espacios y recursos limitados. Muy importante es
evitar "hipótesis ocultas" que hagan al modelo parecer misterioso o mágico.
El paso 2 es donde nombramos las cantidades que se estudiarán y, en caso
necesario, describimos las unidades y escalas implicadas. Pasar por alto este paso es como
decidir que usted hablará un idioma propio sin decirle a nadie que significan las palabras.
Las cantidades en nuestros modelos se agrupan en tres categorías básicas: la
variable independiente, las variables dependientes y los parámetros. En este libro, la
variable independiente es (casi) siempre el tiempo. El tiempo es "independiente" de
cualquier otra cantidad en el modelo. Por otra parte, las variables dependientes son
cantidades que son funciones de la variable independiente. Por ejemplo, en la frase "la
posición es una función del tiempo", queremos decir que la posición es una variable que
depende del tiempo. Es posible enunciar vagamente el objetivo de un modelo expresado en
términos de una ecuación diferencial como "describa el comportamiento de la variable
dependiente conforme cambie la variable independiente". Por ejemplo, podemos preguntar
si la variable dependiente aumenta o disminuye o si oscila o tiende a un limite.

Los parámetros son cantidades que no cambian con el tiempo (o con la variable
independiente) pero que pueden ajustarse (por causas naturales o por un científico
efectuando el experimento). Por ejemplo, si estamos estudiando el movimiento de un misil,
la masa inicial de este es un parámetro. Si estamos analizando la cantidad de ozono en las
capas superiores de la atmósfera, entonces la velocidad con que se liberan los
fluorocarbonos de los refrigeradores es un parámetro. El aspecto más importante del
estudio de un modelo consiste en determinar la manera en que cambian las variables
dependientes cuando ajustamos los parámetros.
En el paso 3 formulamos las ecuaciones. Los modelos al estado estacionario son
expresados por ecuaciones algebraicas, las cuales a su vez pueden ser lineales y no
lineales. Los modelos al estado no estacionario son expresados como ecuaciones
diferenciales. En otras palabras, esperamos encontrar derivadas en nuestras ecuaciones.
Ponga atención a frases como "razón de cambio de ..." o "tasa de crecimiento de ...", ya
que razón de cambio es sinónimo de derivada. Por supuesto, ponga atención también a
"velocidad" (derivada de la posición) y "aceleración" (derivada de la velocidad) en
modelos de física. La palabra “es” significa "es igual" e indica dónde se encuentra la
igualdad. La frase "A es proporcional a B" significa A = kB, donde k es una constante de
proporcionalidad (a menudo un parámetro en el modelo).
Una importante regla empírica que usamos al formular modelos es: Simplifique
siempre que pueda el algebra. Por ejemplo, a1 modelar la velocidad v de un gato al caer de
un edificio alto, podríamos suponer que:
• La resistencia del aire crece al aumentar la velocidad del gato.

Esta hipótesis supone que la resistencia del aire proporciona una fuerza que se
opone a la fuerza de la gravedad y crece conforme aumenta la velocidad v del gato.
Podríamos escoger kv o kv2 para el término de la resistencia del aire, donde k es el
coeficiente de fricción, es decir, un parámetro. Ambas expresiones crecen cuando v se
incrementa, por lo que satisfacen la hipótesis. Sin embargo, muy probablemente
ensayaríamos primero kv porque es la expresión más simple que satisface la hipótesis.
De hecho, resulta que kv genera un buen modelo para la caída de cuerpos de pequeña
densidad, como los copos de nieve, pero kv2 es un modelo más apropiado para objetos
densos como gotas de lluvia.
En la Figura 1.3 se muestra la secuencia de operaciones implicadas en el
desarrollo de modelos matemáticos de sistemas dinámicos, resaltando las etapas que
requieren información obtenida de la observación experimental del sistema.
Básicamente, la información experimental previa del medio natural que se
pretende modelar permitirá escoger los descriptores del sistema (variables de estado),
identificar los procesos y relaciones entre ellos y formular las expresiones matemáticas
de los mismos, dando con ello forma al modelo del sistema.
Posteriormente, una vez formulado el modelo, la observación del medio,
permitirá la calibración del modelo y la verificación de sus predicciones.

Definición del objeto del

modelo
Selección de variables que

describen el sistema
Conocimientos previos
del sistema
Identificación de procesos y
relaciones entre variables
Formulación matemática de
los procesos
Análisis de sensibilidad
Diseño experimental
Observaciones
Calibración del modelo
experimentales
Análisis de la
incertidumbre
Observaciones
Validación del modelo experimentales
independientes
Predicción de la
evolución del sistema
Figura 1.3. Etapas en la construcción de modelos matemáticos de sistemas dinámicos.

Las líneas punteadas representan flujos de información; las continuas
secuencias de operaciones
1.6 VENTAJAS Y RIESGOS DEL EMPLEO DE MODELOS

MATEMÁTICOS DE SISTEMAS NATURALES
A lo largo de los anteriores apartados hemos ido describiendo tanto la complejidad

de comportamientos que pueden exhibir los sistemas dinámicos como la complicación de
la representación de éstos mediante modelos matemáticos.
Alejándonos del formalismo físico y matemático hasta aquí utilizado, con la
finalidad de simplificar la metodología de estudio de este tipo de sistemas, se nos puede
plantear una duda primordial: ¿por qué no prescindir de la representación matemática

(modelo)? ¿Qué ventajas aporta el empleo de modelos matemáticos de sistemas naturales

que pueden aconsejar su utilización?
En respuesta a estos interrogantes, de forma concisa, podemos argumentar:
1. La modelización mejora la comprensión global del sistema representado. Los
procesos reales son a menudo complejos y parcialmente comprendidos; en
consecuencia, el modelo matemático es una aproximación de los procesos reales. El
modelo representa un marco mental, una hipótesis estructurada dentro de la que
podemos colocar los valores de las variables que caracterizan el estado del sistema,
de manera que sus relaciones mutuas adquieran sentido físico.
2. Los modelos pueden ser utilizados para la predicción del comportamiento del
sistema y servir para la optimización de los procesos, tanto en fase de diseño como
operativa Un modelo es una representación ideal y generalizada de un sistema, en
forma susceptible de cuantificación con el propósito generalmente explícito de
predicción;
3. Los modelos pueden ser utilizados para la educación y el entrenamiento La

modelización constituye un proceso continuo. La modelización es un arte, pero
implica también un proceso importante de aprendizaje, mejorando nuestra
capacidad de interpretación de las observaciones y el conocimiento de la estructura
del sistema.
4. Los modelos ayudan al diseño experimental y constituyen una herramienta de

análisis de datos experimentales.
El proceso de modelización sugiere la necesidad de nuevos datos y

experimentaciones para descubrir aspectos del comportamiento del sistema que no son
bien comprendidos.

CAPITULO
2
MODELIZACIÓN EN BASE A DATOS EXPERIMENTALES
Es frecuente el problema de tener un conjunto de mediciones y desear ajustar los

datos observados a funciones que describan la relación entre la variable dependiente y la
variable independiente. El problema original parece estar asociado al nombre de Gauss
quien trató de ajustar curvas a datos experimentales obtenidos en observaciones
astronómicas. En nuestros días el planteamiento permite establecer un modelo matemático
basado en optimización, para dar solución al problema de calcular los coeficientes que
satisfacen el criterio de mínimos cuadrados. En el presente capítulo mostraremos de forma
sencilla la solución matricial del problema, ilustrando la forma de llegar a una expresión
cerrada de la solución. Con ejemplos sencillos se tiene una comprobación al aplicar en
forma directa la solución presentada.
Estos mismos ejemplos se resuelven con la ayuda de un paquete de cálculo para
ilustrar la importancia del uso de estas herramientas en la solución de modelos, obteniendo
respuestas exactas con el consiguiente ahorro de tiempo.
2.1 DESARROLLO DE ECUACIONES PARA EL CÁLCULO DE

LOS COEFICIENTES
Con el fin de establecer la nomenclatura general se considera que se tiene un
conjunto de n pares de observaciones (xi, yi). En un plano x-y se puede visualizar la
distribución de observaciones usando un diagrama de dispersión, Figura. 2.1.
●
y ●
εi
●
x
Fig. 2.1. Diagrama de dispersión, observaciones en el plano x-y.

Como se muestra en la Figura 2.1, para cada observación se tiene un valor teórico
expresado por la ecuación de la función. Así, se puede hablar de un error o "desajuste" a la
diferencia entre el valor observado y el valor teórico. Al sumar los errores al cuadrado, se
tiene SS.
n
SS = ε 12 + ε 22 + Λ + ε n2 = ∑ ε i2 (2.1)
i =1
En el caso particular cuando los datos pueden ser descritos por una recta, y =
a1x + ao, se requieren los coeficientes a1 y ao. Los mejores coeficientes serán aquellos que
minimizan el cuadrado de los errores, dando lugar al método de mínimos cuadrados. El
gradiente de SS igualado a cero será la solución buscada. De la Figura 2.1:
ε i = y iobs − y iteorica = y iobs − ( a1 x i + a o ) (2.2)
Para el caso particular de n = 4 observaciones, la suma SS del cuadrado de los

errores:
SS = (y1 – a1x1 – ao)2 + (y2 – a1x2 – ao)2 +

…(y3 – a1x3 – ao)2 + (y4 – a1x4 – ao)2 (2.3)
El gradiente de SS:
⎡ ∂SS ⎤
⎢ ∂a ⎥ ⎡0⎤
∇SS = ⎢ 1 ⎥ = ⎢ ⎥ (2.4)
⎢ ∂SS ⎥ ⎣0⎦
⎢⎣ ∂a o ⎥⎦
y las componentes del gradiente (2.4) se obtienen como:
∂SS
= –2 (y1 – a1x1 – ao)x1 – 2(y2 – a1x2 – ao)x2 –
∂a1
…2(y3 – a1x3 – ao)x3 – 2(y4 – a1x4 – ao)x4
∂SS
= –2 (y1 – a1x1 – ao)(1) – 2(y2 – a1x2 – ao)(1) –
∂a o
…2(y3 – a1x3 – ao)(1) – 2(y4 – a1x4 – ao)(1)
Al igualar a cero las componentes del gradiente y en forma matricial:
[(y1 – a1x1 – a2)(y2 – a1x2 – a2)(y3 – a1x3 – a2)(y4 – a1x4 – a2)]…

⎡ x1 ⎤
⎢x ⎥
⎢ 2 ⎥ = [0] (2.5a)
⎢ x3 ⎥
⎢ ⎥
⎣ x4 ⎦

[(y1 – a1x1 – ao)(y2 – a1x2 – ao)(y3 – a1x3 – ao)(y4 – a1x4 – ao)]…

⎡1⎤
⎢1⎥
⎢ ⎥ = [0] (2.5b)
⎢1⎥
⎢⎥
⎣1⎦
Las formas anteriores (2.5a) y (2.5b) se pueden escribir en una sola expresión
matricial:
[(y1 – a1x1 – ao)(y2 – a1x2 – ao)(y3 – a1x3 – ao)(y4 – a1x4 – ao)]…

⎡ x1 1⎤
⎢x 1⎥⎥
⎢ 2 = [0 0] (2.6)
⎢ x3 1⎥
⎢ ⎥
⎣ x4 1⎦
y al transponer (2.6):
⎡ y1 − a1 x1 − a o ⎤
⎡ x1 x2 x3 x 4 ⎤ ⎢⎢ y 2 − a1 x 2 − a o ⎥⎥ ⎡0⎤
⎢1 = (2.7)
⎣ 1 1 1 ⎥⎦ ⎢ y 3 − a1 x3 − a ⎥ ⎢⎣0⎥⎦
⎢ ⎥
⎣ y 4 − a1 x 4 − a o ⎦
Se puede arreglar (2.7) y obtener una forma condensada de la solución para a1 y ao.
⎧⎡ y1 ⎤ ⎡ x1 1⎤ ⎫
⎪ ⎪
⎡ x1 x2 x3 x 4 ⎤ ⎪⎢⎢ y 2 ⎥⎥ ⎢⎢ x 2 ⎥
1⎥ ⎡ a1 ⎤ ⎪ ⎡0⎤
⎨ − ⎬= (2.8)
⎢1
⎣ 1 1 1 ⎥⎦ ⎪⎢ y 3 ⎥ ⎢ x3 1⎥ ⎢⎣a o ⎥⎦ ⎪ ⎢⎣0⎥⎦
⎪⎢⎣ y 4 ⎥⎦ ⎢⎣ x 4 ⎥
1⎦ ⎪
⎩ ⎭
Llamando A a la matriz que tiene la información de la medición en variable

independiente x, como At a la matriz que presenta en forma de renglones las columnas de
A y al vector de información de medición en la variable dependiente y, se tiene:
At (y – Aa) = 0 (2.9)
At y – At Aa = 0 (2.10)
con solución:
a = ( A t A) A t y
−1
(2.11)
La dimensión de A depende de n número de observaciones y del número de

coeficientes a determinar.

EJEMPLO 1.1 : Modelo lineal
Para ilustrar la aplicación de la Ecuación. 2.11, se propone los siguientes pares de

valores medidos, para la variable independiente x y el correspondiente valor de la variable
dependiente y.
xi yi
1.0 1.0
1.8 3.0
2.0 1.8
3.0 2.9
Solución
Los arreglos de información, para n = 4:

Con solución para los coeficientes a1 y ao, que resultan en la recta y = 0.85468 x +
0.50837.
Una gráfica de la recta ajustada y de los valores observados se muestra en la Figura

2.2.
Figura. 2.2. Gráfica de función ajustada y = 0.85468 x + 0.50837 y las mediciones.
2.1.1 Usando MATLAB

El uso de los paquetes de cálculo es de gran ayuda en la solución de los modelos
matemáticos. Uno de de los paquetes disponibles actualmente es MATLAB, el cual puede
ser usado para el cálculo directo de los modelos y también da la opción de elaborar
programas de cálculo.
Una de las principales ventajas que ofrece MATLAB es la facilidad para graficar
las variables y visualización de la solución del modelo.
Para este ejemplo realizamos los siguientes cálculos:
>> x=[1.0; 1.8; 2.0; 3.0];

>> y=[1.0; 3.0; 1.8; 2.9];
>> A=[1.0 1; 1.8 1; 2.0 1; 3.0 1];
>> ((A'*A)^-1)*A'*y
ans =
0.8547
0.5084
2.1.2 Uso del Simulador UNTSIM

El simulador UNTSIM trabaja en el entorno MATLAB, y se puede usar para
cálculos rutinarios como el de ajustar datos a un modelo descrito por un polinomio de
grado n.
Para tal efecto, seleccionando del Menú Principal: Otros cálculos – Tratamiento de
datos – Ajustar datos

Copyright 2002 UNT

MSc. Luis Moncada
All rights reserved
09-May-2006
Este programa calcula los coeficientes de un polinomio
P(x) de grado n que se ajusta a los datos p (x(i)~=y(i))
en el sentido de mínimo error cuadrático
Los coeficientes son dados en orden decreciente de potencia
*************************************************************
Ingrese los valores de x entre [ ]:[1 1.8 2 3]
Ingrese los valores de y entre [ ]:[1 3 1.8 2.9]
Ingrese el grado del polinomio:1
p =
0.8547 0.5084
Son los coeficientes del polinomio de la forma

Cn x^n + Cn-1 x^(n-1) + ... + Co = 0
Desea comparar los datos ajustados con experimentales
si(1) no(0): 1
x y f y-f
1.0000 1.0000 1.3631 -0.3631
1.8000 3.0000 2.0468 0.9532
2.0000 1.8000 2.2177 -0.4177
3.0000 2.9000 3.0724 -0.1724
Desea graficar los datos si(1) no(0): 1
3.5
Datos experimentales
Valores ajustados
2.5
y
1.5
1
1 1.2 1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 3
x
Figura. 2.3. Gráfica de función ajustada y = 0.8547 x + 0.5084 y las mediciones,

usando el simulador UNTSIM

EJEMPLO 2 : Modelo no-lineal
Para ilustrar la aplicación del modelo no-lineal, se propone los siguientes pares de
valores medidos, para la variable independiente x y el correspondiente valor de la variable
dependiente y.
x y
1 148.00
2 1487.00
3 3807.00
4 10498.00
5 17551.00
6 34057.00
7 48905.00
8 76987.00
9 109193.00
10 147413.00
Solución
Uso del Simulador UNTSIM

*************************************************************
Ingrese los valores de x entre [ ]:[1 2 3 4 5 6 7 8 9 10]
Ingrese los valores de y entre [ ]: [148 1487 3807 10498 17551 34057
48905 76987 109193 147413]
Ingrese el grado del polinomio: 5
p =
1.0e+003 *
-0.0038 0.0978 -0.7638 3.7341 -6.4001 3.5926
Son los coeficientes del polinomio de la forma

Cn x^n + Cn-1 x^(n-1) + ... + Co = 0
Desea comparar los datos ajustados con experimentales
si(1) no(0): 1
x y f y-f
1.0e+005 *
0.0000 0.0015 0.0026 -0.0011
0.0000 0.0149 0.0106 0.0043
0.0000 0.0381 0.0437 -0.0057
0.0000 0.1050 0.1000 0.0050
0.0001 0.1755 0.1872 -0.0117
0.0001 0.3406 0.3185 0.0221
0.0001 0.4890 0.5076 -0.0186
0.0001 0.7699 0.7646 0.0053
0.0001 1.0919 1.0908 0.0012
0.0001 1.4741 1.4748 -0.0007
Desea graficar los datos si(1) no(0): 1

>>

4
x 10
15
Datos experimentales
Valores ajustados
10
y
0
1 2 3 4 5 6 7 8 9 10
x
Figura. 2.4. Gráfica de función ajustada

y = -3.8 x5 + 97.8 x4 - 763.8 x3 + 3734.1 x2 - 6400.1 x + 3592.6
y las mediciones, usando el simulador UNTSIM
Problemas
1. En la ingeniería de abastecimiento de aguas, el tamaño del reservorio depende de la
estimación exacta del flujo de agua en el río del cual se toma. Para algunos rios es
difícil obtener registros históricos de muchos años atrás de tales datos de flujo. Por el
contrario, datos meteorológicos sobre precipitación de muchos años atrás están a
menudo disponibles. Por tanto, con frecuencia es útil determinar una relación entre el
flujo y precipitación. Esta relación se puede entonces usar para estimar flujos por años
pero solo cuando se hicieron dichas mediciones de precipitación.
Para un río que se va a encauzar a un dique, se tienen los siguientes datos:
Precipitación, cm Flujo, m3/s

88.9 114.7
101.6 172.0
104.1 152.9
139.7 269.0
132.1 206.4
94.0 161.4
116.8 175.8
121.9 239.0
99.1 130.0

a) Grafique los datos

b) Ajuste a una línea recta. Sobreponga la línea de su gráfica
c) Use la mejor línea de ajuste para predecir el flujo de agua anual si la
precipitación es de 120 cm.
2. La concentración de fósforo total (p en mg/cm3) y clorofila (c en mg/m3) para cada uno

de los grandes lagos es:
p c
Lago Superior 4.5 0.8
Lago Michigan 8.0 2.0
Lago Hurón 5.5 1.2
Lago Erie
Cuenca oeste 39.0 11.0
Cuenca central 19.5 4.4
Cuenca este 17.5 3.8
Lago Ontario 21.0 5.5
La clorofila c es un parámetro que indica cuanta vida de plantas está suspendida

en el agua. Como tal, indica qué tan turbia y opaca aparece el agua. Use los datos
anteriores para determinar una relación c como una función de p. Use esta ecuación
para predecir el nivel de clorofila que puede esperarse si el tratamiento de desechos es
usado para disminuir la concentración de fósforo en la cuenca oeste del Lago Erie a 15
mg/m3.
3. Tres organismos portadores de enfermedades decaen de manera exponencial en las

aguas de un lago de acuerdo con el siguiente modelo:
p(t) = Ae-1.5t + Be-0.3t + Ce-0.05t
Calcule la población inicial de cada organismo (A, B y C) dadas las siguientes

mediciones:
t, HR p(T)
0.5 7
1 5.2
2 3.8
3 3.2
4 2.5
5 2.1
6 1.8
7 1.5
8 1.2
9 1.1

CAPITULO
3
MODELOS AL ESTADO ESTACIONARIO
3.1 EL BALANCE DE MATERIALES
El balance de materiales (también conocido como balance de masa), es un método

utilizado para estimar las emisiones de algunas categorías de fuentes, en donde se conoce
el volumen y la composición química de los insumos o materias primas utilizadas. El
método de balance de materiales puede usarse en los casos en que no hay datos disponibles
de muestreos en la fuente o factores de emisión aplicables.
El uso de un balance de materiales implica el análisis de un proceso para
determinar si las emisiones pueden ser estimadas conociendo únicamente los parámetros
específicos de operación y la composición de los materiales. Si bien el balance de
materiales es una herramienta valiosa para estimar las emisiones de muchas fuentes, su
aplicación requiere que se conozca cierta información sobre el material estudiado en cada
punto a lo largo del proceso. El uso del balance de materiales es adecuado en los casos en
que pueden conocerse los componentes del proceso.
Por medio del balance de materiales podemos evaluar la eficiencia de un proceso
y calcular emisiones contaminantes al hacer una comparación entre las cantidades que
entran y salen del mismo. Por ejemplo, si sabemos que en un proceso utilizamos un litro de
thinner y en el producto resultante solamente encontramos 100ml, podemos asumir que los
900ml restantes se vaporizaron convirtiéndose en emisiones de las sustancias que lo
componen.
3.1.1 Emisión de COVs (Compuestos Orgánicos Volátiles)
De hecho, para algunas fuentes, un balance de materiales es el único método

práctico para estimar las emisiones con exactitud. Por ejemplo, en muchos casos, el
muestreo en la fuente de emisiones de COVs, intermitentes o fugitivas puede ser muy
difícil y costoso, por lo que es recomendable aplicar técnicas de estimación de emisiones a
partir del balance de materiales.
Para obtener las emisiones de COVs de las fuentes puntuales y de área, por
ejemplo, se usa por lo general un balance de materiales para estimar las emisiones por
evaporación de solventes. Esta técnica es aplicable de igual manera a las fuentes puntuales
y a las fuentes de área. En las fuentes puntuales se puede usar a nivel de dispositivo o de

planta, mientras que en el caso de las fuentes de área el balance de materiales puede
aplicarse a nivel regional o nacional.
El método más simple de balance de materiales es suponer que todo el solvente
consumido por un proceso se evapora durante éste. Por ejemplo, es razonable suponer que
durante muchas operaciones de pintura de superficies todo el solvente en la pintura se
evapora a la atmósfera durante el proceso de secado. En tales casos, las emisiones
simplemente son iguales a la cantidad de solvente aplicado en la pintura (y en los
adelgazadores añadidos) como una función del tiempo. Otro ejemplo similar es el uso de
solventes para lavado de ropa en seco, tal como se realiza en las tintorerías. Para estimar
las emisiones de este tipo de procesos, sólo se requiere conocer la cantidad de solvente
adquirido en cada tintorería durante el intervalo de tiempo de interés, porque se supone que
las emisiones son iguales a la cantidad de solvente comprado.
En procesos donde se maneja una cantidad semifija de solvente, donde el solvente
que se gasta es reemplazado cada determinado periodo o cada vez que es necesario, puede
suponerse que el solvente gastado es equivalente a las emisiones.
La suposición de que el solvente de reemplazo es igual a las emisiones por
evaporación también es útil en algunas situaciones más complicadas. Por ejemplo, si se
emplea un equipo de control de emisiones no destructivo como un condensador o un
absorbedor, esta suposición es válida en la medida que el solvente capturado sea regresado
al proceso. De manera similar, esta suposición será aplicable si en la planta se practica la
recuperación de solvente residual ya sea por destilación o por reducción o secado. Ambas
prácticas reducen los requerimientos de solvente de reemplazo en el proceso y, por lo
tanto, la cantidad de solvente que se convierte en emisiones fugitivas y que se pierde hacia
la atmósfera.
Existen pruebas que proporcionan información sobre balance de materiales y
determinaciones gravimétricas para varios procesos industriales, publicados por la
American Society for Testing and Materials (ASTM) (Sociedad Americana para Pruebas y
Materiales). En general, el uso de un balance de masa o de materiales para determinar las
emisiones totales de un proceso es sencillo y costeable.
Los COVs totales emitidos de un proceso de mezclado de pintura por lotes, por
ejemplo, se calcularía como se muestra a continuación (de acuerdo con el Método D 2369,
de la ASTM):
COVent (lb/gal) - COVpm (lb/gal) = COVe (lb/gal) (3.1)
donde:
ent = que entra
pm = pintura mezclada
e = emitidos
Asimismo, el análisis del combustible puede usarse para predecir las emisiones de
procesos de combustión, con base en la aplicación de las leyes de conservación de la
materia. La presencia de ciertos elementos en los combustibles puede usarse para predecir
su presencia en las corrientes de emisión.
Esto incluye elementos tóxicos tales como los metales que se encuentran en el
carbón, así como el azufre que puede ser convertido en otros compuestos durante el
proceso de combustión.
La ecuación básica que se usa en los cálculos de emisiones a partir del análisis del
combustible es:

MWCE
E = Qcomb. × CCC × (3.2)
MWCC
donde:
E = emisiones del contaminante
Qcomb. = Consumo de combustible, flujo másico (p.ej., kg/hr)
CCC = Concentración del contaminante en el combustible
MWce = Peso molecular del contaminante emitido (lb/lb-mol)
MWcc = Peso molecular del contaminante en el combustible (lb/lb-mol)
Por ejemplo, las emisiones de SO2 como producto de la quema de combustóleo

pueden calcularse basándose en su contenido de azufre. De esta manera, se supone una
conversión completa del azufre a SO2. Por lo tanto, por cada libra de azufre (PM=32 g)
quemado se emiten dos libras de SO2 (PM= 64g).
Ejemplo 3-1.
Calcular las emisiones de SOx por hora (reportado como SO2) de una máquina de
combustión interna que quema diesel, con base en los datos del análisis del combustible (el
contenido de azufre). El consumo estimado de combustible es de 150 litros/hr. La densidad
del diesel es de 0.85kg/litro (7.1 lb/gal). El contenido de azufre en el diesel es 0.05% en
masa.
Consumo de combustible
Qcomb. = 150 litros/hr x 0.85 kg/litro

= 127.5 kg/hr
Concentración del contaminante en el combustible

CS = 0.05/100
= 0.0005
Contaminate emitido: SO2

Peso molecular del contaminante emitido
MWce = Peso molecular del SO2 = 64 lb/lb-mol
Peso molecular del contaminante en el combustible
MWcc = Peso molecular del S = 32 lb/lb-mol
Luego reemplazando en la Ecuación (3.2)
ESO2 = 127.5 x 0.0005 x (64/32)

= 0.13 kg/hr
En el ejemplo anterior el balance de materiales se simplifica porque se supone que

todo el material que se está balanceando es emitido a la atmósfera. Sin embargo, existen
situaciones en las que esta suposición no siempre es razonable. Por ejemplo, si se usa un
dispositivo de control destructivo, como un postquemador, un incinerador o una unidad de
oxidación catalítica en el escape, una parte de los COVs presentes en la corriente serán
oxidados de modo que no es razonable suponer que las pérdidas de COVs en el proceso son

equivalentes a las emisiones ya que una parte de ellas está siendo controlada por
dispositivos de control de emisiones. En este caso, las características y cantidades de las
emisiones de COVs deberán determinarse con base en otras técnicas de estimación de
emisiones como factores de emisión o modelos.
También se pueden llevar a cabo balances de materiales para calcular las emisiones
fugitivas de fuentes de área que incluyan la producción, distribución y consumo de
combustibles. Por ejemplo, en un estudio enfocado a determinar este tipo de emisiones en
EU se aplicó un balance de materiales para la distribución y consumo de combustibles (De
Luchi, 1993). Un balance de materiales a nivel nacional para solventes en pinturas podría
ser también el mejor método para estimar las emisiones de COVs de esta categoría de
fuentes. Un enfoque similar puede adoptarse para estimar las emisiones a la atmósfera
derivadas de la aplicación de plaguicidas. Sin embargo, existen ciertas excepciones donde
hay consideraciones adicionales que es necesario tener en cuenta. Por ejemplo, las
emisiones del desengrasado no son iguales al consumo de solvente si el solvente residual
es vendido a un reciclador comercial. En esta situación las emisiones serán la diferencia
entre el solvente consumido y el solvente enviado a reprocesamiento. En un ejemplo más,
se cree que alguna fracción del diluyente usado para licuar asfalto rebajado es retenida en
el pavimento y no se evapora después de la aplicación.
El ejemplo siguiente muestra que, en algunos casos, la suposición de que todo el
solvente consumido es equivalente a las emisiones de COV del proceso, resultaría en una
sobrestimación de las emisiones. Por lo tanto, se utilizan balances de materiales junto con
factores de emisión basados en el proceso para estimar las emisiones. Estos balances son
parecidos a aquellos que se basan en la diferencia entre la materia prima y el producto,
cuando el factor de emisión para un proceso está dado por unidad de material consumido.
Ejemplo 3-2
Calcular las emisiones mensuales de COVs de un desengrasador de vapor. Cada

mes, se añaden 100 litros de solvente al inicio del mes. A principios de mes, se añaden
otros 20 litros para rellenar las pérdidas. A fin de mes, se envían 100 litros de solvente
residual a un reciclador y 0.2 kg de residuos sólidos son recolectados para disposición.
El solvente es 100% COVs.
El solvente residual es 98% COVs.
El residuo sólido es 5% COVs.
La densidad del solvente es de 1.5 kg/litro.
Qsolvente = (100 litros/mes + 20 litros/mes) x 1.5 kg/litro

= 180 kg/mes
Qresidual = (100 litros/mes x 1.5 kg/litro x 98% COV) + (0.2 kg/mes x 5% COV)
= 147 kg/mes + 0.01 kg/mes
= 147 kg/mes
ECOV = Qsolvente - Qresidual

= 180 - 147
= 33 kg/mes
Hay otras situaciones que pueden complicar el balance de materiales. En primer

lugar, no todas las pérdidas de solventes de ciertas operaciones como el lavado en seco o el

desengrasado, se dan en el sitio de la planta. En cambio, se pueden evaporar cantidades

significativas de solventes en el sitio de disposición del solvente residual, a menos que sea
incinerado o dispuesto de manera que se impida su evaporación posterior a la atmósfera.
En general, se puede suponer que gran parte del solvente enviado a sitios de disposición se
evaporará, sin embargo, se debe determinar si una parte del solvente asociado con varias
operaciones se evapora en el punto de disposición más que en el punto de uso, ya que estas
pérdidas pueden presentarse fuera del área cubierta por el inventario.
De la misma manera, en algunos procesos de evaporación no es posible emplear
balances de materiales, debido a que la cantidad de material perdido es demasiado pequeña
para ser determinada con exactitud usando los procedimientos de medición
convencionales. Por ejemplo, la aplicación de balances de materiales a los tanques de
almacenamiento de productos del petróleo por lo general no es factible, debido a que las
pérdidas por respiración y por operación son demasiado pequeñas con respecto a la
capacidad total promedio del tanque. En estos casos, es preferible aplicar técnicas de
estimación de emisiones basadas en factores de emisión o en modelos.
En resumen, con excepción de algunos tipos de fuente tales como los ejemplos de
uso de combustibles y de solventes presentados anteriormente, el balance de materiales
debe ser utilizado como un método de «arriba hacia abajo» para evaluar qué tan razonables
son las estimaciones de emisión generadas al usar otras técnicas, más que como el
principal método de estimación.
3.1.2 Diseño de Procesos
3.1.2.1 Destilación de compuestos orgánicos
Xileno, estireno, tolueno y benceno están siendo separados con el arreglo de

columnas de destilación que se muestran a continuación donde F, D, B, D1, B1, D2 y B2 son
los flujos molares en mol/min.
7% Xileno
D1 4% Estireno
54% Tolueno
35% Benceno
D 2
18% Xileno
24% Estireno
B1 42% Tolueno
15% Xileno 16% Benceno
25% Estireno
40% Tolueno
1 15% Xileno
20% Benceno D2 10% Estireno
54% Tolueno
F = 70 mol/min 21% Benceno
B
3
24% Xileno
65% Estireno
B2 10% Tolueno
1% Benceno
Figura 3. 1 Tren de separación

Los balances de materiales para componentes individuales sobre todo el tren de

separación da el siguiente conjunto de ecuaciones
Xileno: 0.07D1+0.18B1+0.15D2 + 0.24B2 = 0.15 x 70

Estireno: 0.04D1+0.24B1+0.10D2 + 0.65B2 = 0.25 x 70
Tolueno: 0.54D1+0.42B1+0.54D2 + 0.10B2 = 0.40 x 70
Benceno: 0.35D1+0.16B1+0.21D2 + 0.01B2 = 0.20 x 70
En notación matricial, el sistema anterior se escribe:
[A] ⋅ [x] = [b] (3.3)
⎡ 0.7 0.18 0.15 0.24⎤ ⎡ D1 ⎤ ⎡10.5⎤

⎢0.04 0.24 0.10 0.65⎥⎥ ⎢B ⎥ ⎢17.5⎥
A=⎢ , x = ⎢ 1 ⎥, b=⎢ ⎥ (3.4)
⎢0.54 0.42 0.54 0.10⎥ ⎢ D2 ⎥ ⎢ 28 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣0.35 0.16 0.21 0.01⎦ ⎣ B2 ⎦ ⎣ 14 ⎦
1. Aplicando MATLAB, para resolver el sistema de la Ecuación. 3.4, hacemos lo

siguiente:
1.1 Escribimos la matriz A y el vector b
>> A= [0.07 0.18 0.15 0.24; 0.04 0.24 0.10 0.65; 0.54 0.42 0.54 0.10;
0.35 0.16 0.21 0.01]
A =
0.0700 0.1800 0.1500 0.2400
0.0400 0.2400 0.1000 0.6500
0.5400 0.4200 0.5400 0.1000
0.3500 0.1600 0.2100 0.0100
>> b=[10.5; 17.5; 28; 14]
b =
10.5000
17.5000
28.0000
14.0000
1.2 Damos la orden para calcular x:
>> x=A\b
x =
26.2500 = D1
17.5000 = B1 Flujos totales de salida de las
8.7500 = D2 Columnas 2 y 3
17.5000 = B2

Balance total y de componentes individuales en la columna #2 pueden ser usados

para determinar el flujo molar y fracciones molares a partir de la ecuación de la corriente
D por:
Flujos molares: D = D1 + B1
Xileno : XDxD = 0.07D1 + 0.18B1

Estireno: XDsD = 0.04D1 + 0.24B1
Tolueno: XDtD = 0.54D1 + 0.42B1
Benceno: XDbD = 0.35D1 + 0.16B1
donde XDx = fracción molar de Xileno, XDs = fracción molar de Estireno, XDt = fracción
molar de Tolueno, y XDb= fracción molar de Benceno.
De manera similar, balances total y de componentes individuales en la columna #3
pueden ser usados para determinar el flujo molar y las fracciones molares de la corriente B
a partir del conjunto de ecuaciones:
Flujoss Molares: B = D2 + B2
Xileno: XBxB = 0.15D2 + 0.24B2

Estireno: XBsB = 0.10D2 + 0.65B2
Tolueno: XBtB = 0.54D2 + 0.10B2
Benceno: XBbB = 0.21D2 + 0.01B2
Reemplazando los demás valores se tiene la solución completa.
3.1.3 Proceso de tratamiento de metales
Las superficies de metal son a menudo limpiadas usando solventes orgánicos en un

tanque desengrasador abierto por el tope. Uno de los solventes ampliamente usados para
tales operaciones es 1,1,1 – tricloroetano (TCE). El TCE pertenece a un grupo de productos
químicos altamente estables conocido como agotadores de ozono. La Figura 3.2 bosqueja
una operación típica que desengrasa. El factor de emisión para el proceso mostrado es
estimado a ser 0.6 lb/lb de TCE entrando en el desengrasador.
F13
F01 Desengrasador (1) F12 Recuperación de F24

Solvente (2)
F21
Figura 3.2. Esquema de una operación típica de desengrasado.
El solvente del desengrasador es enviado a una unidad de recuperación de solvente

donde 80 % del solvente es recobrado y 20 % del solvente es evacuado con el lodo.

1. Para averiguar la viabilidad de la instalación de un sistema de recuperación de vapor,

determinar la cantidad de TCE enviado a la atmósfera por la libra de TCE nuevo usado.
2. Si el sistema de recuperación de vapor es 90 % eficiente, determine la fracción de
tricloroetano perdido a la atmósfera y la fracción yendo con el lodo.
Solución
Asumiendo una base de 1 lb para F01.
Las ecuaciones de balance de masa alrededor de las dos unidades para el proceso
sin la unidad de recuperación de vapor es:
1 + F21 = F12 + F13 (1)
F12 = F21 + F24 (2)
La Ecuación para la cantidad de emisiones de TCET en términos de la cantidad de TCE

entrando al desengrasador es:
F13 = 0.6 ( 1 + F21 ) (3)
En adición, la cantidad de TCE recuperado en términos de la cantidad de solvente

entrante a la unidad de recuperación es
F21 = 0.8F12 (4)
Tomando las Ecs (1), (3) y (4) se tiene el sistema:
F12 + F13 - F21 =1 (1)

F13 - 0.6 F21 = 0.6 (3)
0.8F12 - F21 =0 (4)
En notación matricial, el sistema anterior se escribe:
[A] ⋅ [x] = [b] (3.3)
⎡ 1 1 −1 ⎤ ⎡ F12 ⎤ ⎡1⎤
A = ⎢⎢ 0 1 − 0.6⎥⎥ , x = ⎢⎢ F13 ⎥⎥ , b = ⎢⎢ 0 ⎥⎥
⎢⎣0.8 0 − 1 ⎥⎦ ⎢⎣ F21 ⎥⎦ ⎢⎣0.6⎥⎦
Usando Matlab:
>> A=[1 1 -1; 0 1 -0.6; 0.8 0 -1]
A =
1.0000 1.0000 -1.0000
0 1.0000 -0.6000
0.8000 0 -1.0000
>> b=[1; 0.6; 0]

b =
1.0000
0.6000
0
>> x=A\b
x =
0.5882
0.8824
0.4706
>>
Con lo cual se tiene:
F12 = 0.5882 lbs

F13 = 0.8824 lbs
F21 = 0.476 lbs
Además:
F24 = 0.2 (F12) = 0.2* 0.5882 = 0.1176 lbs
b) Efectuar los cálculos cuando se adiciona una unidad de recuperación de vapor.
F35
Recuperación de
vapor (3)
F31
F13
F01 Desengrasador (1) F12 Recuperación de F24

Solvente (2)
F21
Figura 3.3. Esquema de la operación de desengrasado con una unidad de recuperación de

vapor

CAPITULO
4
MODELOS AL ESTADO NO ESTACIONARIO
Los sistemas dinámicos tuvieron sus inicios en sistemas de diferencias y en

ecuaciones diferenciales (Forrester 1980). Un sistema objetivo, es descrito usando un
sistema de ecuaciones, de las cuales se derivan los estados futuros de ese sistema desde el
estado actual. Son representados por atributos llamados “Niveles y Tasas” actuando como
ecuaciones en diferencia con puntos equidistantes en el tiempo.
Una típica ecuación en diferencias tiene la forma:
xt+1 = f(xt ; v) (4.1)
Donde xt+1 es el estado del sistema objetivo en el tiempo “t+1”, el cual depende del
estado en el tiempo “t” y de un parámetro “v”. Usualmente la función f es continua.
Una típica ecuación diferencial tiene la forma:
dx/dt = g(x(t); v) (4.2)
Donde dx/dt es el cambio de estado del sistema objetivo en un periodo corto de

tiempo dt. Estos cambios dependen de “t” y de “v”.
4.1 MODELO PARA EL CO2 TOTAL

La acumulación creciente de CO2 en la atmósfera constituye un experimento a gran
escala en el ambiente de la Tierra con repercusiones de largo plazo desconocidas. El
balance radiacional entre la Tierra y espacio puede ser afectado significativamente por las
acumulaciones del CO2, por ejemplo, el llamado "efecto invernadero ", que puede
producir incrementos significativos en la temperatura atmosférica de la Tierra. El
incremento en la temperatura, a su vez, puede producir a su vez mayores cambios en el
ambiente, por ejemplo, fusión de hielo polar, clima severo, efectos adversos en la
agricultura.
Así, los estudios cuantitativos de acumulación del CO2 son esenciales para elucidar
y entender cuáles factores contribuyen a la acumulación del CO2. Un modelo matemático
introductorio de los factores que contribuyen a la generación del CO2 y la acumulación son

desarrollados en el subsiguiente ejemplo. El modelo puede ser usado, por ejemplo, para
estudiar el efecto del creciente quemado de combustible fósil y la destrucción de áreas
forestales. El modelo incluye un componente de clima. Éste es un modelo pequeño de
términos, en el que la transferencia de carbón hacia y desde el sedimento y el carbonato
(ambos procesos de transporte de largo plazo) quedan excluidos.
La estructura del modelo es ilustrada en la Figura 4.1 y consiste de cinco
reservorios interconectados:
1 Atmósfera
2 La Biosfera Terrestre
3 Superficie del océano
4 Carbón del suelo y detritus
5 Profundidad del océano
Los rectángulos representan los reservorios, cada uno con un valor inicial (en giga
toneladas de carbón). Los flujos son representados por las flechas grandes con los círculos
adjuntos a la presente. Estos están en unidades de giga toneladas/año. Los círculos simples,
conocido como "convertidores", tienen constantes numéricas o fórmulas algebraicas
representando funciones matemáticas específicas.
Deforestación
Quemado de combustibles fósiles
ATMOSFERA Emanación de
gases del océano
O O
Respiración
O
O
O
Estación SUPERFICIE DEL
OCEANO
O
O O
BIOSFERA Salida del océano
TERRESTRE
O
O
Fotosíntesis
Flujo hacia
arriba
Flujo hacia
Muerte abajo
O
CARBON DEL PROFUNDIDAD
SUELO Y DEL OCEANO
DETRITUS O
Bomba
Decaimiento biológica
Figura. 4.1 Diagrama de flujo para la simulación del CO2 total en STELLA

Nuestro interés es evaluar la cantidad de carbón en los reservorios en cualquier

período de tiempo dado sobre el tiempo de simulación, específicamente la cantidad de
carbón atmosférico presente. Los flujos representan los diversos procesos que afectan la
cantidad de carbón que podrían ser depositados o removidos de un reservorio. Incluidos en
los flujos están las ecuaciones para calcular fotosíntesis estacional, emanaciones desde el
océano, la respiración, la muerte, la descomposición, y otros.
Ecuaciones diferenciales
dC AT
= C OD + C R + C D + C FB + C DF − C OU − C FS
dt
dC SO
= C OU + CUP − C OD − C DW − C BP
dt
dC DO
= C DW + C BP − CUP
dt
dC BT
= C FS − C R − C M − C DF
dt
dC SD
= CM − CD
dt
Ecuaciones algebraicas
C AT
CUO =
2
CUP = CDO * 0.002
CDW = CSO* 0.002
CBP = 6.76 + CSO / 700
COD = CSO / 20
Est = 1+ (cos(2*pi*(t +0.125)))
CR = CBT * 0.1* Est
CFS = (CBT * 0.1483+ CAT /700) * Est
CM = 0.05* CBT
CD = 0.021* CSD + CAT / 750
AtmCO2 = CAT /2
Donde:
CAT = carbón total en la atmósfera
COD = carbón emanada desde el océano
CR = carbón debido a la respiración de los seres vivos
CD = carbón debido a descomposición de seres muertos
CFB = carbón debido al quemado de combustibles fósiles

CDF = carbón debido a la deforestación de los bosques

COU = carbón tomado por el océano
CFS = carbón usado en la fotosíntesis
CSO = carbón en la superficie del océano
CUP = carbón desde el fondo del océano
CBT = carbón en la biosfera terrestre
CDW = carbón hacia el fondo del océano
CBP = carbón en plantas marinas
CDO = carbón en el fondo del océano
CM = carbón en los seres muertos
CSD = carbón en la superficie terrestre
Est = variación estacional
AtmCO2 = CO2 en la atmósfera
t = tiempo
pi = 3.1416
Las condiciones iniciales son tomadas para el año base (1970) en giga toneladas:
Valor inicial de carbón en la atmósfera (reservorio): CATo = 700

Valor inicial de carbón en la superficie del océano (reservorio): CSOo = 700
Valor inicial de carbón en la biosfera terrestre (reservorio): CBTo = 550
Valor inicial de carbón en el fondo del océano (Reservorio): CDOo = 35000
Valor inicial de carbón en la superficie terrestre (reservorio): CSDo = 1200
Parámetros que dependen de la actividad del hombre:

Deforestación: 2
Flujo de combustibles fósiles: 5
Las ecuaciones básicas representan las matemáticas requeridas para representar el

transporte "natural" de carbón a través de este sistema. Para añadir una variable
antropogénica para la mezcla, incluimos la adición de carbón al reservorio de la atmósfera
a través del quemado de combustibles fósiles (estimado a ser 5 gigatons al año) y el efecto
de deforestación (2 gigatons adicionales moviéndose de la biosfera terrestre a la
atmósfera). En este modelo, usted puede experimentar con el cambiar de estas dos
variables (junto con la mayor parte de las demás) en el modelo.
Al correr el modelo obtiene como resultado un gráfico de la cantidad de CO2 en la
atmósfera
Uso de UNTSIM
Seleccionamos del Menú Principal – Modelización Ambiental – Ciclo del Carbón
Copyright 2006 UNT

MSc. Luis Moncada
All rights reserved
25-May-2006
ESTE PROGRAMA SIMULA EL CICLO DEL CARBON

Y CALCULA LA CANTIDAD DE CO2 EN FUNCION DEL TIEMPO
***************************************************
Los valores propuestos son tomando año base 1970 en gigatoneladas

Para otro año base dar los valores corrspondientes

Carbón en la Atmósfera (700 gt): 700
Carbón en la superficie del océano (700 gt): 700
Carbón en el fondo del océano (35000 gt): 35000
Carbón en la biosfera terrestre (550 gt): 550
Carbón por quemado de combustibles fósiles (5 gt): 5
Carbón por deforestación (2gt): 2
Tiempo de simulación en años (Ej. 10): 10
Tamaño de paso para simulación (Ej. 0.25): 0.25
*******************************************************************
CANTIDADES DE CO2 EN GIGATONELADAS
-------------------------------------------------------------------
Año Atmosfera Superficie Fondo del Biosfera Superficie
Terrestre Oceano Trrestre Terrestre
----- ---------- ---------- ---------- --------- ----------
0.00 350.00000 700.00 35000.00000 550.00 1200.00000
0.25 348.25962 715.21 34984.79000 554.39 1200.34167
0.50 346.59219 730.17 34969.60064 558.81 1200.73756
0.75 349.94137 744.87 34954.43170 553.38 1201.18778
1.00 353.35215 759.46 34939.28294 547.99 1201.56544
1.25 351.96540 773.93 34924.15427 552.37 1201.87151
1.50 350.64249 788.16 34909.04556 556.78 1202.23161
1.75 354.31196 802.16 34893.95660 551.36 1202.64583
2.00 358.03458 816.06 34878.88719 545.99 1202.98772
2.25 356.96612 829.86 34863.83723 550.36 1203.25823
2.50 355.95326 843.45 34848.80663 554.76 1203.58261
2.75 359.91020 856.81 34833.79518 549.36 1203.96098
3.00 363.91267 870.09 34818.80269 544.01 1204.26724
3.25 363.13055 883.29 34803.82909 548.37 1204.50237
3.50 362.39659 896.28 34788.87428 552.76 1204.79125
3.75 366.61139 909.07 34773.93808 547.38 1205.13400
4.00 370.86483 921.79 34759.02032 542.05 1205.40491
4.25 370.34018 934.44 34744.12091 546.40 1205.60494
4.50 369.85698 946.90 34729.23980 550.79 1205.85865
4.75 374.30289 959.17 34714.37681 545.43 1206.16616
5.00 378.78124 971.39 34699.53177 540.12 1206.40209
5.25 378.48798 983.54 34684.70463 544.46 1206.56742
5.50 378.23008 995.52 34669.89531 548.84 1206.78637
5.75 382.88299 1007.32 34655.10366 543.50 1207.05909
6.00 387.56273 1019.08 34640.32953 538.21 1207.26051
6.25 387.47725 1030.78 34625.57286 542.55 1207.39162
6.50 387.42166 1042.33 34610.83360 546.92 1207.57633
6.75 392.25978 1053.70 34596.11161 541.60 1207.81480
7.00 397.11968 1065.04 34581.40673 536.33 1207.98227
7.25 397.22068 1076.35 34566.71892 540.66 1208.07971
7.50 397.34659 1087.49 34552.04814 545.03 1208.23077
7.75 402.35027 1098.49 34537.39425 539.73 1208.43559
8.00 407.37118 1109.45 34522.75712 534.48 1208.56972
8.25 407.63935 1120.39 34508.13670 538.81 1208.63413
8.50 407.92795 1131.18 34493.53296 543.18 1208.75219
8.75 413.07947 1141.82 34478.94578 537.90 1208.92405
9.00 418.24410 1152.45 34464.37501 532.66 1209.02552
9.25 418.66200 1163.05 34449.82064 536.99 1209.05758
9.50 419.09629 1173.52 34435.28263 541.36 1209.14334
9.75 424.37964 1183.85 34420.76086 536.10 1209.28296
10.00 429.67239 1194.17 34406.25521 530.88 1209.35250
*******************************************************************
>>
Y la figura:

ACUMULACION DE CO2 EN LA ATMOSFERA

430
420
CO2 en la Atmósfera: Gigatoneladas
410
400
390
380
370
360
350
340
0 1 2 3 4 5 6 7 8 9 10
Tiempo: Años
Figura. 4.2 Proyección de la cantidad total de CO2
1 Gigatonelada = 1015 gm
1 ton métrica = 1000 kg = 106 gm
4.2 SIMULACIÓN DE DINÁMICA DE POBLACIONES

BIOLÓGICAS: UN ENFOQUE DE DINÁMICA DE SISTEMAS
La administración de los recursos renovables ha estado fundamentada en el
concepto de máximo rendimiento sustentable, según el cual el inventario de los recursos
biológicos no puede sobreexplotarse sin una pérdida final de productividad. Este concepto
se basa en esquemas de crecimiento biológico. En este punto se presentan algunos modelos
de crecimiento bajo el enfoque de dinámica de sistemas, lo cual permite estudiarlos
mediante simulación y análisis de sensibilidad. Se presentan los principios del
modelamiento de ecosistemas, los modelos clásicos de crecimiento (exponencial y
logístico) y en anexo, los fundamentos de la dinámica de sistemas.
4.2.1 Modelos de Crecimiento Poblacional
El manejo de los recursos naturales renovables se ha basado en el concepto de

máximo rendimiento sustentable, según el cual el inventario de recursos no puede
sobreexplotarse sin una pérdida final de productividad. Este concepto se fundamenta en un
modelo de crecimiento biológico, en el cual se plantea que a cualquier nivel poblacional,

menor que un cierto nivel K (indicativo de la capacidad de carga ambiental o nivel de

saturación), existe una sobreproducción que puede ser cosechada indefinidamente sin
alterar el nivel de inventario (Clark, 1976).
Ahora bien, si no se cosecha ese superávit de producción, entonces se genera un
aumento en el nivel de inventario, que finalmente alcanza la capacidad de carga ambiental
K, punto en el cual se anula la sobreproducción. Como el exceso de producción se iguala al
rendimiento sustentable para cada nivel de población, entonces el punto de máximo
rendimiento sustentable se alcanza en el nivel poblacional No, para el cual dicho exceso de
producción es máximo (coincide con el punto en el cual se maximiza la tasa de crecimiento
poblacional).
Los modelos que explican la explotación de los recursos biológicos se basan en una
estructura de ecuaciones diferenciales del tipo:
dY/dt = F(Y)-h(t) (4.3)
donde
Yt : representa el tamaño de la población en t,
F(Y) : indica la tasa de crecimiento poblacional
h(t) : representa la tasa de cosecha (“harvesting rate”).
El comportamiento dinámico de la población depende de la relación entre ambas

tasas F(Y) y h(t).
El nivel poblacional declina, sí F(Y)< h(t), pues dY/dt< 0. Mientras que, si F(Y)=
h(t), la población se mantiene en un nivel constante, pues dY/dt = 0; ello significa que la
tasa natural de crecimiento F(Y) se iguala con el valor del rendimiento sustentable que
puede ser para poder diseñar modelos de planificación de manejo de los
recursos renovables es fundamental especificar los modelos de crecimiento poblacional
adecuados en cada caso.
Uno de los hechos fundamentales de la dinámica poblacional es el potencial de
crecimiento exponencial (Caswell, 1988), popularizado por Malthus, quien en 1798 en su
obra Essay on the Principle of Population, estableció que una población sin restricciones
se incrementaría geométricamente. Ahora bien, las poblaciones no pueden mantener
indefinidamente este crecimiento exponencial, planteándose los modelos de crecimiento
poblacional restringido o modelos logísticos, deducidos por Pierre Verhulst en 1838.
Luego siguieron extensiones a los casos de competencia entre especies diferentes, y de
interacción tipo predador-presa (Lotka, 1924; Volterra, 1926; Gause, 1934; Kostitzin,
1939).
Basándose en los trabajos de Lotka, se desarrollaron modelos que consideran a la
población clasificada por grupos de edad, para así resolver la limitación de los modelos
que tratan a todos los individuos de la población en forma idéntica.
Todas las teorías ecológicas respecto a las poblaciones y a las comunidades tienen
que ver, de una u otra manera, con sus tamaños, cómo crecen o decrecen, si presentan un
crecimiento estable o si fluctúan, cómo responden a los cambios ambientales y cómo
influyen en los cambios en el ambiente de otras poblaciones.

4.2.2 Modelo de crecimiento exponencial
El tamaño de las poblaciones de seres vivos se mantiene en equilibrio, oscilando

más o menos ampliamente en torno a un valor medio, en función de variables como la
natalidad o la mortalidad, que a su vez dependen de relaciones más complejas con otras
poblaciones de otras especies, variaciones en las condiciones ambientales, etc.
El crecimiento de una población, es decir el incremento en el número de individuos
que la componen en cada generación depende de la tasa de natalidad, característica de
cada especie y variable en función de ciertos factores ambientales, y del número de
individuos reproductores de que se parte. Esta tasa de natalidad TN se expresa en tanto por
uno. Según esta aproximación tan simple, en una generación el número inicial de
individuos N0 se verá incrementado en N0·TN:
N1 = N0 + N0·TN = N0·(1 + TN) (4.4)
Al mismo tiempo, ocurre que cierto número de individuos mueren. La proporción

de muertes respecto al total es la tasa de mortalidad TM (también en tanto por uno).
Según esta aproximación, en una generación el número inicial de individuos N0 se verá
disminuida en N0·TM:
N1 = N0 - N0·TM = N0·(1 - TM) (4.5)
Luego, considerando al mismo tiempo las tasas de natalidad y mortalidad, el

número total de individuos después de un primer periodo de tiempo será:
N1 = N0 + N0·TN - N0·TM (4.6)
N1 = N0 (1+ TN – TM) (4.7)
La acción conjunta de TN y TM determinan el incremento real de N0. La

diferencia entre TN y TM es la tasa intrínseca de crecimiento de una población, cuyo valor
máximo se denomina potencial biótico (r), el cual es característico de cada especie:
r = TN – TM (4.8)
Teniendo en cuenta ambos factores, tenemos que el número de individuos presentes

en la población en la siguiente generación será:
N1 = N0·(1 + r) (4.9)
en la siguiente generación tendremos:
N2 = N1 (1 + r) = N0 (1 + r) (1 + r) = N0 (1 + r)2 (4.10)
Y generalizando:
Nt = N0 (1 + r)t (4.11)
Si TN > TM, significa que la natalidad supera a la mortalidad, r será mayor que 0 y
la población tiende a crecer. En estas condiciones y si no existen limitaciones de otro tipo,

la población crece de manera exponencial. El siguiente ejemplo muestra este tipo de

crecimiento partiendo de N0 = 6 y r = 0,1, o sea una tasa del 10% (se ha elegido una tasa
tan alta para mejorar la visualización de la función; usando el simulador UNTSIM se
pueden alterar los parámetros de partida):
No=6;
r=0.1
t=0:1:10;
Nt = No*(1+r).^t
m=[t;Nt];
disp('***************************')
disp(' CRECIMIENTO EXPONENCIAL')
disp('---------------------------')
disp(' Año Población ')
disp('----- ---------- ')
fprintf(' %5.2f %7.5f\n',m)
disp('***************************')
plot(t,Nt)
xlabel ('Tiempo')
ylabel ('Población')
title('CRECIMIENTO EXPONENCIAL DE POBLACION')
grid on
CRECIMIENTO EXPONENCIAL DE POBLACION

16
15
14
13
12
Población
11
10
6
0 1 2 3 4 5 6 7 8 9 10
Tiempo
Figura. 4.3 Crecimiento exponencial de población

***************************
CRECIMIENTO EXPONENCIAL
---------------------------
Año Población
----- ----------
0.00 6.00000
1.00 6.60000
2.00 7.26000
3.00 7.98600
4.00 8.78460
5.00 9.66306
6.00 10.62937
7.00 11.69230
8.00 12.86153
9.00 14.14769
10.00 15.56245
***************************
El proceso descrito es determinístico, es decir, se asume que en un instante dt, cada

individuo produce la fracción rdt de nuevos individuos. (El correspondiente modelo
estocástico asume que en el intervalo dt un individuo produce un descendiente con una
probabilidad rdt, y hay una probabilidad 1– rdt de no generar descendientes.)
Con este modelo puede estudiarse el comportamiento de una población bajo los
siguientes supuestos o restricciones:
1. El modelo considera sólo los nacimientos.
2. La tasa reproductiva es igual para cada individuo y constante durante toda la edad
reproductiva.
3. No hay interacción entre los individuos.
4. El espacio y los recursos que consumen los organismos son ilimitados.
Sin embargo, este tipo de crecimiento sólo es posible en circunstancias muy
específicas, por ejemplo cuando una especie coloniza un nuevo espacio y no hay
restricciones en los recursos ni competencia por ellos, tal como ocurre en un cultivo
bacteriano recién inoculado durante los primeros momentos de su crecimiento. Algunas
especies siguen este modelo de crecimiento siguiendo ciclos de explosión demográfica
seguidos por elevados índices de mortalidad, por ejemplo al comienzo de la estación
reproductora. Presentan curvas de crecimiento en forma de dientes de sierra:
Figura. 4.4 Modelo de población con ciclos d explosión demográfica

Dinámica del crecimiento exponencial
Pare representar la dinámica del modelo de crecimiento exponencial se requiere

expresar el modelo mediante una ecuación diferencial. Para esto, partiendo de la Ecuación.
(4.6), el incremento en el número de individuos ∆N para un periodo de tiempo ∆t, cuando
∆t→0 es:
dN/dt = (TN – TM )N (4.12)
Donde N representa el nivel poblacional en cada instante t, TN y TM representan la

natalidad y la mortalidad según las tasas porcentuales de natalidad y mortalidad n y m
respectivamente; ambas variables, TN y TM son variables de flujo (representan el cambio
en la población N por unidad de tiempo t). Las tasas porcentuales de natalidad y mortalidad
son parámetros que permanecen constantes durante el período de análisis.
A continuación se ilustra la solución de una ecuación diferencial (Ecuación. 4.12)
usando el método de Euler. La solución de esta ecuación se ilustra en la Figura 4.5.
% Aplicación del algoritmo de Euler

% (c) 2006 - L. Moncada
% 25 Mayo 2006
% Limpiamos la pantalla y variables almacenadas en la memoria
clear, clf, hold off
% Valores iniciales
N=6; %Población inicial
pn=0.1 %Tasa porcentual de natalidad
pm=0 %Tasa porcentual de natalidad mortalidad
T= 10 %Tiempo de simulación
h= 1.0; %Tamaño de paso
NP=ceil(T/h); % número de pasos a tomar
t(1)=0; %Tiempo inicial

N(1)=N;
TN(1)=pn*N;% Natalidad
TM(1)=pm*N;% Mortalidad
% Bloque de iteración
for i=1:NP % Tomando NP pasos
t(i+1) = t(i) + h;
N(i+1)=N(i) + h*(TN(i)-TM(i));% Método de Euler
TN(i+1)=pn*N(i+1);
TM(i+1)=pm*N(i+1);
end
%salida de resultados
disp('***************************')
disp(' CRECIMIENTO EXPONENCIAL')
disp('---------------------------')
disp(' Año Población ')
disp('----- ---------- ')
fprintf(' %5.2f %7.5f\n',[t;N])
disp('***************************')
plot(t,N)
xlabel ('Tiempo')
title('CRECIMIENTO EXPONENCIAL DE POBLACION')
grid on

CRECIMIENTO EXPONENCIAL DE POBLACION

16
15
14
13
12
Población
11
10
6
0 1 2 3 4 5 6 7 8 9 10
Tiempo
Figura. 4.5 Crecimiento exponencial de Población
***************************
CRECIMIENTO EXPONENCIAL
---------------------------
Año Población
----- ----------
0.00 6.00000
1.00 6.60000
2.00 7.26000
3.00 7.98600
4.00 8.78460
5.00 9.66306
6.00 10.62937
7.00 11.69230
8.00 12.86153
9.00 14.14769
10.00 15.56245
***************************
Al potencial biótico, como capacidad de una especie para reproducirse en

condiciones ideales, se opone una serie de factores que, en conjunto, constituyen la
resistencia ambiental, la cual establece un límite al crecimiento de las poblaciones. En
especies con un comportamiento como el descrito estos factores suelen ser independientes
de la densidad de población, como variaciones climáticas, en la cantidad de alimento
disponible, etc.

4.2.3 Modelo de crecimiento logístico
Malthus, ya a fines del siglo XVIII, planteó el modelo de crecimiento exponencial

precedente y concluyó que, como la población aumentaba geométricamente y los recursos
sólo aritméticamente, había un límite natural al crecimiento de la población (Malthus,
1798).
Medio siglo después, Darwin creó el concepto “Severe Struggle for Existente” para
explicar este fenómeno. Es decir, en condiciones ideales una población debía crecer
exponencialmente, pero la existencia de otras especies y lo limitado de los recursos,
generaba en ellas una severa competencia que llamó “lucha por la existencia”.
No todas las especies estaban igualmente capacitadas, y creó el concepto de aptitud de
adaptación (“fitness”) para expresar la calidad de la relación entre cada organismo y su
ambiente (conjunto de todos los factores externos que pueden influenciar a los organismos
durante su vida). Esta medida de la calidad de relación entre el organismo y su ambiente
estaba determinada por factores tales como: fertilidad, habilidad para conseguir alimento,
habilidad para evitar peligros, etc. Darwin, además postuló que estas características, ese
“fitness”, era hereditario, transmitiéndose a los descendientes, de generación en
generación. Luego, si los individuos de una población tienen más “fitness” que los
individuos de otra población, los primeros podrían aumentar su número más rápidamente,
teniendo una mejor oportunidad para sobrevivir y procrear individuos como ellos; habría
así una selección natural de los organismos.
La objeción a la ecuación de crecimiento exponencial es que, para r>0, la población
se incrementa explosivamente, mientras que si r < 0 la población decrece hacia la
extinción, fluctuando alrededor de un valor finito, si r = 0; pero es evidente que nunca
alcanza valores infinitos. Usualmente se denomina resistencia ambiental al conjunto de
factores ambientales que limitan el crecimiento de una población (reducción en la tasa de
natalidad, incremento en la tasa de mortalidad). El tamaño máximo (expresado en
individuos, biomasa, energía, etc.) de una población permitido por un cierto ambiente se
conoce como capacidad de carga de ese ambiente. La capacidad de carga varía, no sólo en
función de las variables ambientales, sino también con relación a los atributos de la
población considerada.
Representando este tamaño máximo por K (corresponde a la N máxima para un
ambiente dado), se deduce el modelo logístico básico, en el que se establece una tasa de
crecimiento poblacional en función de la densidad de la población, es decir:
F(N)= dN/dt = r(N)N (4.13)
Siendo:
r(N) = ro(1-N/K) (4.14)
Esto genera la ecuación logística, que se expresa como:
dN/dt = roN[1-(N/K)] (4.15)
La relación anterior puede descomponerse de la siguiente manera,
dN/dt = roN-(ro/K)N2 = roN-bN2 (4.16)

Como se observa, el lado derecho de la ecuación está formado por dos términos: el
primero, roN, que representa la tendencia de la población a crecer exponencialmente a una
tasa ro , y el término bN2, cuyo papel es reflejar la reducción poblacional causada por
conflictos entre individuos de la misma especie (efecto competencia).
Cuando r se hace dependiente del tamaño de la población (y por tanto del tiempo)
su valor cambia con las fluctuaciones de la población. De manera que r toma el valor r(t)
en el intervalo (t ; t+dt) y esto define la ecuación logística.
dN/dt = (r-bN)N (4.17)
El razonamiento que sustenta esta ecuación es simple: la población se incrementa,

pero a medida que aumenta la densidad poblacional, disminuye la tasa de crecimiento hasta
detenerse al llegar a una densidad máxima definida. Ahora, en el modelo logístico, la tasa
de crecimiento exponencial r, ha sido reemplazada por (r – bN), una función lineal de N,
siendo b el parámetro que expresa en qué grado la densidad poblacional hace disminuir la
tasa de crecimiento de la población. Cuando esta tasa de crecimiento se hace cero, la
población cesa de crecer y el tamaño N de la población representa la capacidad de carga
del ambiente (N = K).
El modelo logístico se basa en los siguientes supuestos:
1. La población tiene una estructura estable por edades.
2. La tasa de variación (dN/dt) decrece en una cantidad constante y en forma
instantánea.
3. El ambiente no se modifica y la capacidad de carga K es constante.
4. La congestión afecta igualmente a todos los individuos.
Este modelo de crecimiento puede plantearse de varias maneras:
1. Definiendo la ley logística de crecimiento, como se ve en la Figura. 4.6 .

K=100000; %Población máxima
r=0.03; %Tasa porcentual de crecimiento
T= 300; %Tiempo de simulación
h= 0.05; %Tamaño de paso
NP=ceil(T/h); % Número de pasos
t(1)=0;
N(1)=N;
CR(1)=r*N*(1-N/K);
for i=1:NP
t(i+1) = t(i) + h;
N(i+1)=N(i)+ h*CR(i);% Método de Euler
CR(i+1)=r*N(i+1)*(1-N(i+1)/K);
end
% Acomodamos la salida
figure
plot(t,N)
xlabel ('Tiempo')
title('CRECIMIENTO LOGISTICO DE POBLACION')
grid on

4
x 10 CRECIMIENTO LOGISTICO DE POBLACION
10
7 2
6
Población
2 1
0
0 50 100 150 200 250 300 350
Tiempo
Figura 4.6 Modelo de crecimiento logístico de población
La tasa de natalidad es primero muy elevada y luego va siendo menor hasta

igualarse a la de mortalidad cuando la población alcanza el límite de carga. Por encima
de éste, la tasa de mortalidad supera la de natalidad e impide que la población crezca.
Sin embargo, es frecuente que tras un período de crecimiento rápido este ajuste tarde
en ocurrir lo suficiente como para que la población supere el nivel K
momentáneamente, tras lo cual se produce una elevada mortalidad y caída de la
población. Puede ocurrir que el valor de N oscile en torno a K hasta alcanzar el
equilibrio.
El máximo crecimiento de la población y la máxima producción se da mientras
se mantiene la etapa de crecimiento exponencial, antes que los factores dependientes de
la densidad tomen importancia limitando el crecimiento. En la siguiente figura,
corresponde al segmento comprendido entre los puntos 1 y 2.
La explotación de los ecosistemas por el hombre, ya hablemos de agricultura,
ganadería o pesca, consiste en extraer biomasa manteniendo el ecosistema inmaduro,
evitando que progrese la sucesión y el consumo respiratorio suponga una menor
producción neta. Desde el punto de vista de la demografía se trataría de mantener la
población en ese segmento 1-2 de crecimiento exponencial, evitando que el aumento de
la densidad haga decrecer la producción. Pero la sobreexplotación significa extraer más
deprisa de lo que puede crecer la población, se reducirá su densidad a un nivel inferior
al de producción óptima (antes del punto 1 de la gráfica). El buscar el máximo
beneficio en el menor plazo posible puede conducir a reducir los niveles de la
población objeto de explotación por debajo de ese umbral crítico que permita la
recuperación de la misma.

2. Formulando relaciones empíricas, basadas en datos de poblaciones específicas, en las

que se definen las tasas de crecimiento o decrecimiento en función de la densidad
poblacional; por ejemplo, puede definirse la fracción de mortalidad como una función
directa del tamaño poblacional: m = f(N), f’ > 0; el punto en el cual la fracción de
decrecimiento supera a la fracción de crecimiento, se denomina punto de inflexión de
la curva (punto en el que se produce el máximo crecimiento neto); allí, el proceso de
feedback positivo asociado con el crecimiento de la población, comienza a perder su
dominancia, a favor del proceso de feedback negativo relacionado con el decrecimiento
poblacional; la población continúa creciendo, pero a una tasa neta menor y cada vez
más baja, hasta que se detiene en el estado estacionario (punto en el que N=K).
3. Especificando relaciones causales entre la población y el sustrato alimenticio (la tasa de

crecimiento depende directamente de los recursos disponibles para la población).
Suponiendo que la tasa de reproducción r es proporcional a la concentración de
nutrientes o alimento C (unidades de nutriente) , r = kC, y que el incremento de la
población en una unidad requiere el consumo de b unidades de nutriente, entonces el
sistema población-nutriente puede representarse por el siguiente par de ecuaciones:
Ecuación de la población:
dN/dt = rNt = kCNt (4.18)
Ecuación del nutriente:
dC/dt = -b(dN/dt) = -bkCNt (4.19)
donde:
N = unidades de población
C = unidades de nutriente
b = unidades de nutriente consumido /unidad de población incrementada
r = tasa de crecimiento

C=1000; %Concentración de nutriente
b=0.01; %Consumo de nutriente/unidad de población incrementada
r=0.03; %Tasa de aumento porciento
T= 300; %Tiempo de simulacion
k=r/C;
h= 0.05;% Tamaño de paso
NP=ceil(T/h);
t(1)=0;
N(1)=N;
C(1)=C;
for i=1:NP
t(i+1) = t(i) + h;
N(i+1)=N(i) + h*k*C(i)*N(i);% Metodo de Euler
C(i+1)=C(i)-h*b*k*C(i)*N(i);
end
plot(t,N)
xlabel ('Tiempo')

title('CRECIMIENTO LOGISTICO DE POBLACION CON NUTRIENTE')

grid on
4
x 10 CRECIMIENTO LOGISTICO DE POBLACION CON NUTRIENTE
10
6
Población
0
0 50 100 150 200 250 300 350
Tiempo
Figura. 4.7 Modelo de crecimiento logístico con nutriente
4.2.4 Modelo de crecimiento con interacción de especies
Los modelos poblacionales con interacción de especies que se consideran en este

texto son del tipo predador-presa; específicamente se analizan los siguientes modelos:
a. Modelo general predador-presa.
Uno de los modelos más simples usados para investigar la dinámica de población
predador-presa es el modelo de Lotka-Volterra. Aún cuando no es usualmente preciso para
sistemas intrincados, es a menudo utilizado como una base para modelar la mayoría de
sistemas complejos. El modelo de Lotka-Volterra es un sistema de dos ecuaciones
diferenciales: una que describe la población de presas y otra que describe la población del
predador. Hay algunas suposiciones críticas, principalmente son:
• La presa tiene recursos ilimitados.
• La única amenaza de la presa es el depredador.
• El depredador es un especialista; es decir, el único suministro de comida del
depredador es la presa.
• El crecimiento del depredador depende de la presa que atrapa.

Los supuestos para el modelamiento matemático son los siguientes:
1) La presa (Pres) crece sin límites, en ausencia de los predadores (P); si Pred=0,
entonces dPres/dt = aPres.
2) Los predadores mueren en ausencia de las presas; si Pres=0, entonces dPred/dt = 0.
3) La natalidad de los predadores está directamente relacionada con el consumo de las

presas b(Pred*Pres) .
4) El consumo de presas por parte de los predadores es proporcional al número de

contactos entre las dos poblaciones –b(Pred*Pres).
Sobre la base de estos supuestos se construye el modelo básico predador-presa, el

cual consta de dos ecuaciones diferenciales:
dPres/dt = aPres – b(Pred*Pres) (4.20)

dPred/dt = – c Pred + d (Pred*Pres) (4.21)
Donde:
a = tasa de crecimiento de la presa
b = eficiencia de habilidad del depredador para capturar presa
c = la tasa de mortalidad del depredador
d = la tasa de crecimiento del depredador
Estas ecuaciones representan el cambio en las poblaciones de predador y presa a

medida que pasa el tiempo. Notar que dPres/ dt tiene un término Pred, y por otro lado,
dPred /dt tiene un término Pres. Esto se debe a que las dos poblaciones están
interconectadas; el tamaño de una población tiene un efecto sobre el tamaño de la otra
población.
La cantidad Pres*Pred indica la cantidad de dos organismos encontrados uno al
otro. Cuando cualquiera de las poblaciones es baja, la velocidad de encuentro es baja.
Cuando las poblaciones son altas, también la velocidad de encuentro es alta.
% pp_animado.m modelo animado de población Predador-Presa

% (c) 2006 - L. Moncada
% 25 Mayo 2006
clf
% establecer ejes para facilitar la animación
cla; % limpiar ejes
axHndl=gca; % manipular ejes
set(axHndl, ...
'Drawmode','fast', ...
'Visible','on', ...
'NextPlot','add');
grid on % adicionar malla a ejes
drawPres = line( ... % como dibujar Presa

'color','b', ...
'linestyle','-', ...
'erase','none', ...

'xdata',[],'ydata',[]);
drawPred = line( ... % como dibujar Depredador

'color','r', ...
'erase','none', ...
% Programa usando método de Euler-------------------------
Pres=50; %Población inicial de Presas

Pred=5; %Población inicial de Predadores
a=0.04; % Tasa de crecimiento de la presa
b=0.001;% Eficiencia del depredador para capturar presa
c=0.3; %Tasa de mortalidad del depredador
d=0.001; %Tasa de crecimiento del depredador (fracción)
NP=ceil(T/h);
t=(0:h:T);
axis([0 T -1 600]);
x=zeros(size(t)); % guardar población de predaores
y=zeros(size(t)); % guardar población de presas
Pred(1)=Pred;
Pres(1)=Pres;
for i=1:NP
Pres(i+1)=Pres(i)+ h*(a*Pres(i)-b*Pres(i)*Pred(i));
Pred(i+1)=Pred(i)+ h*(-c*Pred(i)+d*Pres(i)*Pred(i));
set(drawPres,'xdata',[t(i),t(i+1)],'ydata',[Pres(i),Pres(i+1)]);
drawnow;
set(drawPred,'xdata',[t(i),t(i+1)],'ydata',[Pred(i),Pred(i+1)]);
drawnow;
end
plot(t,Pres,'b')
plot(t,Pred,'r')
xlabel ('Tiempo')
title('MODELO DEPREDADOR-PRESA')
legend('Presa','Depredador')

MODELO DEPREDADOR-PRESA
1200
Presa
Depredador
1000
800
Población
600
400
200
0
0 50 100 150 200 250 300 350
Tiempo
Figura. 4.8 Modelo predador - presa
Análisis en el plano de fase

Ahora podemos hacer un análisis en el plano de fase, para lo cual damos la orden:
>> plot(Pres,Pred)
O usando el simulador UNTSIM, el cual nos da la siguiente GUI
Figura 4.9: Ingreso del modelo depredador - presa

Al graficar se obtiene:
Figura 4.10: Análisis en el plano de fase para el modelo Depredador - Presa
Como se puede ver en la Figura 4.10., hay órbitas cerradas rodeando el punto
crítico (a/b, c/d ) (40, 300) que implica que las soluciones son periódicas con el tiempo y
que el máximo de cada población es interactuando el uno del otro. Hay un punto de silla
en (0, 0) que representa la ausencia de ambas poblaciones. El punto de silla muestra que si
hay la presa y no hay ninguno de los depredadores la presa crecerá (ver el sentido de las
flechas en el eje x). Por otro lado, si hay depredadores y ninguna presa para comer, entonces
se extinguirán por la ausencia de comida (ver el sentido de las flechas en el eje y), lo cuál
es obvio en la vida real.
b. Modelo predador-presa con crecimiento logístico: Uno de los problemas con el

modelo de Lotka-Volterra inicialmente propuesto, ecuaciones (4.20 ) y (4.21) es el hecho
de que a falta de depredadores, la presa crecerá continuamente. Éste no es el caso ya que
mientras la presa continúa creciendo, el espacio y los recursos se acabarán eventualmente,
limitando por consiguiente el crecimiento de la población de presas. Para manipular este
caso, el sistema depredador-presa puede ser modificado a:
dPres/d t = a (1–Pres/K) Pres – b(Pres*Pred) (4.22)

dPred/d t = – c Pred + d (Pred*Pres) (4.23)

donde K es la máxima cantidad de presas que puede existir en el modelo. Por lo tanto si K
= 5, entonces si una pequeña cantidad de presas fuesen adicionadas a un sistema sin
depredadores la presa podría crecer hasta 5 a medida que t→∞ en oposición al
crecimiento de l numero de presas hasta ∞ cuando t→∞. Analizando la ecuación (4.22), si
la población de presas es mayor que la capacidad de acarreo, el término (1 – Pres/K) será
negativo asegurando que la población de presas disminuirá.
% pp_animado2.m modelo animado de población Predador-Presa

clf
% establecer ejes para facilitar la animación
cla; % limpiar ejes
axHndl=gca; % manipular ejes
set(axHndl, ...
'Drawmode','fast', ...
'Visible','on', ...
'NextPlot','add');
grid on % adicionar malla a ejes
drawPres = line( ... % como dibujar Presa

'color','b', ...
'erase','none', ...
drawPred = line( ... % como dibujar Depredador

'color','r', ...
'erase','none', ...
% Programa usando método de Euler--------------------------

Pres=50; %Población inicial de Presas
Pred=5; %Población inicial de Predadores
K=500; % Población máxima de Presa
a=0.04; % Tasa de crecimiento de la presa
b=0.001;% Eficiencia del depredador para capturar presa
c=0.3; %Tasa de mortalidad del depredador
d=0.001; %Tasa de crecimiento del depredador (fracción)
NP=ceil(T/h);
t=(0:h:T);
axis([0 T -1 600]);
x=zeros(size(t)); % guardar población de predaores
y=zeros(size(t)); % guardar población de presas
Pred(1)=Pred;
Pres(1)=Pres;
for i=1:NP
Pres(i+1)=Pres(i)+ h*(a*(1-Pres(i)/K)*Pres(i)-
b*Pres(i)*Pred(i));
Pred(i+1)=Pred(i)+ h*(-c*Pred(i)+d*Pres(i)*Pred(i));
set(drawPres,'xdata',[t(i),t(i+1)],'ydata',[Pres(i),Pres(i+1)]);
drawnow;

set(drawPred,'xdata',[t(i),t(i+1)],'ydata',[Pred(i),Pred(i+1)]);
drawnow;
end
plot(t,Pres,'b')
plot(t,Pred,'r')
xlabel ('Tiempo')
title('MODELO DEPREDADOR-PRESA')
legend('Presa','Depredador')
MODELO DEPREDADOR-PRESA
600
Presa
Depredador
500
400
Población
300
200
100
0
0 50 100 150 200 250 300 350 400 450 500
Tiempo
Figura. 4.11 Modelo predador – presa con crecimiento logístico de presa
En la Figura. 4.11 se muestra el diagrama correspondiente a este modelo: se tienen dos

variables de nivel, (población presa (Pres) y predador (Pred)), con sus correspondientes
flujos de natalidad y mortalidad. La interacción de las dos especies, produce un
comportamiento oscilatorio convergente debido al crecimiento logístico de la población
Presa.
Análisis en el Plano de fase: Ahora, examinando la figura (4.13), hay un punto silla en
(K; 0), mostrando que si cualquier solución se inicia con más de K presas, entonces estas
irán rápidamente a la región < K. También, ahora en lugar de ser un punto en espiral, hay
un punto estable al que se acercan todas las soluciones a medida que t→∞.

Figura 4.12 Modelo depredador presa con crecimiento logístico
Figura 4.13 Solución del modelo depredador presa con crecimiento logístico

Hay 3 puntos críticos en el sistema. Uno es (0; 0) el cual es la ausencia de ambas

especies. El segundo punto crítico, (K; 0), representa la situación donde la presa ha
cumplido su capacidad d acarreo en ausencia del depredador. El punto crítico final es
⎛c a⎛ c ⎞⎞
⎜⎜ ; ⎜1 − ⎟ ⎟⎟ , el cual es el estado de coexistencia donde ambas especies no son cero.
⎝ d b ⎝ dK ⎠ ⎠
Los primeros dos puntos críticos son puntos silla inestables y el punto de coexistencia
crítica es un punto crítico estable al cual se aproxima a medida que t→∞ .
c 0.3
x(+∞) = = = 300
d 0.001
a⎛ c ⎞ 0.04 ⎛ 0.3 ⎞
y (+∞) = ⎜1 − ⎟= ⎜1 − ⎟ =16
b ⎝ dK ⎠ 0.001 ⎝ 0.001 × 500 ⎠
4.3 CONTAMINACIÓN DE UN LAGO

Este ejemplo es acerca del uso de ecuaciones diferenciales para modelar
contaminación en un lago debido al vertido de contaminantes.
Modelar contaminación de un lago puede ser complicado, porque hay muchos
factores diferentes que pueden ser tomados en consideración. Usaremos un modelo
simplificado, y consideraremos sólo a unos cuantos factores básicos, que describimos a
continuación.
4.3.1 Modeamiento del Sistema

Q, Cin Q, C(t)
k(t)
C(t), V
Figura 4.14. Lago como un modelo de flujo bien mezclado
Donde:
Q : Flujo volumétrico a través del lago
V : Volumen del lago
k (t ) : Coeficiente de velocidad de reacción del contaminante
C (t ) : Concentración del contaminante tanto dentro como en la salida del lago
Cin(t ) : Concentración del contaminante entrando al lago

Aplicando el balance de masa de un contaminante al estado no estacionario, se

tiene:
Acumulación = Entrada – Salida – Desaparición por reacción
dC (t )
V = Q ⋅ C in (t ) − Q ⋅ C (t ) − k (t ) ⋅ C (t ) ⋅ V (4.24)
dt
La Ecuación. (4.24) es el modelo matemático para la concentración de

contaminación en un lago. El volumen V de agua en el lago - se asume - a ser constante. El
contaminante es llevado al lago por un flujo entrante de agua a una tasa Q (volumen por
unidad de tiempo) y con una concentración Cin (masa por unidad de volumen). Hay un
flujo de salida correspondiente a una tasa Q desde el lago, y esta salida tiene la misma
concentración C de contaminante que en el lago (como es el caso para un lago de mezcla
completa). C y Cin dependerán del tiempo. Tenemos en cuenta una reacción química, con
constante de velocidad k, en la cual el contaminante en el lago se descompone en otras
sustancias que no son de ninguna preocupación.
Aquí hay algunos escenarios para lo que ocurre en el lago, conjuntamente con las
elecciones que deberemos hacer para simular cada escenario. Seleccionamos "No Reacción
[k(t ) = 0] " si la reacción de descomposición es insignificante, y escogemos "Constante de
velocidad de reacción de Primer Orden [k(t ) =k, para la constante k]" si se tienen
cualesquiera de los dos casos en las simulaciones.
4.3.2 Modelamiento del sistema con SIMULINK
SIMULINK es un entorno gráfico para usar con MATLAB en modelado,

simulación y análisis de sistemas dinámicos. Simulink puede simular cualquier sistema que
pueda ser definido por ecuaciones diferenciales continuas y ecuaciones diferenciales
discretas. Esto significa que se puede modelar sistemas continuos en el tiempo, discretos
en el tiempo o sistemas híbridos.
dC (t ) Q Q
= ⋅ C in (t ) − ⋅ C (t ) − k (t ) ⋅ C (t ) (4.25)
dt V V
Q : Flujo volumétrico a través del lago: 10

V : Volumen del lago : 898,800 gal
k (t ) : Coeficiente de velocidad de reacción del contaminante
C (t ) : Concentración del contaminante tanto dentro como en la salida del lago
Cin(t ) : Concentración del contaminante entrando al lago 1.0

Figura. 4.15 Modelo en SIMULINK de la Ecuación. 4.25
4.3.3 Caso 1: Vertido instantáneo de contaminantes
Un pescador participaba de su actividad favorita (la pesca, por supuesto! ) en su

lugar favorito el lago local, donde la única corriente de salida va a un río.
Desafortunadamente, se quedo sin combustible y cuando llevaba el combustible de
repuesto para su motor fuera de borda, tropezó y dejó caer el tanque por la borda. Como
consecuencia, 10 galones de gasolina casi instantáneamente fueron distribuidos en el lago
que contiene 898,800 galones y del cual salen 89,880 galones /día de agua pura hacia un
río.
Cuando el pescador contactó las autoridades apropiadas, y cuando las autoridades
desconectan el flujo de salida del lago, han pasado cuatro días. Por lo que las autoridades
están preocupadas por la cantidad de gasolina que ha salido del lago y cortaron el flujo de
salida del lago mientras se toman las acciones respectivas. Si se escaparón 1 000 000 mg o
más de gasolina, entonces la concentración en la corriente saliente será demasiado alta para
los estándares aceptables y medidas muy costosas tendrán que ser tomadas para limpiar la
corriente. Si escapó menos de eso, entonces sólo tienen que preocuparse por limpiar el
lago.
¿Cuánto de gasolina todavía se queda en el lago, y hará que la corriente saliente
tenga que ser remediada?
Solución
Para encontrar la respuesta, primero deberíamos decidirnos cómo debemos modelar
la entrada (el derramamiento de gasolina). Si lo modelamos como
• Un Impulso,
• Un escalón
• O una función sinusoidal
La solución correcta en este caso es la función de impulso, ya que toda la gasolina

entra en el reservorio al mismo tiempo. En muchas aplicaciones, puede ser más difícil
decidir cuál modelo usar, pero en este caso debería ser claro que un modelo de impulso es
más conveniente.

También necesitamos decidir qué clase de reacción ocurre. (En este ejemplo,
consideramos solamente k = 0). Suponemos que la gasolina no reacciona con el agua,
sedimento o microorganismos en el
Tiempo final (tf). Una cantidad que necesitamos conocer es el tiempo final tf. En el
enunciado del problema, se dice que 10 galones fueron derramados en el tiempo t = 0
(para nuestro propósito). También sabemos que las autoridades fueron avisadas 4 días
después para tomar las acciones respectivas, por lo que:
Tiempo final tf = 4 días
El caudal (Q). Otra cantidad que necesitamos saber es la tasa de flujo, Q. Esto no fue dado
en el enunciado del problema, pero podemos pretender que tal información estaría
disponible. Supongamos que encontramos que a la hora que el flujo fue recortado, el lago
tenía una de salida de 89,880 galones /día.
Si queremos mantener las unidades en términos de días y pies, cual deberá ser el
caudal en términos de miles de pies3/día ? (Use: 1 pie3 = 7.49 galones.)
Solamente necesitamos convertir el caudal dado de 89 880 galones por día en
miles de pies3/día. Por lo tanto:
89880 gal 1 pie 3 gal

× = 12000
día 7.49 gal día
Caudal en miles de pies3/día=12
Volumen del lago. Si el lago tiene 898 000 galones, el volumen en miles de pies3 será:
1 pie 3
898000 galones × = 120000 pies 3
7.49 galones
Volumen en miles de pies3 = 120
Concentración inicial. Finalmente necesitamos conocer la concentración inicial de

gasolina en el lago.
Si suponemos que la mezcla fue instantánea y completa, podemos encontrar la
concentración inicial dividiendo la cantidad de gasolina derramada por el volumen del
lago.
Sin embargo, queremos saber cuanto de masa ha escapado, no la concentración
que permanece. El modelo calcula la concentración final dada la concentración inicial. Si
queremos saber cuánto de masa ha escapado, necesitaremos multiplicar la concentración
final por el volumen total del lago en razón a calcular cuanto de masa de contaminante
permanece.
Datos:
Densidad de la gasolina: 800,000 mg/litro
Litros en un galón: 3.79 litros/galón
Volumen de agua en el lago: 898,800 galones
Volumen de gasolina derramada: 10 galones

Usando esta información, calculamos la concentración inicial de gasolina en el lago

en mg/litro, de la manera siguiente:
(800 000 mg/litro)x(37.9 litrs/galón) = 30 320 000 mg de gasolina derramada.
(898 800 galones de agua)x(3.79 litros/galon) = 3 406 572 litros de agua
Luego:
(30 320 000 mg de gasolina)/( 3 406 572 litros de agua) = 8.9
C(0) = 8.9 mg/litro
Efectuando la simulación. Los parámetros para la simulación son:
Tiempo final (tf): 4 días

Volumen (V): 120 miles de ft3
Concentración Inicial (C0): 8.9 mg/litro
Caudal (Q): 12 miles de ft3/día
Al efectuar la simulación se tiene la respuesta dad en la Figura (4.13):
Figura 4.16. Solución del modelo SIMULINK
De la Figura 4.16, vemos que la concentración al cabo de 4 días es alrededor de

5.97 mg/litro.
Para calcular la cantidad de gasolina que permanece en el lago hacemos los
siguientes cálculos:
Volumen del lago en litros:

(898 800 galones)(3.79 litros/galón) = 3 406 452 litros

Cantidad de gasolina que permanece en el lago:

(5,97 mg/litro) (3 406 452 litros = 20 340 000 mg.
La cantidad inicial fue 10 galones o 37,9 litros
La cantidad derramada fue de 30 320 000 mg.
Por lo que la cantidad de gasolina que ha salido del lago es:

30 320 000 - 20 340 000 = 9 980 000 mg.
Se han escapado más de lo aceptable, por lo que debe proceder la limpieza.
Uso de UNTSIM
El simulador UNTSIM, posee una interfaz gráfica para resolver un sistema de hasta
10 ecuaciones diferenciales ordinarias lineales y no lineales.
Para esto, ingresamos al Menú principal – Otros cálculos – Cálculos matemáticos-
Integración – de EDO´s – GUI para sistema de EDO’s
Ingresamos la Ecuación. (4.25)
Figura. 4.17 Interfaz del simulador UNTSIM
Al hacer clic en Resolver y graficar se tiene la siguiente Figura:

Figura. 4.18 Solución de la Ecuación 4.25
Y la tabla con los valores calculados
x y(1)
0.0000000e+000 8.9000000e+000
2.0000000e-001 8.7237682e+000
4.0000000e-001 8.5510260e+000
6.0000000e-001 8.3817043e+000
8.0000000e-001 8.2157355e+000
1.0000000e+000 8.0530530e+000
1.2000000e+000 7.8935919e+000
1.4000000e+000 7.7372883e+000
1.6000000e+000 7.5840797e+000
1.8000000e+000 7.4339049e+000
2.0000000e+000 7.2867037e+000
2.2000000e+000 7.1424173e+000
2.4000000e+000 7.0009880e+000
2.6000000e+000 6.8623591e+000
2.8000000e+000 6.7264753e+000
3.0000000e+000 6.5932822e+000
3.2000000e+000 6.4627264e+000
3.4000000e+000 6.3347559e+000
3.6000000e+000 6.2093193e+000
3.8000000e+000 6.0863665e+000
4.0000000e+000 5.9658484e+000

4.3.4. Caso2: Vertido continuo de contaminantes
Considerar un lago que contiene V litros de agua el cual está a % contaminado.

Una alcantarilla se vacía en el lago a una tasa de S litros al día. El agua en la alcantarilla
esta b% contaminado. Un río también se vacía en el lago en una tasa de R litros al día. El
agua en el río está c % contaminado. El lago drena por otro río a razón de S +R litros al día
lo cual hace que el volumen del lago permanezca constante, es decir, el volumen del lago
está en estado estacionario. El problema luego es determinar el nivel de contaminación del
medio ambiente en el lago después un año (o algún otro período de tiempo, por decir n
días).
Los datos de muestra son: V = 1 000 000 000, a = 0.1, S = 30000, b = 10,
R = 70 000, c = 0.5, n = 365.
Análisis
Para cualquier día dado
La contaminación inicial en el lago es (a / 100) V, litros
La contaminación que entra en el lago desde de la alcantarilla es (b / 100) S, litros
La contaminación que entra en el lago desde el primer río es (c / 100)R litros
Así, la contaminación total que desemboca en el lago es (bS + cR) /100.
La contaminación actual así se convierte en (aV + bS + cR) /100.
La contaminación que drena del lago en el segundo río equivale a la contaminación actual
del lago.
Modelamiento Matemático:
Ahora, tenemos dos corrientes de estrada y una corriente de salida, por lo que la Ec. (4.25)
se escribe como:
dC S R ( S + R)
= ⋅ C alc + ⋅ C rio − C (4.26)
dt V V V
V : Volumen del lago : 1 000 000 000 litros

S : Caudal de entrada de la alcantarilla: 30 000 litros/día
R : Caudal de entrada del primer río: 70 000 litros/día
a : Porcentaje de contaminantes del lago : 0.1
b : Porcentaje de contaminantes en la alcantarilla : 10
c Porcentaje de contaminantes en el río : 0.5
Solución del modelo

Usando el simulador UNTSIM, se tiene la siguiente gráfica:

Figura. 14.19. Solución de la Ecuación (4.26)
Del archivo de datos se observa que al cabo de 365 días, la contaminación en el

lago alcanza 0.216 por ciento
Preguntas:
a. A que función corresponde el modelo de entrada de contaminantes?
b. se mantienen los mismos parámetros. Cuál será la contaminación máxima que se
alcanzará en el lago?
c. En que tiempo se alcanzará esta concentración máxima?
d. Hacer un programa para una solución determinista usando el algoritmo dado a
continuación, y comparar las respuestas encontradas
Algoritmo (pseudo-código)
(El símbolo compuesto := es usado para indicar "es asignado".)
1. entrada V, a, S, b, R, c, n
2. cont := a*V/100
3. contEntra := (b*S + c*R)/100
4. for i:1 to n
cont := cont + contEntra
contSale := (S+R)* cont /V
pollution := cont - contSale
Porcientocont := cont *100/V

4.4 MODELOS PARA LA SIMULACIÓN DE UNIDADES DE

PROCESO
4.4.1 Tanque dinámico

Uno de los principales problemas de contaminación en la industria se debe a los
derrames de líquidos. Estos derrames pueden deberse a fallas en el sistema de control de
nivel, rotura de las paredes del tanque o sobrepasar la capacidad del tanque.
Al diseñar un tanque y no se tiene un sistema de control de nivel, se debe
determinar cuanto mas de flujo por encima de la capacidad actual puede soportar el tanque
antes de que se presente un derrame.
Considerando el tanque mostrado en la Figura. 4.20
Fo (t)
ρo (t)
V(t) F(t)
ρ(t) ρ(t)
Figura. 4-20 Tanque perfectamente mezclado
Balance de materiales:
F0 ρo – F ρ = velocidad de cambio de ρV =d(ρV)/dt
d ( ρV )
= F0 ρo - F ρ (4.27)
dt
dh
at =Fo - F (4.28)
dt
dh Fo F
= − (4.29)
dt at at
Balance de Momentum
La segunda Ley de movimiento de Newton dice que la fuerza es igual al producto

de la masa por la aceleración para un sistema de masa constante M.
Ma
F= (4.30)
gc
donde F = fuerza, N (lbf)
m = masa, Kg. (lbm)
gc = constante de conversión necesaria cuando se usan unidades Inglesas de
ingeniería, para mantener consistencia en las unidades = 32,2 lbm pie/lbf seg2

Esta es la relación básica, la cual es usada para la ecuación de movimiento para un

sistema. En una forma más general, donde la masa puede variar con el tiempo,
1 d ( Mvi ) N
= ∑ F ji (4.31)
gc dt j =1
donde vi = velocidad en la dirección i, m/s (pies/s)

Fji = j-ésima fuerza actuando en la dirección i
Asumiendo condiciones de flujo en pistón y de liquido incompresible, y por lo tanto
todo el liquido se está moviendo a la misma velocidad, mas o menos similar a una varilla
sólida. Si el flujo es turbulento esta no es una mala asunción.
M = ApLρ
(4.32)
F
v=
Ap
La dirección de interés en este problema es la horizontal, ya que se asume que la

tubería es horizontal. La fuerza actuando sobre el liquido en el extremo izquierdo de la
tubería es la fuerza de presión hidráulica del liquido en el tanque
g
Fuerza hidráulica = Ap ρ h (4.33)
gc
Las unidades de esta fuerza son N (lbf)

La única fuerza actuando en dirección opuesta, de derecha a izquierda y oponiéndose
al flujo es la fuerza de fricción debido a la viscosidad del liquido. Si el flujo es turbulento,
la fuerza de fricción será proporcional al cuadrado de la velocidad y la longitud de la
tubería.
Fuerza de fricción = KF L v2 (4.34)

Reemplazando esta fuerza en la Ecuación. 4.29, tenemos
1 d ( AP L ρ v ) g
= AP ρ h – KF L v2 (4.35)
gc dt gc
dv g K g
= h – F C v2 (4.36)
dt L ρAP
El signo de la fuerza de fricción es negativo debido a que actúa en la dirección

opuesta al flujo. Hemos definido de izquierda a derecha la dirección positiva.
Las Ecuaciones. 4.33 y 4.36 representan el modelo matemático para el tanque al
ENE.
Al Estado Estacionario
g K g
0= h – F c v2 (4.37)
L ρAP

La Ecuación. (4.33) es una ecuación algebraica lineal simple la cual podemos usar
para determinar la velocidad de salida (v) en función del nivel de líquido en el tanque (h),
para lo cual hacemos la Ecuación. (4.33) explicita en v, obteniendo:
0.5
⎛ gρA p ⎞
v = ⎜⎜ h ⎟⎟ (4.38)
⎝ K F gc L ⎠
Con las Ecuaciones. (4.33) y (4.37) podemos evaluar las condiciones de operación
al estado estacionario.
% derrame.m Programa para simular un tanque dinámico

% (c) 2006 - L. Moncada
% 25 Mayo 2006
ht= input('Altura del tanque (pies): ');
dta=input('Diámetro del tanque (pies): ');
ro= input ('Densidad del liquido (lb/pie^3): ');
dt=input ('Diámetro de la tubería de salida (pies): ');
L=input('Longitud de la tubería de salida (pies): ');
g=32.1; % pies*seg^2
kf=0.0281; % Constante para fricción
gc=32.1; % pies*seg^2
ap=(pi*dt^2)/4; % área de sección transversal del tubo: pies^2
at=(pi*dta^2)/4;% área de sección transversal del tanque:pies^2
h = (0:1:ht)';
v = sqrt(ro*ap*h/(kf*L));
q = v*ap;
disp('**********************************************')
disp('1. OPERACION AL ESTADO ESTACIONARIO')
disp('**********************************************')
disp(' Nivel Velocidad Caudal')
disp(' (pies) pies/s pies^3/min')
disp([h,v,q])
disp('**********************************************')
disp('Verificar cuanto soporta de aumento en el caudal de entrada
')
ho=input('Nivel al que está operando el tanque(pies): ');%4.7
if ho>ht
disp('El nivel de liquido no puede ser mayor que altura del
tanque')
else
end
vi = sqrt(ro*ap*ho/(kf*L));
qi = vi*ap;
disp('**********************************************')
disp('2. PARA ESTE NIVEL LAS CONDICIONES SON')
disp('**********************************************')
disp(' Nivel Velocidad Caudal de entrada = salida')
disp(' (pies) pies/s pies^3/min')
disp([ho,vi,qi])
fv=input('Aumento(escalón) del caudal de entrada(fracción): ');
T= input('Tiempo de simulacion: ');
NP=ceil(T/h);
fo=vi*ap+vi*ap*fv;

t(1)=0;
vel(1)=vi;
niv(1)=ho;
for i=1:NP
t(i+1) = t(i) + h;
vel(i+1)=vel(i)+ h*(g*niv(i)/L-(kf*gc*(vel(i))^2)/(ro*ap));
niv(i+1)=niv(i)+ h*(fo/at-vel(i)*ap/at);
end
tt=0:T/50:T;
figure
plot(t,niv,tt,ht,'r*')
xlabel ('Tiempo')
ylabel ('Nivel')
title('NIVEL DE LIQUIDO EN UN TANQUE')
legend('Nivel de liquido','Altura del Tanque')
grid on
Al correr el programa se tiene:

>> derrame
Altura del tanque (pies): 7
Diametro del tanque (pies): 12
Densidad del liquido (lb/pie^3): 62.4
Diametro de la tuberia de salida (pies): 3
Longitud de la tuberia de salida (pies): 3000
**********************************************
1. OPERACION AL ESTADO ESTACIONARIO
**********************************************
Nivel Velocidad Caudal
(pies) pies/s pies^3/min
0 0 0
1.0000 2.2874 16.1688
2.0000 3.2349 22.8661
3.0000 3.9619 28.0051
4.0000 4.5748 32.3375
5.0000 5.1148 36.1545
6.0000 5.6030 39.6052
7.0000 6.0519 42.7786
**********************************************
Verificar cuanto soporta de aumento en el caudal de entrada
Nivel al que está operando el tanque(pies): 5
**********************************************
2. PARA ESTE NIVEL LAS CONDICIONES SON
**********************************************
Nivel Velocidad Caudal de entrada = salida
(pies) pies/s pies^3/min
5.0000 5.1148 36.1545
Aumento(escalón) en el caudal de entrada (fracción): 0.2

Tiempo de simulación: 500
**********************************************
Obteniéndose la gráfica dada en la Figura. 4.21

NIVEL DE LIQUIDO EN UN TANQUE

8.5
Nivel de liquido
Altura del Tanque
8
7.5
7
Nivel
6.5
5.5
5
0 100 200 300 400 500 600
Tiempo
Figura. 4.21 Simulación de un tanque dinámico para un aumento en el caudal de entrada
Comentarios:
Del resultado de la simulación se observa lo siguiente:
1. Cuando el tanque opera al estado estacionario con un caudal de entrada de 36.1545
pies3/min, el tanque alcanza un nivel de 5 pies.
2. Si partiendo de estas condiciones de operación, se eleva repentinamente el caudal
en 20% (36.1545*0.2 = 7.2309 pies3/min), el nivel de liquido sobrepasa el nivel
del tanque produciéndose por lo tanto un derrame de liquido.
4.4.2 Tratamiento de efluentes
Una fábrica en construcción quiere descargar agua contaminada en un río. El límite

legal para la concentración de contaminante entrando en el río es 5x10-4 g/m3. Este límite
plantea un problema para el gerente técnico de la compañía Mr. Mamani, porque se sabe
que la fábrica producirá una concentración de descarga variando entre 10-3 y 10-2 g/m3
(siempre por encima del límite legal). El asesor de la compañía Mr. Quispe, aconseja que
un sistema biológico de tratamiento usando un tanque de mezcla completa de volumen 104
m3 reducirá la concentración de contaminante a un nivel aceptable.
MAMANI no confía en QUISPE, por lo que pregunta al experto de investigación y
desarrollo de la compañía, Mr. SILVA, a contestar a las siguientes preguntas:
a) el esquema propuesto siempre surtirá efecto?
b) puede ser un sistema más realista usando dos tanques más pequeños?
El modelo de un tanque discutido en la lectura conduce al sistema de ecuaciones
diferenciales:

dC
= Q(C f − C ) / V − R1 BC (4.39)
dt
dB
= B ( R2 C − D − Q / V ) (4.40)
dt
Donde
Cf = concentración de contaminante procedente de la fábrica: g/m3
(10-3 < Cf < 10 -2)
B = concentraciones de microorganismos biológicos en el tanque en el tiempo t
horas: g/m3
Q = caudal entrando y saliendo del tanque: 10 m3/hora
V = volumen del tanque: 104 m3
R1 = 0.1 m3/g.h
R2 = 1.2625 m3/g.h
D = 10-5
(R1, R2 y D son estimaciones empíricas de las constantes de velocidad para
digestión del contaminante, crecimiento del organismo y mortalidad natural del
organismo respectivamente)
Cleg = límite legal: 5x10-4 g/m3
Cf
Q
C, B
CB Q
Figura. 4.22 Esquema del tanque de tratamiento biológico
Solución
a) Verificar que las dimensiones de las ecuaciones diferenciales sean correctas
b) Mostrar que en el estado estacionario donde dC/dt = dB/dt = 0 son posibles dos
soluciones (Cs, Bs)
(i) Cs = Cf y Bs = 0 esto corresponde a una completa evacuación (lavado) del
microorganismo desde el tanque
(ii) Cs = (D + Q/V)/R2 y Bs = Q(Cf – Cs)/(VCsR1)
Por lo que Cs < Cleg
c) Notar que el valor al estado estacionario Cs = (D + Q/V)/R2 es independiente de la

concentración de contaminante desde la fábrica. Sin embargo un salto (elevación) de Cf
producirá una elevación transitoria con C(t) > Cleg. En el largo plazo por supuesto que
el sistema regresaría a Cs = (D + Q/V)/R2
Hacer V un parámetro de entrada.
Asumir que los valores iniciales de C y B están dados por sus valores al estado
estacionario para el caso Cf = 10-3. Notar que los valores iniciales dependen del

volumen V, así es que deberían calcularse en el programa usando las fórmulas para Cs
y Bs, usando el valor de 10-3 para Cf.
Considerar el caso extremo donde a t=0, la concentración de contaminante
desde la fabrica cambia a Cf =10-2 , y es mantenido indefinidamente en este valor.
Debido a ste cambio, es de esperarse que la concentración de contaminante en
el tanque C(t) y la concentración de microorganismos B(t) se elevarán en respuesta a
este cambio en la salida de la fábrica, después caerán a un nuevo estado estacionario.
Para investigar este estado transitorio escribimos un programa MATLAB
% Programa minres.m para determinar concentración

% de contaminantes en un tanque de tratamiento
clear all
V=10e04;
Q=10;
D=10e-05;
R1= 0.1;
R2=1.2625;
Cmin=10e-02;
h= 1;% Tamaño de paso
NP=ceil(T/h);
Cs=(D+Q/V)/R2
Bs=Q*(10e-03 - Cs )/(V * Cs * R1 )
t(1)=0;
C(1)=Cs;
B(1)=Bs;
for i=1:NP
t(i+1) = t(i) + h;
C(i+1)=C(i) + h*(((Cmin-C(i))*Q/V)-R1*B(i)*C(i));
B(i+1)=B(i) + h*(B(i)*(R2*C(i)-D-Q/V));
end
plot(t,C)
xlabel ('Tiempo')
ylabel ('Concentración de Contaminante')
title('CONCENTRACION DE CONTAMINANTE VS. TIEMPO')
grid on
figure
plot(t,B)
xlabel ('Tiempo')
ylabel ('Contaminante más microorganimos')
title('CONCENTRACION TOTAL EN EL TANQUE')
grid on
La respuesta del programa es:
>> minres
Cs = 1.5842e-004 <-- Concentración de contaminante en el

tanque el EE
Bs = 0.0621 <-- Concentración de microorganismos en
el tanque el EE

-3
x 10 CONCENTRACION DE CONTAMINANTE VS. TIEMPO
1.4
1.2
Contaminante en el tanque: g/m3
0.8
0.6
0.4
0.2
0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
Tiempo: horas
Figura 4.23 Concentración de contaminante
CONCENTRACION DE MICROORGANISMOS EN EL TANQUE

0.7
0.6
Microorganimos en el tanque: g/m3
0.5
0.4
0.3
0.2
0.1
0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
Tiempo: horas
Figura. 4.24 Concentración de microorganismos

Con un tanque de 104 m3, la concentración máxima de contaminante es 1.2x10-3

g/m , la cual es mucho mayor que el límite legal permitido Cleg = 5x10-4 g/m3.
3
Simular C(t) y B(t) para diferentes volúmenes de tanque V>Vmin , determinar la

concentración máxima alcanzada y evaluar cual volumen es el adecuado.
c) Un solo tanque de tratamiento de los contaminantes dados anteriormente es

definitivamente inadecuado. Mr. SILVA por lo tanto propone construir un sistema de
dos tanques como muestra la Figura 4.21:
Cf
Q
V1 Q V2
C1,, B1 C2, B2 C2, B2

Q
Figura. 4.25 Planta de tratamiento con dos tanques
Donde Cj y Bj son las concentraciones de contaminante y microorganismos y Vi

es el volumen en el tanque j (j = 1; 2). Q = 10 m3/hora es el flujo entrando y saliendo
de cada tanque Cf es la concentración de entrada de contaminante saliendo de la
fábrica.
Usar los mismos valores dados anteriormente para R1, R2, etc
Las Ecuaciones diferenciales para C1, B1, C2, y B2 bajo la sunción de mezcla
completa son:
dC1
= Q(C f − C1 ) / V1 − R1 B1C1 (4.41)
dt
dB1
= B1 ( R2 C1 − D − Q / V1 ) (4.42)
dt
dC 2
= Q(C1 − C 2 ) / V 2 − R1 B2 C 2 (4.43)
dt
dB2
= B2 ( R2 C 2 − D − Q / V2 ) (4.44)
dt
(i) Suponer V1 = 10000 y que las concentraciones iniciales son:

C1(0) = C2(0) = 0.0, B1(0) = B2(0) = 0.005. Notar que C2(0) está por debajo
del límite legal Cleg = 0.0005.
Escribir un programa en MATLAB que simule C1(t), B1(t), C2(t) y B2(t) con
Cf = 0:001 para diferentes valores de entrada de V2 y C1(0), C2(0), B1(0) y
B2(0).
La salida C1(t), B1(t), C2(t), B2(t) y Cleg para un periodo de tiempo de hasta
50 000 horas

Confirme que los valores al estado estacionario (es decir los valores
independientes del tiempo) para el caso donde V1 = V2 = 10000, son
C1 = 0.00080, C2 = 0.00049, B1 = 0.0025 y B2 = 0.0064.
Variando B1(0) y B2(0) muestre que este resultado al estado

estacionario es independiente de la concentración inicial de
microorganismo. Sin embargo el caso donde la concentración inicial de
microorganismo es cero es diferente. Explicar que pasa en este caso
especial.
(ii) Ahora podemos ocuparnos del caso donde el nivel de salida de

contaminación de la fábrica es aumentado de Cf = 0.001 a Cf = 0.01.
Veremos el comportamiento transitorio para el caso Cf = 0.01 con
resultados de salida sobre un tiempo total de 5000 horas. Use un cálculo de
prueba y error para estimar el valor mínimo de V2, de tal manera que C2 <
2xCleg para cualquier t. Simular el sistema para esta elección de V2.
Por simplicidad asuma que las condiciones iniciales para este caso
son las dadas como la salida de la parte c(i) anterior, es decir V1 = 10000,
C1(0) = 0.00080, C2(0) = 0.00049, B1(0) = 0.0025 y B2(0) = 0.0064, aún
cuando en la práctica desde luego estos valores cambiarán con diferente V2.
4.4.3 Reactor “batch” para minimización de residuos
Una planta química de manufactura tiene pensado en una modificación del producto
que resultará en un cambio en el carácter de los residuos. De significancia es la anticipada
presencia de fenol, un producto químico orgánico que no ha sido tratado por las facilidades
de tratamiento de residuos de la compañía. Consecuentemente, la habilidad de las
facilidades existentes para “tratar” fenol está en cuestión. En razón a predecir el
desempeño del reactor existente, es necesaria información de cinética y dispersión.
Los datos cinéticos de reacción han sido recolectados la destrucción química de fenol
a través de experimentos en un reactor batch (Tabla 4.1).
Tabla 4.1. Datos cinéticos de Reactor Batch.

Tiempo Fenol
(min.) (mg/L)
0 100
10 55
20 22
30 8
40 5
60 0.82
80 0.15
El flujo del residuo que contiene fenol es proyectado para ser 0.45 MGD con una
anticipada concentración de fenol de 95 mg/L. El reactor (un proceso químico de
oxidación) tiene un volumen total de líquido de 25,000 gal. (L = 35 ft., W = 12 ft., H = 8
ft.). Un análisis de dispersión del reactor ha sido realizado inyectando un impulso de
material poco reactivo en la corriente de alimentación al reactor. La tasa de flujo fue

monitoreada durante el estudio de dispersión y se determinó a ser 0.45 MGD. Los datos
del trazador en el reactor son presentados en la (Tabla 4.2).
El límite permitido de descarga de fenol ha sido determinado en 0.1 mg/L por la
junta reguladora estatal. Estime la concentración de fenol en efluente basado en la
información disponible. Determine qué podría hacerse para alcanzar el límite de descarga.
Se podría mantener el reactor existente debido a las razones económicas obvias. Sin
embargo, cualquier opción de diseño razonable puede considerarse. Justifique su
recomendación final del diseño. Muestre todos los cálculos en una forma clara y sucinta.
Declare todas las suposiciones que usted hace en el proceso del diseño. Deberá asumir
que la relación cinética (Tabla 4.1) es fija y no puede ser alterada. Esto es, los datos
cinéticos de la reacción representa condiciones óptimas.
Tabla 4.2. Datos de dispersión del reactor de escala de laboratorio.

t Conc.
(min.) (mg/L)
0 0
44.75 0.23
46 0.32
49.62 0.36
48 0.82
48.5 1.24
49 2.15
49.33 2.61
50 2.98
50.75 2.93
51.67 2.98
52.75 2.89
54 2.84
56 2.89
58 2.84
60 2.52
62 2.52
64 1.92
66 1.79
68 1.6
70 1.33
75 1.28
79 1.14
83 1.1
98 0.41
113 0.39
128 0.27
Solución
La solución se basa en la utilización de la información cinética (Tabla 4.1) y la
información de dispersión (Tabla 4.2) para estimar el desempeño del reactor actual y para
desarrollar alternativas para mejorar el proceso de tratamiento. El acercamiento a la
solución es presentado a continuación.

1. Determinar orden y velocidad de reacción

2. Determinar la varianza normalizada ( σ θ2 = σ 2 / tbar 2 )
3. Determinar el número (N) de CSTR’s en serie que simule la dispersión calculada
(σ θ2 = 1 / N )
4. Determinar la concentración actual del efluente del reactor
5. Desarrollar modificaciones alternativas de diseño del reactor.
a. Constante de velocidad y Orden de reacción. La constante de velocidad y el orden

son determinados usando los datos dados en la Tabla 4.1 del enunciado del problema. La
expresión general de velocidad (Ecuación. 4.35) es aplicada en el análisis del proceso.
dC
= −kC n (4.45)
dt
donde
k = constante de velocidad de reacción
n = orden de reacción
Después de asumir un orden de reacción, la Ecuación 4.45 es integrada y

algebraicamente manipulada de tal manera que se desarrolla una relación general dada por
una línea recta (Ecuación. 4.46).
y = mx + b (4.46)
Por ejemplo, si asumimos n = 0, se aplica la siguiente solución
dC
= −kC 0 = − k
dt
dC = −kdt
Ct t
∫C0
dC = −k ∫ dt
0
C t − C 0 = − kt
C t = − kt + C 0 (4.47)
La Ecuación (4.47) es la relación de una línea recta e indica que si los datos de
rección son verdaderamente de orden cero, una gráfica de Ct vs. T deberá resultar en una
línea recta. Sin embargo, si los datos no corresponden a una línea recta, debe asumirse otro
orden y repetir los cálculos.
Por ejemplo, asumiendo n = 1, se tiene la siguiente solución a la ecuación:
dC
= − kC
dt

dC
= −kdt
C
dC
Ct t
∫
C0 C
= − k ∫ dt
0
ln C t − ln C 0 = −kt
ln C t = − kt + ln C 0
Uso de UNTSIM
Para determinar el orden de velocidad, usamos el simulador UNTSI, para lo cual
ingresamos al Menú principal – Cálculos de Ingeniería química – Sistema de reacción –
Datos de velocidad – Concentración versus tiempo
Copyright 2005 UNT

MSc. Luis Moncada
All rights reserved
29-May-2006
ANALISIS DE DATOS DE VELOCIDAD PARA REACCIONES EN
FUNCION DE CONCENTRACIONES VERSUS EL TIEMPO
****************************************************
La reacción es:
1. aA-------> Productos
2. A + bB ------>Productos
Tipo de reacción: 1
Ingrese los tiempos y concentraciones entre corchetes
de la forma [t1 t2 t3 ...]
Tiempo en minutos: >> [0 10 20 30 40 60 80]
Usar concentraciones (0) o Conversión (1): 0
Concentraciones de A [ ]: [100 55 22 8 5 0.82 0.15]
Método Integral (1) Método Diferencial (2): 1
----------------------------------------
METODO INTEGRAL
----------------------------------------
1. CASO DE PRIMER ORDEN

Coeficiente de velocidad: k = 0.0819281
La varianza es
0.9972
2. CASO DE SEGUNDO ORDEN

Coeficiente de velocidad k = 0.0702712
La varianza es
-2.5561
>>
El resultado de efectuar estos cálculos sobre los datos cinéticos dados en la Tabla 4.1 son
mostrados en la Figura. 4.26:

REACCION DE PRIMER ORDEN

5
2
ln CA
-1
-2
0 10 20 30 40 50 60 70 80
tiempo, min
Figura 4.26 ln(C) vs. tiempo para los datos dados en la Tabla 4.1.
Los datos en la Figura. 4.26 indican que para la asunción de primer orden (n = 1)
ln(C) vs t caen en una linea recta. La velocidad de reacción es por lo tanto de primer orden
contendiente igual a k = 0.08 min-1.
b. Determinación de la Dispersión del Reactor. Ahora conocemos que la destrucción

del fenol es de primer orden. El siguiente paso es utilizar los datos del trazador en el
reactor para determinar el actual HRT y el número de CSTR en serie que simula la
dispersión del reactor. Como los datos del trazador en el reactor son obtenidos en
incrementos desiguales de tiempo, las siguientes ecuaciones tienen aplicación.
σ2 =
∑ t C Δt i
2
i i
−t
2
(4.48)
∑ C Δt i i
t=
∑ t C Δt
i i i
(4.49)
∑ C Δt i i
σ2
σ θ2 = 2
(4.50)
t
Resolviendo las Ecuaciones. (4.48) y (4.50) se obtienen los siguientes valores:

t = 74.9 min
σ2 = 657.92
σ θ2 = 0.117
N = 8.52 ≈ 9
La siguiente ecuación es luego usada para efectuar la simulación mostrada en la

Figura. 4.27.
( Nt / t R ) N −1 − Nt / t R
Cn = C0 e (4.51)
( N − 1)!
Aunque no es absolutamente necesario para graficar la simulación, ofrece una

manera de comprobación para ver qué tan adecuadamente la simulación hace juego con los
datos reales y es altamente recomendable
Figura 4.27. La posición de (t) y CSTR en serie, simulación basada en incrementos

iguales de tiempo y corresponden a la aplicación de las ecuaciones 4.48 y
4.49.
Predicción de Ce para el reactor actual. Hasta aca esta todo bien, pero, ahora qué que
hacemos para determinar la concentración efluente para nuestro reactor de escala?.
Aplicamos la ecuación 4.52, la expresión para predecir desarrollada a partir de un balance
de masa alrededor de una serie de N CSTR’s de igual volumen.
Ci
Ce = (4.52)
(1 + kVi / Q) N
95mg / L
Ce = 9
⎛ 23,406 gal / 9 ⎞
⎜⎜1 + 0.082 min −1 ⎟
⎝ 312.5 gpm ⎟⎠

95mg / L 95mg / L
Ce = =
(1 + 0.682) 9
108.7
Ce = 0.88 mg/L
Deberá notarse que el valor para V/Q, está basado en el volumen efectivo (Veff),
donde
Veff = θeff Q (4.53)

y
θeff = t
Veff = 74.9 min x (312.5 gpm)
Veff = 23406 gal
Alternativas del reactor. Basado en la concentración de descarga calculada (Ce) de 0.88

mg/L, el reactor existente no alcanza los criterios estatales de 0.1 mg/L. Las siguientes
modificaciones alternativas del reactor se consideran aquí. No incluyen todas las
alternativas posibles, sólo dos representativas.
1. Adicionar un reactor en el efluente para el reactor existente.

2. Adicionar un reactor en paralelo igual al reactor existente.
Otra alternativa atractiva sería ir aguas arriba y ver si el residuo de fenol podría ser
minimizado (reducir el flujo y/o la concentración). Esta aproximación siempre debería ser
considerada como es a menudo más costoso y efectivo para minimizar el contaminante en
la fuente.
Para determinar el volumen requerido del reactor para cada alternativa, debe hacerse
una suposición relacionando las características de dispersión del reactor nuevo. Éste es un
resultado del impacto obvio de N, así definida por la dispersión del reactor, sobre los
requerimientos de volumen del reactor (ver ecuación 4.52). La selección de N finalmente
debería ser comprobada para su validez antes de seguir con la implementación a escala
total. Las características de dispersión del reactor podrían ser comprobadas en el sistema
existente sobre un rango de flujos para probar la suposición en caso de la alternativa 2. Las
características de dispersión del reactor nuevo estaban especificadas en el diseño y el logro
del nivel deseado de dispersión se basaría en experiencia con configuraciones diferentes
del reactor.
Representaciones esquemáticas simplificadas de las dos alternativas son mostradas
en la Figura. 4.28.

Tanque actual Nuevo Tanque
Q1
Tanque actual
Q
Q2
Nuevo Tanque
Figura 4.28. Representaciones esquemáticas de las dos alternativas de configuración del

reactor.
El requerimiento de volumen de reactor en cada una de las dos alternativas, puede

determinarse usando la Ecuación. 4.52 en combinación con las asunciones de dispersión.
Las asunciones de diseño aplicadas aquí son:
• N = 9 para el tanque existente y nuevo

• La concentración de descarga para los propósitos del diseño es 0.07 mg/L. Esto
resulta en un coeficiente de seguridad que es incorporado en los cálculos de
volumen.
Diseño de reactores en serie. La manipulación de la Ecuación. 4.52 da como resultado

la Ecuación. 4.54
Q ⎡⎛ C ⎞ ⎤
1/ N
Vi = ⎢⎜⎜ i ⎟⎟ − 1⎥ (4.54)
k ⎢⎝ C e ⎠ ⎥⎦
⎣
312.5 gpm ⎡⎛ 0.88mg / L ⎞
1/ 9
⎤
Vi = ⎢ ⎜ ⎟ − 1⎥
0.082 min −1 ⎢⎣⎜⎝ 0.07 mg / L ⎟⎠ ⎥⎦
Vi = 3811 gal [1.325 – 1]
Vi = 1238 gal
V = NVi
V = (9)1238 = 11,141 gal
Diseño de reactor en paralelo. La determinación del volumen mínimo requerido para el

reactor nuevo a ser colocado en paralelo requiere la determinación del flujo necesario en el
reactor existente para alcanzar una Ce de 0.07 mg/L. Este flujo (Q1) es usado para definir el
flujo (Q2) al nuevo reactor mediante un balance de materiales (flujo).

−1
⎡⎛ C ⎞
1/ N
⎤
Q1 = KVi ⎢⎜⎜ i ⎟⎟ − 1⎥ = 169 gpm
⎢⎣⎝ C e ⎠ ⎥⎦
−1
23406 gal ⎡⎛ 95mg / L ⎞ ⎤
1/ 9
−1
Q1 = 0.082 min ⎢⎜⎜ ⎟⎟ − 1⎥
9 ⎢⎣⎝ 0.07 mg / L ⎠ ⎥⎦
-1
Q1 = 213.3[2.23 – 1]
Q1 = 173.4 gpm
Q2 = Q – Q1 = 312.5 – 173.4 = 139 gpm
El volumen del nuevo tanque es entonces calculado usando la Ecuación. 4.54
Q ⎡⎛ C ⎞ ⎤1/ N
Vi = ⎢⎜⎜ i ⎟⎟
− 1⎥ (4.54)
k ⎢⎝ C e ⎠ ⎥⎦
⎣
139 gpm ⎡⎛ 95mg / L ⎞ ⎤
1/ 9
Vi = ⎢⎜
−1 ⎜
⎟⎟ − 1⎥
0.082 min ⎢⎣⎝ 0.07mg / L ⎠ ⎥⎦
Vi = 1695 gal [2.23 – 1]
Vi = 2083 gal
V = NVi
V = (9)2083 = 18,745 gal
El nuevo tanque para la opción de tanques en serie es aproximadamente 40 % más

pequeño que el arreglo de tanque en paralelo. La adición de un tanque a la descarga del
tanque existente podría ser por lo tanto considerada.
4.5 MODELAMIENTO USANDO ECUACIONES DE DIFERENCIA

4.5.1 Contaminación de un río
Considere un río que ha sido contaminado río arriba. La concentración (cantidad

por el volumen) decaerá y se dispersará corriente abajo. Nos gustaría predecir en cualquier
punto con el tiempo y el espacio la concentración del contaminante. El modelo de la
concentración tendrá la forma y(t+Δt) = Ay(t) + b. La contaminación del medio ambiente
en corrientes, lagos y acuíferos clandestinos se ha convertido en una preocupación muy
común y seria. Es importante para poder entender las repercusiones de posible
contaminación del medio ambiente y poder hacer predicciones precisas concerniente a los
"derramamientos" y la política "ambiental" futura.
Quizá, el modelo más simple para contaminante químico se basa en
descomposición química, y un modelo el es similar a descomposición radiactiva. Un
modelo continuo es ut = - du donde d es la velocidad de descomposición química. Una
versión discreta es uk +1= uk + Δt (- d ) uk, y para la estabilidad esto requiere 1 – Δt d > 0.

Aquí introduciremos un segundo modelo donde el contaminante cambia de

posición porque está en una corriente. Asumimos que la concentración dependerá de
ambos espacio y tiempo. La variable espacio sólo estará en una dirección, lo cual
corresponde a la dirección de flujo en la corriente. Si el contaminante estuviera en un lago
profundo, entonces el espacio debería tener las tres direcciones.
Modelo. Discretizando tanto el espacio y el tiempo, e igualando la concentración a
u(iΔx, kΔt) será aproximado por uik donde Δt = T/maxk, Δx=L/n y L es la longitud de la
corriente. El modelo tendrá la forma general:
cambio en cantidad ≈ (cantidad entrando río arriba) - (cantidad saliendo rió abajo)
- (cantidad descomponiéndose en un intervalo de tiempo).
Esto es bosquejado en la figura debajo dónde el paso de tiempo no ha sido indicado
Volumen entrando = A*vel*Δt
A
vel > 0
x – Δx x
Figura. 4.29 Corriente contaminada
Asumiendo que la corriente está moviéndose de izquierda a derecha de tal manera

que la velocidad es positiva, vel > 0. Haciendo A como el área de sección transversal de la
corriente.
La cantidad entrando en el lado izquierdo del volumen A Δx (vel > 0) es
A Δt vel ui-1k
La cantidad saliendo en el lado derecho del volumen A Δx (vel > 0) es
-A Δt vel uik
Luego, el cambio en la cantidad a partir de la velocidad de la corriente es
A Δt vel ui-1k -A Δt vel uik
La cantidad de contaminante en el volumen A Δx en el tiempo kΔt es
A Δx uik
La cantidad de contaminante que se está descomponiendo, (dec es la velocidad de

descomposición) es
A Δx Δt dec uik
El cambio durante el intervalo de tiempo en la cantidad de contaminante en el

pequeño volumen A Δx:

A Δx uik+1 - A Δx uik = A Δt vel ui-1k - A Δt vel uik - A Δx Δt dec uik
Ahora, dividiendo por A Δx y resolviendo explícitamente para uik+1
Modelo Explicito de Diferencia Finita del flujo y descomposición de un contaminante
uik+1 = vel (Δt/Δx)ui-1k + (1- vel (Δt/Δx) - Δt dec) uik (4.55)
donde:
i = 1, …, n-1
k = 0, …, maxk-1
ui0 = dado para i = 1, …, n-1 (4.56)
uik = dado para i = 1, …, maxk (4.57)
La ecuación (4.56) es la concentración inicial, y (4.57) es la concentración lejos río

arriba.
La ecuación (4.55) puede ser colocada en la versión matricial del método de
diferencias finitas de primer orden. Por ejemplo, si la corriente es dividida en cuatro partes
iguales, entonces n = 4 y la ecuación(4.55) puede ser escrita ya sea como tres ecuaciones
escalares, o una ecuación vectorial de 3D:
Forma Escalar:
u1k+1 = vel (Δt/Δx)u0k + (1- vel (Δt/Δx) - Δt dec) u1k
Foma Vectorial
u1k+1 = A uk + b
u1k+1 c u1k duok

u2k+1 = d c u2k + 0 (4.58)
u2k+1 d c u3k 0
donde
d = vel (∆t/∆x) y c = 1 – d – dec ∆t
Una restricción sumamente importante en el paso de tiempo obliga a asegurar la

estabilidad del algoritmo. Por ejemplo, considerar el caso n = 2 donde lo antedicho es una
ecuación escalar, y tenemos el modelo de diferencia finita de primer orden más simple.
Aquí a =1 – vel (∆t/∆x) – dec ∆t. Si a =1 – vel (∆t/∆x) – dec ∆t > 0 y vel, dec > 0, por lo
que esta condición simple implicará que los productos de la matriz Ak convergen a la
matriz cero. Esto asegura que no haya inestabilidad.

Condición de estabilidad para la ecuación (4.55)
a =1 – vel (∆t/∆x) – dec ∆t y vel, dec > 0
En el caso donde dec = 0, entonces a =1 – vel (∆t/∆x) > 0 de manera que el fluido
que entra no debe viajar más que un paso en el espacio.
Método. En razón a computar todos los uik+1, lo cual de ahora en adelante se denotara por
u(i,k+1), debemos usar un lazo anidado donde el lazo i (espacio) está adentro y el lazo k
(tiempo) es el lazo exterior. En este modelo de flujo u(i,k+1) depende directamente de dos
valores previamente calculados u(i-1,k) y u(i,k).
Implementación. Usamos un código Matlab para el modelo explicito de flujo y la

descomposición de una corriente contaminada. La primera gráfica es la concentración
versus el tiempo y el espacio. Aquí la concentración inicial fue una función trigonométrica
río arriba y cero corriente abajo. La posición más lejana río arriba siempre tuvo
concentración de cero. Se espera que la posición de la concentración máxima vaya aguas
abajo y decaiga.
Código MATLAB flujo1.m

% Flujo en una corriente
clear;
% Longitud de la corriente
L = 1.0;
% Duración de Tiempo
T = 20.;
K = 200;
dt = T/K;
n = 10.;
dx = L/n;
vel = .1;
decay = .1;
% Concentración Inicial
for i = 1:n+1
x(i) =(i-1)*dx;
u(i,1) =(i<=(n/2+1))*sin(pi*x(i)*2)+(i>(n/2+1))*0;
end
% Concentración Río arriba
for k=1:K+1
time(k) = (k-1)*dt;
u(1,k) = -sin(pi*vel*0)+.2;
end
% Lazo de Tiempo
for k=1:K
% Lazo de Espacio
for i=2:n+1;
u(i,k+1) =(1 - vel*dt/dx -decay*dt)*u(i,k) + vel*dt/dx*u(i-
1,k);
end
end
mesh(x,time,u')
xlabel('longitud')
ylabel('tiempo')
zlabel('concentración')

Figura: 4.30 Concentración como función de (t, x)
La segunda gráfica es una gráfica de contorno de la concentración en el tiempo

versus el espacio. Aquí uno puede ver regiones del espacio que tienen concentración del
contaminante entre ciertos niveles.
>>contour(x,time,u')
20
18
16
14
12
tiempo
10
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
longitud
Figura 4.31 Contornos de concentración

La siguiente archivo.m Matlab produce un marco el cual no requiere un gran trato

de memoria. Este código genera gráficas de la concentración versus espacio para una
secuencia tiempos. En el modelo de contaminación del medio ambiente muestra el
contaminante moviéndose a lo largo de corriente y descomponiéndose.
flujo1;
lim =[0 11 0 1];
for k=1:5:150
plot(u(:,k))
axis(lim);
k = waitforbuttonpress;
end
Otra forma para mirar la salida es coleccionando graficas de concentración versus

el tiempo donde uno puede observar la concentración elevada moviéndose corriente abajo.
>> plot(x,u(:,1),x,u(:,10),x,u(:,20),x,u(:,30),x,u(:,40),x,u(:,50))
0.9
0.8
0.7
0.6
concentración
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
tiempo
Figura 4.32 Concentraciones para incremento de tiempo
En el siguiente cálculo hacemos vel = 1.3, y esta, con las demas constantes iguales,
viola la condición de estabilidad. Para el paso de tiempo 1/10 y una velocidad de flujo
igual a 1., hace que el nivel de contaminante sea 1.3/10 unidades en el espacio lo cual es
mayor a un paso de espacio.

Figura 4.33 : Cálculo inestable con vel Δt > Δx
Discusión. El modelo discreto es preciso para adecuados tamaños de pasos pequeños.
A Δx uik+1 - A Δx uik = A Δt vel ui-1k - A Δt vel uik - A Δx Δt dec uik.
Dividiendo por AΔx Δt
(uik+1- uik)/Δt = vel (ui-1k - uik)/ Δx - dec uik
Aproximando a derivadas parciales de primer orden
ut(iΔx, kΔt + Δt/2) = -vel ux(iΔx - Δx/2, kΔt) - dec u(iΔx, kΔt).
La dispersión de contaminante es un proceso continuo, el cual podría ser modelado

por una ecuación diferencial parcial y condiciones iniciales y de contorno:
ut = -vel ux - dec u,
u(x, 0) = dado
u(0, t) = dado
Este es análogo al modelo discreto por las ecuaciones (4.55), (4.56) y (4.57). En
todos estos modelos, el tamaño de paso debe ser cuidadosamente seleccionado.
A menudo es dificultoso determinar el valor exacto de las constantes vel y dec.
Exactamente cuál es el efecto que tiene los errores de medida, por decir de 10 %, sobre

constante vel, dec o las condiciones inicial y límite? ¿Cual es la interacción es de los
errores de medida con los errores numéricos? La tasa de flujo, vel, ciertamente no es
siempre constante. Además, puede haber flujo de fluido en más de una dirección.
4.5.2 Contaminación en un lago

En el caso anterior un contaminante fue modelado como este fue dispersado bajo
una corriente poco profunda. En este caso la concentración fue una función del tiempo y
solo una variable de espacio, x. Si el contaminante fuese dispersado en un lago poco
profundo, entonces la concentración sería una función de la posición en la superficie del
lago, y así, la concentración sería una función de tiempo y dos variables de espacio, x e y.
Modelo. Fijando u(x,y,t) como la concentración de un contaminante. Suponer que este se
está descomponiendo a una velocidad igual a dec unidades por tiempo, y está siendo
dispersado a otra parte del lago por un viento conocido con vector de velocidad constante
igual a (v1, v2).
Lago
Superficie de
contaminante Velocidad
del viento
∆x
V1 ∆y
V2
Figura 4.34 Esquema del lago
Siguiendo las derivaciones en el caso previo, pero ahora considerando ambas

direcciones, obtenemos el modelo continuo y discreto. Hemos asumido que ambos
componentes de la velocidad son no negativos a fin de que las concentraciones en los lados
laterales contrarios al viento (el oeste y el sur) deben ser dadas. La cantidad entrando a la
cara izquierda de la región rectangular es dada por
(T Δy) (v1 Δt) ui-1,jk
donde T es la profundidad, el volumen entrando es is (T Δy) (v1 Δt), y la concentración es

ui-1,jk. El cambio total en la cantidad dentro de esta región rectangular sobre un intervalo de
tiempo Δt es:

(T Δx Δy) (ui,jk+1 – ui,jk) = (T Δy) (v1 Δt) ui-1,jk - (T Δy) (v1 Δt) ui,jk
+ (T Δx) (v2 Δt) ui,j-1k - (T Δx) (v2 Δt) ui,jk
Δt dec (T Δx Δy) ui,jk (4.59)
En la ecuación diferencial parcial en el modelo continuo 2D los términos -v2 uy

modelan la cantidad de contaminante entrando y saliendo por el tope y el fondo de la
región rectangular
Modelo continuo 2Dpara el contaminante.

ut = - v1 ux - v2 uy - dec u, (1.1)
u(x,y,0) = dado (1.2)
u(x,y,t) = dado en el límite contrario al viento del lago. (1.3)
Modelo explicito en diferencia finita 2D para el contaminante

ui,jk+1 = v1 (Δt/Δx) ui-1,jk + v2 (Δt/Δy) ui,j-1k +
(1 - v1 (Δt/Δx) - v2 (Δt/Δy) - Δt dec)ui,jk (2.1)
ui,j0 = dado (2.2)
u0j y ui0 = dados (2.3)
Condición de Estabilidad.
1 - v1 (Δt/Δx) - v2 (Δt/Δy) - Δt dec > 0.
Metodo. Para ejecutar el modelo discreto, debe haber tres bucles anidados. El lazo exterior
debe ser el lazo de tiempo (usar k), y los dos lazos interiores son para la cuadrícula del
espacio (usando i y j). La orden i (la dirección x) y la j (la dirección y) no son importantes
siempre que ambos esten dentro de la k (lazo de tiempo).
Implementación. El siguiente código Matlab simula un derramamiento grande de un

contaminante a lo largo del límite sudoeste de un lago. La fuente del derramamiento se
controla después de que 25 pasos de tiempo a fin de que la "nube" de contaminante que se
mueve a través del lago sea bosquejado por la gráfica de contorno diferentes tiempos. El de
código Matlab flujo2 genera el arreglo 3D de las concentraciones, y el código Matlab en
mov2d.m genera una secuencia de gráficas de contorno.
% Modelo de flujo 2D en el archivo flujo2d.m

clear;
L = 1.0;
W = 4.0;
T = 10.;
K = 200;

dt = T/K;
n = 10.;
dx = L/n;
m = 20.;
dy = W/m;
velx = .1;
vely = .4;
decay = .1;
for i = 1:n+1
x(i) =(i-1)*dx;
for j = 1:m+1
y(j) =(j-1)*dy;
u(i,j,1) = 0.;
end
end
for k=1:K+1
time(k) = (k-1)*dt;
for j=1:m+1
u(1,j,k) = .0;
end
for i=1:n+1
u(i,1,k)=(i<=(n/2+1))*(k<26)*5.0*sin(pi*x(i)*2)+...
(i>(n/2+1))*.1;
end
end
for k=1:K
for i=2:n+1;
for j=2:m+1;
u(i,j,k+1) =(1 - velx*dt/dx -vely*dt/dy-...
decay*dt)*u(i,j,k)+velx*dt/dx*u(i-...
1,j,k)+vely*dt/dy*u(i,j-1,k);
end
end
end
mesh(x,y,u(:,:,K)')
% Codigo en mov2d.m
flujo2;
lim =[0 1 0 4];
for k=1:5:200
contour(x,y,u(:,:,k)')
title('Concentración versus espacio a diferentes tiempos')
grid on
axis(lim);
k = waitforbuttonpress;
end

Concentración versus espacio a diferentes tiempos

4
3.5
2.5
1.5
0.5
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Figura 4.35 Simulación de la contaminación de un lago
Al hacer clic sobre la Figura 4.36, se desplaza la mancha de contaminante

Concentración versus espacio a diferentes tiempos
4
3.5
2.5
1.5
0.5
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Figura 4.36 Concentración de contaminante versus tiempo

Comentario. Aquí hemos asumido que el único mecanismo para transferencia de

contaminante es vía el movimiento del agua en el lago. Las partículas también pueden
moverse en una manera similar como el flujo de calor moviéndose de regiones de
concentraciones altas para las regiones de concentraciones inferiores. La contaminación del
medio ambiente de agua subterránea es otro modelo relacionado. Aquí la velocidad del
flujo será proporcional a la gradiente de la presión, así como la tasa de flujo de calor es
proporcional a la gradiente de temperatura. Debido a que la constante de proporcionalidad
depende del terreno subterráneo, esta no puede ser explícitamente conocida o considerarse
constante!
Problemas
1. Se desea determinar cuanto tiempo pasará para que los niveles de contaminación en un
lago caigan al 5 % del nivel medido cuando los controles de contaminación entraron en
afecto.
Suponga que 1000 toneladas del contaminante están en el lago cuando se
inician los controles.
Los controles recientes han reducido la concentración de contaminante en el
caudal de entrada a 0.01 toneladas de contaminante por cada km3 de agua de entrada
Datos:
V : Volumen del lago : 2900 km3

Q : Caudal de entrada al lago: 15 km3/año
mi : cantidad inicial de contaminante en el lago: 1000 toneladas
Cin : Concentración de contaminante en la corriente de entrada : 0.01 ton/km3
2. El lago del ejemplo anterior es el lago Superior del conjunto de lagos mostrado en la
Figura.

Lago Volumen: Flujo de entrada

km3 km3/año
1: Superior 2900 15
2: Michigan 1180 38
3: Huton 850 15
4: Erie 116 17
5: Ontario 393 14
Flujo entre Flujo

lagos km3/año
1-3 15
2-3 38
3-4 15
4-5 17
5-6 14
a. Si el lago Michigan (2) no tiene problemas de contaminación. Cual será la

concentración de contaminantes en los lagos Huton, Erie y Ontario antes de iniciar
el control.
b. Al iniciar el control de la contaminación. Cual será la mínima concentración de

contaminantes en los lagos Huton, Erie y Notario que se alcanzará y cuanto tiempo
tardará en alcanzar esta concentración.
c. Repetir los pasos a y b si inicialmente existen en el lago Michigan (2), 500

toneladas de contaminante y también al igual que en el lago Superior, los controles
reducen la concentración de contaminante en el caudal de entrada a 0.01 toneladas
de contaminante por cada 1 000 000 m3 de agua de entrada
3. La temperatura en un cuarto se asume a ser gobernada por la Ley de enfriamiento de

Newton, es decir:
dθ
= − k (θ − θ m (t ))
dt
Donde θ es la temperatura en el cuarto, k es una constante de proporcionalidad positiva

y θm(t) la temperatura externa, (dada en ºC) por
θ m (t ) = 20 + 5e −t sen t
a) Determine la solución al estado estacionario para este problema, es decir, encuentre

la temperatura en el cuarto después de un periodo de tiempo largo.
b) Si la temperatura del cuarto es 30 ºC y la temperatura externa es ahora dada (en

grados) por:
θ m (t ) = 20 + 5 sen t

Provea un boceto de la temperatura externa y (en los mismos ejes) una gráfica
aproximada del comportamiento de θ (la temperatura en el cuarto). Discuta las
principales características de la gráfica para θ.
4. Considerar una extensión del modelo en el problema anterior para incluir un

acondicionador de aire, donde la ecuación de la temperatura ahora es:
dθ
= −k (θ − θ m ) − k a (θ − θ a )
dt
Aquí ka = 0,1 es una constante de proporcionalidad asociada con el acondicionador de
aire, k = 0.03 y θa es la temperatura del medio de enfriamiento del acondicionador de
aire (5 ºC). Asumir que la temperatura externa es fijada a 35 ºC. La temperatura inicial
en el cuarto es 20 ºC.
a) Con ka dada como cero, encuentre la solución para θ, esto sucede cuando el
acondicionador de aire es desconectado.
b) Para ka = 0,1 (es decir el acondicionador de aire está operando), resolver para la
temperatura cuando el cuarto se enfría desde 35 ºC.
c) Muestre como las soluciones anteriores pueden ser usadas para encontrar la
solución para el caso cuando el acondicionador de aire se enciende cuando la
temperatura del cuarto excede 25 ºC y se apaga cuando la temperatura cae por
debajo de 20 ºC.
5. Hacer S e I sean medidas del nivel de azúcar en la sangre y nivel de insulina en la

sangre en un individuo dado. Hacer F y D las medidas de la tasa de entrada de comida
y la tasa de la dosis de insulina para ese individuo. Explicar el significado físico de
cada término en las siguientes ecuaciones.
dI
= a3 ( S − S eq ) H ( S − S eq ) − a 4 I + b2 D
dt
dS
= −a1 SI + a 2 ( S eq − S )[ H ( S eq − S )] + b1 F
dt
6. Para las ecuaciones del modelo de la pregunta anterior, dar diagramas mostrando cómo
el nivel de azúcar S (t) y el nivel de insulina I (t) de una persona sin diabetes varía
después de una sola comida, dado que el azúcar nivel está inicialmente en el equilibrio
y que I (0) = 0.
7. En las ecuaciones modelo dado citado anteriormente, considere el caso de un diabético

(a3 = 0), sin inyecciones de insulina (b2 = 0), muestre que si I(0) = 0, entonces I(t) = 0
para cualquier t y encuentre una expresión explícita para S (t) si S (0) = 100.

8. Dibuje una gráfica simple de la función escalón H(S - Seq), como una función de S.
Escriba un programa MATLAB para calcular esta función.
9. Escriba un programa MATLAB para la función de la toma de comida F(t) para tres
comidas, desayuno, almuerzo y cena, donde, por ejemplo, la toma del desayuno Fb(t)
es dada por como:
Fb(t) = rb exp(-kbt)
Si t>0 y la toma es cero para t≤0. Aquíe rb y kb son constantes y hay formas funcionales
similares para almuerzo y cena.
10. Para el caso de contaminantes modelado por Ecuaciones de Diferencia
1. Escribir un programa de computadora y observar las consecuencias de no

satisfacer la condición de estabilidad.
2. Experimentar con el “mesh size” y observar la convergencia a medida que el
“mesh size” disminuye.
3. Variar la velocidad de flujo, vel, y la velocidad de descomposición, dec. Explicar
sus resultados computados.
k
4. Considerar la matriz A 3x3 en (4). Observe A para diferentes valores de vel a
fin de que la condición de estabilidad esté o no.

CAPITULO
5
MODELOS DE CALIDAD DEL AIRE
En el análisis de la estimación de las consecuencias de las emisiones accidentales a

la atmósfera de contaminantes procedentes de actividades industriales, uno de los aspectos
clave a considerar es su dispersión en el medio ambiente.
Los modelos de dispersión se basan en algoritmos matemáticos y se utilizan en
todo el mundo para pronosticar concentraciones de agentes contaminantes y para prevenir
el posible daño en el Medio Ambiente.
Un modelo matemático para la calidad del aire es un sistema que une las emisiones
lanzadas a la atmósfera con concentraciones de agentes contaminantes a nivel del suelo
mediante el uso de leyes físicas y químicas y de modelos matemáticos de simulación.
En primer lugar es necesario definir los requisitos a imponer a los modelos para
poder así considerar a éstos como una herramienta válida para la evaluación de la calidad
del aire. Así, debe ser definido qué modelo o conjunto de modelos pueden ser empleados y
proceder a su utilización.
Esto significa que hay que especificar las condiciones y los requisitos bajo los
cuales los modelos son útiles y se deben ejecutar. Debido a la alta variedad de modelos
existentes en el mercado, la selección no es fácil ni directa. Además, una vez que se haya
hecho esta elección, la gran cantidad de condiciones bajo las cuales el modelo se pueda
ejecutar, junto con la importancia de los datos de entrada para la obtención de los datos
obtenidos, hace muy difícil establecer una regla única para el funcionamiento apropiado.
La opción del modelo a seguir para cada proyecto se debe justificar conforme a:
• Ajuste para el propósito
• Basado en principales científicos establecidos
• Validado y repasado independientemente
Una de las características principales que condiciona la evolución de un gas/vapor

en la atmósfera es su densidad, distinguiéndose tres posibilidades:
• Gases ligeros. Densidad inferior a la del aire.
• Gases pasivos o neutros. Densidad similar a la del aire.
• Gases pesados. Densidad mayor que la del aire.
A efectos prácticos no se puede hablar, en la mayoría de los casos, de un

comportamiento puro de gas ligero neutro o pesado, ya que los factores que influyen en él

son múltiples y variables en el tiempo y una mezcla gas/aire puede evolucionar como un
gas pesado sin serlo debido a:
• Peso molecular del gas.
• Temperatura del gas.
• Temperatura y humedad del aire ambiente.
• Presencia de gotas líquidas arrastradas en la emisión.
• Reacciones químicas en la nube, etc.
Otra característica es la duración del escape, que puede da lugar a:

• Escapes continuos sin depender del tiempo, formando un penacho ("plume").
• Escapes instantáneos formando una bocanada ("puf").
• Escapes continuos dependiendo del tiempo.
La mayoría de los incidentes por escape empiezan con una descarga de un producto
peligroso desde su continente normal. Estos incidentes se pueden originar por orificios o
roturas de recipientes de proceso, por juntas de unión en bridas, o por válvulas, chimeneas
y venteos de emergencia, por destacar las causas más frecuentes.
5.1 MODELOS DE DISPERSION

Los modelos de dispersión proporcionan la información y las herramientas que
muchos gestores necesitan a la ahora de tomar una decisión que responda a las
regulaciones medio ambientales y a las demás cuestiones que afectan un negocio.
El primer paso para el cálculo de la dispersión es establecer las condiciones de la
fuga del producto, especialmente su duración en el tiempo. Según el tiempo de fuga del
producto las emisiones se clasifican en:
Continuas: Cuando el tiempo de emisión es mayor que el tiempo necesario para que la
nube llegue a un determinado punto.
Instantáneas. Cuando el tiempo necesario para que la nube llegue a un punto determinado
es mayor que el tiempo de emisión del producto.
5.1.1 Fuentes continuas
5.1.1.1 La dispersión de las plumas
Los contaminantes ingresan a la atmósfera de diversas maneras. Por ejemplo,

cuando las plantas se descomponen, liberan metano. Los automóviles, los camiones y los
autobuses emiten contaminantes por el escape del motor y durante el abastecimiento de
combustible. Las centrales eléctricas y los hornos de las viviendas también.
El tipo de descarga de contaminación que ha recibido más atención es la que se
libera desde fuentes puntuales como las chimeneas. Las chimeneas son de diferentes
tamaños, puede tratarse de una pequeña chimenea en el techo de un edificio o de una
chimenea elevada. Su función es descargar los contaminantes a suficiente altura desde la
superficie terrestre para que estos puedan dispersarse bien en la atmósfera antes de llegar al

suelo. Si bien todas son iguales, las chimeneas más altas dispersan mejor los contaminantes
que las más pequeñas debido a que la pluma tiene que viajar a través de una capa
atmosférica más profunda antes de llegar al nivel del suelo. A medida que la pluma viaja,
se extiende y dispersa.
5.1.1.2 Elevación de la pluma
Los gases emitidos por las chimeneas muchas veces son impulsados por abanicos.
A medida que los gases de escape turbulentos son emitidos por la pluma, se mezclan con el
aire del ambiente. Esta mezcla del aire ambiental en la pluma se denomina arrastre.
Durante el arrastre en el aire, la pluma aumenta su diámetro mientras viaja a sotavento. Al
entrar en la atmósfera, estos gases tienen un momentum. Muchas veces se calientan y se
vuelven más cálidos que el aire externo. En estos casos, los gases emitidos son menos
densos que el aire exterior y, por lo tanto, flotantes. La combinación del momentum y la
flotabilidad de los gases hace que estos se eleven. Este fenómeno, conocido como
elevación de la pluma, permite que los contaminantes emitidos al aire en esta corriente de
gas se eleven a una altura mayor en la atmósfera. Al estar en una capa atmosférica más alta
y más alejada del suelo, la pluma experimentará una mayor dispersión antes de llegar a
este.
La altura final de la pluma, conocida como altura efectiva de chimenea (H), es la
suma de la altura física de la chimenea (hs) y la elevación de la pluma (∆h). En realidad, la
elevación de la pluma se estima a partir de la distancia existente hasta la línea central
imaginaria de la pluma y no hasta el borde superior o inferior de esta (Figura 5-1). La
elevación de la pluma depende de las características físicas de la chimenea y del efluente
(gas de chimenea). La diferencia de temperatura entre el gas de la chimenea (Ts) y el aire
ambiental (Ta) determina la densidad de la pluma, que influye en su elevación. Además, la
velocidad de los gases de la chimenea, que es una función del diámetro de la chimenea y
de la tasa volumétrica del flujo de los gases de escape, determina el momentum de la
pluma.
Figura 5-1. Elevación de la pluma

5.1.1.3 Momentum y flotabilidad
La condición de la atmósfera, incluidos los vientos y el perfil de la temperatura a lo

largo del recorrido de la pluma, determinará en gran medida la elevación de la pluma. Dos
características de esta influyen en su elevación: el momentum y la flotabilidad. La
velocidad de salida de los gases de escape emitidos por la chimenea contribuyen con la
elevación de la pluma en la atmósfera. Este momentum conduce el efluente hacia el
exterior de la chimenea a un punto en el que las condiciones atmosféricas empiezan a
afectar a la pluma. Una vez emitida, la velocidad inicial de la pluma disminuye
rápidamente debido al arrastre producido cuando adquiere un momentum horizontal. Este
fenómeno hace que la pluma se incline. A mayor velocidad del viento, más horizontal será
el momentum que adquirirá la pluma. Por lo general, dicha velocidad aumenta con la
distancia sobre la superficie de la Tierra. A medida que la pluma continúa elevándose, los
vientos más fuertes hacen que se incline aún más. Este proceso persiste hasta que la pluma
parece horizontal al suelo. El punto donde la pluma parece llana puede ser una distancia
considerable de la chimenea a sotavento. La velocidad del viento es importante para
impulsar la pluma. Mientras más fuerte, más rápido será el serpenteo de la pluma.
La elevación de la pluma causada por su flotabilidad es una función de la diferencia
de temperatura entre la pluma y la atmósfera circundante. En una atmósfera inestable, la
flotabilidad de la pluma aumenta a medida que se eleva, lo cual hace que se incremente la
altura final de la pluma. En una atmósfera estable, la flotabilidad de la pluma disminuye a
medida que se eleva. Por último, en una atmósfera neutral, permanece constante.
La pluma pierde flotabilidad a través del mismo mecanismo que la hace serpentear,
el viento. Como se muestra en la Figura 5-2, la mezcla dentro de la pluma arrastra el aire
atmosférico hacia su interior. A mayor velocidad del viento, más rápida será esta mezcla.
El arrastre del aire ambiental hacia la pluma por acción del viento, le "quita" flotabilidad
muy rápidamente, de modo que durante los días con mucho viento la pluma no se eleva
muy alto sobre la chimenea.
Figura 5-2. Influencia de la velocidad del viento en el arrastre.

5.1.1.4 Efectos de la fuente en la elevación de la pluma
Debido a la configuración de la chimenea o a los edificios adyacentes, es posible

que la pluma no se eleve libremente en la atmósfera. Algunos efectos aerodinámicos
causados por el modo en el que se mueve el viento alrededor de los edificios adyacentes y
de la chimenea pueden impulsar a la pluma hacia el suelo en lugar de permitir que se eleve
en la atmósfera.
El flujo descendente de la chimenea puede producirse cuando la razón entre la
velocidad de salida de la chimenea y la del viento es pequeña. En este caso, la presión baja
en la estela de la chimenea puede hacer que la pluma descienda detrás de la chimenea.
Cuando esto sucede, la dispersión de los contaminantes disminuye, lo que puede
determinar concentraciones elevadas de contaminantes inmediatamente a sotavento de la
fuente.
A medida que el aire se mueve sobre y alrededor de los edificios y otras estructuras,
se forman olas turbulentas. Según la altura de descarga de una pluma (altura de la
chimenea), es probable que esta sea arrastrada hacia abajo en esta área de la estela. Esto se
conoce como flujo descendente aerodinámico o entre edificios de la pluma y puede
conducir a concentraciones elevadas de contaminantes inmediatamente a sotavento de la
fuente. La Figura 5-3 ilustra estos efectos.
Figura 5-3. Dos ejemplos de flujo descendente
5.1.1.5 Fórmulas matemáticas para elevación de la pluma
La elevación de la pluma (∆h) se define como la diferencia entre la altura de la

línea central final de la pluma y la altura inicial de la fuente. Esta elevación está originada
por la fuerza ascensional y el impulso vertical del efluente.

La temperatura de salida del efluente en el caso de que supere en más de 50 ºC la

temperatura ambiental, tiene mayor influencia que el impulso vertical en la determinación
de la altura que alcanzará la pluma.
Como regla general la elevación de la pluma es directamente proporcional al
contenido calorífico del efluente y a la velocidad de salida del mismo, e inversamente
proporcional a la velocidad local del viento.
a) Modelo para chimeneas.
La elevación de las plumas ha sido tema de estudio durante muchos años. Las
fórmulas más usadas son las desarrolladas por Gary A. Briggs. La ecuación 5-1 incluye
una de estas, la que se aplica a las plumas dominadas por la flotabilidad. Las fórmulas de la
elevación de la pluma se usan en plumas con temperaturas mayores que la del aire
ambiental. La fórmula de Briggs para la elevación de la pluma es la siguiente:
1,6 F 1 / 3 x 2 / 3
Δh = (5.1)
u
Donde: ∆h = Elevación de la pluma (sobre la chimenea) (m)

F = Flujo de flotabilidad (véase a continuación)
u = Velocidad promedio del viento (m/s)
x = Distancia a sotavento de la chimenea/fuente (m)
g = Aceleración debido a la gravedad (9,8 m/s2)
V = Tasa volumétrica del flujo del gas de la chimenea (m3/s)
Ts = Temperatura del gas de la chimenea (K)
Ta = Temperatura del aire ambiental (K)
g ⎛ Ts − Ta ⎞
Flujo de flotabilidad = F = V⎜ ⎟⎟ (5.2)
π ⎜⎝ Ts ⎠
b) Fórmula de Holland
Una de las fórmulas más empleadas para el cálculo de esta elevación para
diferentes contaminantes es la de Holland:
Vs d ⎛ T − Ta ⎞
Δh = ⎜⎜1,5 + 2,68 ∗ 10 −3 ⋅ P s d ⎟⎟ (5.3)
u ⎝ Ts ⎠
Donde: Vs = velocidad de salida del contaminante (m/s)

d = diámetro interior del conducto de emisión (m)
u = Velocidad promedio del viento
P = presión atmosférica (mbar)
Ts = Temperatura del contaminante (K)
Ta = Temperatura del aire ambiental (K)
2,68.10-3 es una constante expresada en mbar-1 m-1

Los valores de ∆h obtenidos con esta fórmula deben corregirse (Tabla 5.1)
multiplicando por un factor, establecido por Pasquill-Gifford-Turner, que es función de las
condiciones meteorológicas, que se describen más adelante.
Tabla 5.1
Categorías de Factor de corrección
estabilidad aplicado al ∆h, calculado por
(clases) la fórmula de Holland
A, B 1,15
C 1,10
D 1,00
E, F 0,85
La velocidad del viento se acostumbra a medir a 10 metros de altura. Esta velocidad,

a niveles más bajos de 10 metros, se ve reducida notablemente debido a los efectos de
rozamiento. Para niveles distintos de este valor, la velocidad del viento debe corregirse
según la relación
P
⎛H⎞
u H = u10 ⎜ ⎟ (5.4)
⎝ 10 ⎠
Donde:uH = Velocidad del viento a la altura de la fuente emisora (m/s)

u10 = Velocidad del viento a la altura de 10 m (m/s)
H = Altura de la fuente emisora (m)
p = Coeficiente exponencial
Los valores de p son función de la estabilidad atmosférica y la rugosidad del suelo.

En la Tabla 5.2 se presentan tales valores.
Tabla 5.2: Coeficientes de corrección de la velocidad del viento

Estabilidad Coeficiente exponencial atmosférico
Urbano Rural
A 0,15 0,07
B 0,15 0,07
C 0,20 0,10
D 0,25 0,15
E 0,40 0,35
F 0,60 0,55
Como se dijo anteriormente, las fórmulas de elevación de la pluma sirven para

determinar la línea central imaginaria de esta. La línea central está donde se producen las
mayores concentraciones de contaminantes. Existen varias técnicas para calcular las
concentraciones de contaminantes lejos de la línea central.
En la siguiente sección se tratan los principios que se deben considerar para obtener
estimados cuantificables de dispersión.

5.1.1.6 Estimados de dispersión
Como se mencionó en la sección anterior, las fórmulas de la elevación de la pluma

se usan para determinar la línea imaginaria de esta. Si bien la concentración máxima de la
pluma existe en esta línea central, las fórmulas mencionadas no permiten obtener
información sobre cómo varían las concentraciones de contaminantes fuera de esta línea
central. Se deberán efectuar, entonces, estimados de dispersión para determinar las
concentraciones de contaminantes en un punto de interés.
Los estimados de dispersión se determinan mediante ecuaciones de distribución y/o
modelos de calidad del aire. Estos estimados generalmente son válidos para la capa de la
atmósfera más cercana al suelo, donde se producen cambios frecuentes de la temperatura y
de la distribución de los vientos. Estas dos variables tienen un importante efecto en la
forma de dispersión de las plumas. Por lo tanto, las ecuaciones de distribución y los
modelos de calidad del aire mencionados anteriormente deben incluir estos parámetros.
5.1.1.7 Modelos de dispersión de calidad del aire
Los modelos de dispersión de calidad del aire consisten en un grupo de ecuaciones

matemáticas que sirven para interpretar y predecir las concentraciones de contaminantes
causadas por la dispersión y por el impacto de las plumas. Estos modelos incluyen los
estimados de dispersión mencionados anteriormente y las diferentes condiciones
meteorológicas, incluidos los factores relacionados con la temperatura, la velocidad del
viento, la estabilidad y la topografía. Existen cuatro tipos genéricos de modelos: gausiano,
numérico, estadístico y físico. Los modelos gausianos emplean la ecuación de distribución
gausiana (véase la discusión sobre distribución gausiana a continuación) y son
ampliamente usados para estimar el impacto de contaminantes no reactivos. En el caso de
fuentes de áreas urbanas que presentan contaminantes reactivos, los modelos numéricos
son más apropiados que los gausianos pero requieren una información extremadamente
detallada sobre la fuente y los contaminantes, y no se usan mucho. Los modelos
estadísticos se emplean cuando la información científica sobre los procesos químicos y
físicos de una fuente están incompletos o son vagos. Por último, están los modelos físicos,
que requieren estudios de modelos del fluido o en túneles aerodinámicos del viento. La
adopción de este enfoque implica la elaboración de modelos en escala y la observación del
flujo en estos. Este tipo de modelos es muy complejo y requiere asesoría técnica de
expertos. Sin embargo, en el caso de áreas con terrenos complejos y condiciones del flujo
también complejas, flujos descendentes de la chimenea, y edificios altos, esta puede ser la
mejor opción.
La selección de un modelo de calidad del aire depende del tipo de contaminantes
emitidos, de la complejidad de la fuente y del tipo de topografía que rodea la instalación.
Algunos contaminantes se forman a partir de la combinación de contaminantes
precursores. Por ejemplo, el ozono en el nivel del suelo se forma cuando los compuestos
orgánicos volátiles (COV) y los óxidos de nitrógeno (NOx) actúan bajo la acción de la luz
solar. Los modelos para predecir las concentraciones de ozono en el nivel del suelo
emplearían la tasa de emisión de COV y NOx como datos de entrada. Además, algunos
contaminantes reaccionan fácilmente una vez que son emitidos en la atmósfera. Estas
reacciones reducen las concentraciones y puede ser necesario considerarlas en el modelo.
La complejidad de la fuente también desempeña un papel en la selección. Algunos
contaminantes y pueden ser emitidos desde chimeneas bajas sujetas a flujos descendentes
aerodinámicos. Si este es el caso, se debe emplear un modelo que considere el fenómeno.

En la dispersión de las plumas y los contaminantes, la topografía es un factor importante

que debe ser considerado al seleccionar un modelo. Las plumas elevadas pueden tener un
impacto en áreas de terrenos altos. Las alturas de este tipo de terrenos pueden experimentar
mayores concentraciones de contaminantes debido a que se encuentran más cerca de la
línea central de la pluma. En el caso que existan terrenos elevados, se debe usar un modelo
que considere este hecho.
a) Distribución gausiana
De los cuatro tipos de modelos de dispersión mencionados anteriormente, el

gausiano, que incluye la ecuación de distribución gausiana (Ecuación 5-5) es el más
usado. La ecuación de distribución gausiana emplea cálculos relativamente simples, que
sólo requieren dos parámetros de dispersión (σy y σz) para identificar la variación de las
concentraciones de contaminantes que se encuentran lejos del centro de la pluma, (D.B.
Turner, 1970).
Esta ecuación determina las concentraciones de contaminantes en el nivel del suelo
sobre la base de las variables atmosféricas de tiempo promedio (por ejemplo, la
temperatura y la velocidad del viento). Por lo tanto, no es posible obtener un "cuadro"
instantáneo de las concentraciones de la pluma. Sin embargo, cuando se emplean
promedios de tiempo de diez minutos a una hora para estimar las variables atmosféricas de
tiempo promedio necesarias en la ecuación, se puede asumir que las concentraciones de
contaminantes en la pluma están distribuidas normalmente, como se señala en la Figura 5-
4.
(5.5)
Donde:
C = concentración del contaminante en el punto x, y, z (kg/m3)
Q = masa emitida por unidad de tiempo (kg/seg)
σy = coeficientes de dispersión de contaminantes en dirección y (horizontal) (m)
σz = coeficientes de dispersión de contaminantes en dirección z (vertical) (m)
u = velocidad del viento (m/s).
y = distancia en dirección horizontal
z = distancia en dirección vertical
H = Altura de la fuente emisora sobre el nivel del suelo más la elevación de la pluma
(m).

Figura 5-4. Distribución gausiana
La distribución gausiana determina el tamaño de la pluma a sotavento de la fuente.

La Figura 5-5 muestra una representación esquemática de la pluma gausiana. El tamaño de
la pluma depende de la estabilidad de la atmósfera y de su propia dispersión en dirección
horizontal y vertical. Los coeficientes de la dispersión horizontal y vertical (σy y σz,
respectivamente) sólo representan la desviación estándar de la normal en la curva de
distribución gausiana en las direcciones y y z. Estos coeficientes de dispersión, σy y σz, son
funciones de la velocidad del viento, de la cubierta de nubes y del calentamiento de la
superficie por el sol. Para la distribución gausiana es necesario que el material en la pluma
se mantenga. En otras palabras, se debe dejar que el borde de la pluma se refleje desde el
suelo sin perder ninguna contaminación. Además, la distribución gausiana y la elevación
de la pluma dependen de que el suelo sea relativamente plano a lo largo del recorrido.
Como se expuso anteriormente, la topografía afecta el flujo y la estabilidad atmosférica del
viento. Por consiguiente, un terreno desigual debido a la presencia de cerros, valles y
montañas afectará la dispersión de la pluma y la distribución gausiana deberá ser
modificada.
Figura 5-5. Representación esquemática de la pluma gausiana (Fuente: Turner 1970).

Para obtener el modelo de una pluma mediante la distribución gausiana, es

necesario que:
• La dispersión de la pluma tenga una distribución normal (esto es, una distribución
campanada, como se muestra en la figura 5-4)
• La tasa de emisión (Q) sea constante y continua
• La velocidad y la dirección del viento sean uniformes
• La reflexión total de la pluma se produzca en la superficie
b) Clasificaciones de estabilidad
Como se señaló anteriormente, la estabilidad de la atmósfera depende de la

diferencia de temperatura entre una porción de aire y el aire que la rodea. Por consiguiente,
se pueden producir diferentes niveles de estabilidad según cuán grande o pequeña sea la
diferencia de temperatura entre la porción de aire y el aire circundante. La atmósfera puede
ser estable, condicionalmente estable, neutra, condicionalmente inestable o inestable.
Las clases de estabilidad atmosférica definidas por Pasquill dependen de la
velocidad del viento medida a 10 metros sobre el terreno; de la radiación solar durante el
día y de la nubosidad durante la noche y se han clasificado en 9 identificadas por las letras
A a la F con combinaciones de ellas.
Estos tipos de estabilidad se denominan clases de estabilidad Pasquill-Gifford,
incluidas en el la Tabla 5-3. Como puede verse en el cuadro, las estabilidades A, B y C
representan las horas diurnas con condiciones inestables. La estabilidad D, los días o
noches con cielo cubierto con condiciones neutrales. Las estabilidades E y F, las
condiciones nocturnas estables, y se basan en la cantidad de cobertura de nubes. Por
consiguiente, la clasificación A representa condiciones de gran inestabilidad y la
clasificación F, de gran estabilidad.
Tabla 5-3. Clave para las categorías de estabilidad

Viento Insolación Noche
superficial
Velocidad (a Fuerte Moderada Ligera Cobertura de Cobertura
10 m sobre el nubes bajas* de nubes
terreno) (m/s) ≥4/8 ≥3/8
<2 A A-B B - -
2-3 A-B B C E F
3-5 B B-C C D E
5-6 C C-D D D D
>6 C D D D D
* Ligeramente cubierto
Nota: Se deben asumir clases neutrales D para condiciones de cielo cubierto durante el día o la noche
c) Coeficientes de dispersión
Los coeficientes de dispersión (σx , σy y σz) son las desviaciones tipo en los ejes x,
y, z. Las ecuaciones usadas para calcular σy son:

σ y = 465.11628 ⋅ ( x) ⋅ tan(TH ) (5.6)
TH = 0.017453293·[c – d ln(x)] (5.7)
σz = a·xb (5.8)
donde :
σx = desviación tipo en el eje x, en metros (usado para fuents instantáneas)
σy = desviación tipo en el eje y, en metros
σz = desviación tipo en el eje z, en metros
x = distancia en la dirección del viento (kilómetros)
c y d = coeficintes que se obtienen de la Tabla 5-4
a y b = coeficientes que se obtienen de la Tabla 5-5.
Las Ecuaciones 5-6 y 5-8 son usadas para determinar σy y σz para la opción
urbana. Estas expresiones fueron determinadas por Briggs (1976) y representan una mejor
aproximación para los datos de difusión vertical urbana expuestos por McElroy y Poole
(1968).
Tabla 5-4 Parámetros usados para el cálculo según PASQUILL-GIFFORD de σy

Clase de estabilidad Pasquill c d
A 24.1670 2.5334
B 18.3330 1.8096
C 12.5000 1.0857
D 8.3330 0.72382
E 6.2500 0.54287
F 4.1667 0.36191
donde σy está expresada en metros y x en kilómetros.
Tabla 5-5 Parámetros usados para el cálculo según PASQUILL-GIFFORD de σz

Clase de estabilidad Pasquill x (km) a b
<0.10 122.800 0.94470
0.10 - 0.15 158.080 1.05420
0.16 - 0.20 170.220 1.09320
0.21 - 0.25 179.520 1.12620
A* 0.26 - 0.30 217.410 1.26440
0.31 - 0.40 258.890 1.40940
0.41 - 0.50 346.750 1.72830
0.51 - 3.11 453.850 2.11660
> 3.11 ** **
B* <0.20 1.0857 0.93198

0.21 - 0.40 98.483 0.98332

> 0.40 109.300 1.09710
C* A11 61.141 0.91465
<0.30 34.459 0.86974
0.31 - 1.00 32.093 0.81066
D 1.01 - 3.00 32.093 0.64403
3.01 - 10.00 33.504 0.60486
10.01 - 30.00 36.650 0.56589
> 30.00 44.053 0.51179
< 0.10 24.260 0.83660
0.10 - 0.30 23.331 0.81956
0.31 - 1.00 21.628 0.75660
E 1.01 - 2.00 21.628 0.63077
2.01 - 4.00 22.534 0.57154
4.01 - 10.00 24.703 0.50527
10.01 - 20.00 26.970 0.46713
20.01 - 40.00 35.420 0.37615
> 40.00 47.618 0.29592
< 0.20 15.209 0.81558
0.21 - 0.70 14.457 0.78407
0.71 - 1.00 13.953 0.68465
1.01 - 2.00 13.953 0.63227
F 2.01 - 3.00 14.823 0.54503
3.01 - 7.00 16.187 0.46490
7.01 - 15.00 17.836 0.41507
15.01 - 30.00 22.651 0.32681
30.01 - 60.00 27.074 0.27436
> 60.00 34.219 0.21716
donde σz está expresada en metros y x en kilómetros
* Si el valor calculado de σz excede 5000m, σz se toma igual a 5000m
**σz es igual a 5000m
d) Correcciones según la rugosidad del terreno
Existen métodos en bibliografía especializada para tener en cuenta la rugosidad del

terreno y su efecto en particular sobre el eje vertical, z.
La rugosidad incluye la vegetación, los cultivos y los edificios.. En la Tabla 5-6 se
muestran algunos de los valores representativos para z0.
Tabla 5-6.Valores de la rugosidad z0 para diversos tipos de zonas

TERRENO LLANO CON POCOS ÁRBOLES 0,03 m
TERRENO AGRÍCOLA (árboles abundantes, tierra arable...) 0,10 m
TERRENO CULTIVADO (cultivos, vegetación, casas aisladas...) 0,30 m
ÁREA RESIDENCIAL (construcción densa de poca altura...) 1,0 m
ÁREA URBANA (edificios altos e industriales con estructuras altas...) 3,0 m

Los valores de σz que se obtienen de los coeficientes c y d, dados en la Tabla 5.4

pueden usarse como tales para un valor de z0 = 0,1 m. Para otros valores es necesario
introducir una corrección de acuerdo con:
σz = c · xd (10 · z0 )m (5.9)
m = 0,53 · x-0,22 (5.10)
Los valores de σy no están afectados por la rugosidad del terreno.

Los valores de estos coeficientes de dispersión son fruto de determinaciones, en
parte teóricas y en parte experimentales. A la vista de las limitaciones de los datos
existentes se considera aceptable tomar las que aquí se han indicado.
Ejemplo 5.1 Resolución de un caso práctico
Calcular la concentración de cloro de un escape de 0,3 kg/s situado a 1 m sobre el

suelo, que afectaría a un punto localizado a 120 m en la dirección del viento, a 10 m en
dirección transversal del mismo y 2 m de altura.
Las condiciones meteorológicas corresponden a estabilidad D, velocidad del viento
5 m/s (a 10 m de altura).
Datos:
Rugosidad del suelo equivalente a urbana y estabilidad meteorológica D,
Temperatura ambiente Ta = 20 ºC (293 K)
Presión atmosférica P = 1 atm absoluta
Peso molecular CI2 M0 = 71
Constante de los gases, R = 0,082 (m3 · atm)/(kmol·K)
Solución
Se puede aplicar el modelo de dispersión gaussiano, ya que a pesar de ser el cloro

un gas más denso que el aire (densidad relativa del gas respecto al aire = 2,5), la intensidad
de descarga es pequeña y la zona de dispersión como gas pesado afectará a distancias
cortas.
Seleccionando del Menú Principal: Modelización Ambiental – Dispersión de Gases –

Fuente continua
Copyright 2006 UNT

MSc. Luis Moncada
All rights reserved
21-May-2006
ESTE PROGRAMA CALCULA LA CONCENTRACION DE UN CONTAMINANTE
EN UN PUNTO (x,y,z) PARA UNA FUENTE CONTINUA
*********************************************************

Altura de fuente emisora (m): 1

Velocidad del viento (m/seg): 5
Altura de medida de velocidad del viento (m): 10
Masa emitida kg/seg: 0.3
Ingrese Número correspondiente a categoría de Estabilidad
1=A, 2=B, 3=C, 4=D, 5=E, 6=F: 4
Punto x,y,z para determinar la concentración
Distancia longitudinal x (m): 120
Distancia transversal y (m): 10
Altura desde el suelo z (m): 2
Ubicación Urbano(1) Rural(2): 1
--------------------------------------------
La concentración del contaminante
en el punto dado es: 0.00029256 Kg/m3
--------------------------------------------
Desea calcular concentración en ppm Si(1) No(0): 1
Temperatura del ambiente (K): 293
Presión (atm): 1
Peso molecular del Gas: 71
----------------------------------------------
La concentración es: 99.0007 ppm
>>
El programa calcula un concentración de 99.0007 partes por millón.
5.1.2 Fuentes puntuales instantáneas
La emisión instantánea, llamada también, “puff” o soplido, forma una nube que se
va dispersando con el tiempo. Gráficamente puede asimilarse a una nube casi esférica que
se dispersa trasladando su centro de emisión en la dirección del viento. Fig. 5.6.
Figura. 5.6. Representación gráfica de la evolución de una nube de gas (“puff”)

proveniente de una fuente instantánea
A efectos prácticos la división en emisión continua o discontinua es artificial y

subjetiva, porque la mayoría de emisiones son un estado intermedio, dado que el tiempo de
fuga es finito, asumiendo un estado estacionario durante un cierto tiempo y dispersándose
finalmente.
La elección entre los métodos de cálculo para una emisión instantánea o continua
puede establecerse de la siguiente forma. Si la emisión dura 100 segundos y se establece un
estado estacionario de forma rápida, en las cercanías de la fuente de emisión, p.e. a unos 30
metros, se trata en este caso como continua. Para la misma emisión, si no se establece un

estado estacionario hasta una distancia muy superior, p.e. de 10 kilómetros, la duración de
la emisión se convierte en despreciable en relación al tiempo de paso de la nube, de forma
que puede considerarse como instantánea.
Un criterio empleado para decidir si la fuga puede ser considerada continua o
instantánea se muestra a continuación:
Tipo de fuga Valor

Instantánea x > 1,8 · u · te
Continua x < 1,8 · u · te
donde,
x = distancia de la coordenada en la dirección del viento (m)

u = velocidad del viento (m/s)
te= duración de la emisión (s)
Para una emisión instantánea los cálculos se establecen de la misma forma que para
una emisión continua, es decir, asumiendo que la nube tiene una distribución gaussiana en
las direcciones de los ejes x, y, z.
Las mismas limitaciones que se expusieron para las emisiones continuas son
válidas para el modelo gaussiano aplicado a fuentes instantáneas, excepto el concepto
tiempo promedio (o medio) que no debe aplicarse a una emisión instantánea.
5.1.2.1 Concentración debida a una fuente instantánea
En el caso de una fuga instantánea, la concentración en un punto dependerá sólo de

sus coordenadas de posición (x, y, z) y del tiempo t, transcurrido desde la fuga.
Empleando el modelo gaussiano, la concentración en el punto x, y, z, en el tiempo t,
después del escape del producto, viene dado por la siguiente expresión:
M
C ( x, y , z , t ) = ⋅ A⋅ B ⋅C (5.11)
(2π ) 3/ 2
σ xσ y σ z
( x −u ⋅t ) 2
−
2σ x2
A=e (5.12)
2
y
−
2σ y2
B=e (5.13)
( z − h) 2 ( z + h)2
− −
2σ z2 2σ z2
C =e +e (5.9)
Donde:
C = concentración (kg/m3)
M = masa de la emisión (kg)
h = altura efectiva de la fuente de emisión (m). (h = 0 para una emisión a ras de
suelo)

5.1.2.2 Coeficientes de dispersión
En el caso de fugas instantáneas coeficientes de dispersión (σx , σy y σz) siguen las

ecuaciones siguientes:
σx = 0,13 · x (5.14)
σy = 0,5 · σyc (5.15)
σz = σzc (5.16)
donde los significados son:

σx = desviación tipo en el eje x, en metros
σy = desviación tipo en el eje y, en metros
σz = desviación tipo en el eje z, en metros
σyc = desviación tipo en el eje y, calculada para fugas continuas, en metros (Ec. 5.6)
σzc = desviación tipo en el eje z, calculada para fugas continuas, en metros (Ec. 5.8)
Ejemplo 5.2
Dada una fuente de emisión instantánea de 1 000 kg de metano con una densidad
de 0,665 kg/m3, siendo las condiciones meteorológicas neutras (clase D), la velocidad del
viento 5 m/s y la rugosidad del terreno de 0,1 m, calcular la concentración a 500 m de
distancia en dirección del viento, a nivel del suelo, a los 100 segundos de la emisión. Las
condiciones son 1 atm y 20 °C.
Solución:
Seleccionando del Menú Principal: Modelización Ambiental – Dispersión de Gases –

Fuente instantánea:
Copyright 2006 UNT
MSc. Luis Moncada
All rights reserved
22-May-2006
ESTE PROGRAMA CALCULA LA CONCENTRACION DE UN CONTAMINANTE
EN UN PUNTO (x,y,z) PARA UNA FUENTE INSTANTANEA
*********************************************************
Altura de fuente emisora (m): 0
Velocidad del viento (m/seg): 5
Altura de medida de velocidad del viento (m): 0
Masa emitida kg/seg: 1000
Tiempo de emisión (seg): 100
Ingrese Número correspondiente a categoría de Estabilidad
1=A, 2=B, 3=C, 4=D, 5=E, 6=F: 4
Punto x,y,z para determinar la concentración
Distancia longitudinal x (m): 500
Distancia transversal y (m): 0

Altura desde el suelo z (m): 0

Ubicación Urbano(1) Rural(2): 1
--------------------------------------------
La concentración del contaminante
en el punto dado es: 0.00590795 Kg/m3
--------------------------------------------
Desea calcular concentración en ppm Si(1) No(0): 1
Temperatura del ambiente (K): 293
Presión (atm): 1
Peso molecular del Gas: 18
----------------------------------------------------
La concentración es: 7885.8 ppm
>>
Estas 7885.8 ppm son equivalentes a una concentración, expresada en tanto por
ciento en volumen del 0,79 %.
El límite inferior de explosividad del metano es del 5 %; por lo tanto la

concentración calculada está en este caso por debajo del citado límite.
Problemas
1. Modelamiento del ozono a gran altitud. Los filtros de ozono a una elevada altitud
filtran la mayor parte de la radiación ultravioleta del sol que podría ser dañina para
carbón base de la vida. Hagamos las suposiciones razonables que la atmósfera de la
tierra representa un sistema cerrado mantenido a temperatura y volumen constantes. El
modelo considera las interacciones simultáneas de tres productos químicos, oxígeno
libre O, ozono O3, y oxígeno molecular O2.
Las reacciones químicas son expresadas como las siguientes reacciones bimoleculares:
O + O2 k1 O3
O + O2 k2 2O2
O2 k3(t) 2O
O2 k4(t) O + O2
Las constants son: k1 = 1,63x10-16 y k2 = 4,66x10-6. Las constantes de velocidad k3(t)

y k4(t) describen el efecto fotodisociativo de la luz solar y por lo tanto cambian con el
tiempo
e-ci/seno ωt , seno ωt > 0

ki(t) = i = 3, 4
0, seno ωt < 0

Con ω = π/43200 seg-1, c3 = 22,62, c4 = 7,601

Como la concentración de oxígeno molecular, u = [O2] es muchos órdenes de magnitud
más grande que el oxígeno libre u ozono, se asume a ser constante para cualquier
tiempo. Haciendo que x(t) represente a [O], y y (t) represente a [O3]. El proceso puede
ser reducido a las siguientes dos ecuaciones.
dx
= − k1 xu − k 2 xy + 2k 3 (t )u + k 4 (t ) y
dt
dy
= k1 xu − k 2 xy − k 4 (t ) y
dt
Las condiciones iniciales a la salida del sol son

x(0) = 106 cm-3
y(0) = 1012 cm-3
u = 3,7x1016 cm-3
Simular el sistema para un día y medio (36 x 3600sec) de reducción drástica de ozono
y graficar las concentraciones de ozono y oxígeno libre en una escala logarítmica.
5.2 EL “SMOG” FOTOQUIMICO
El “smog” fotoquímico es una condición atmosférica que produce irritación severa

del ojo y una visibilidad escasa, para nombrar simplemente dos de los efectos. Tres
ingredientes - energía de una fuente de luz (ultravioleta), hidrocarburos, y los óxidos de
nitrógeno - son necesarios para que se forme “smog” fotoquímico. Dos de esos
componentes son producidos a través del quemado de combustibles fósiles, más
especificamente automoviles. El “smog” fotoquímico es también algunas veces conocido
como "smog oxidante", ya que tiene una concentración alta de agentes oxidantes. El ozono
es un agente oxidante común encontrado en el “smog” fotoquímico. Otro tipo de “smog”,
"smog reductor", tiene concentraciones altas de dióxido de azufre, el cual es un agente
reductor. Su presencia tiene significado histórico en los estudios hechos en lugares como
Londres, que usaron carbón con contenido de azufre como su fuente principal de energía.
La figura 5.7 es útil para entender la química de producción de “smog” en la
troposfera.Este gráfico es relativamente obvio. Comienza en el fondo con la producción de
NO y los hidrocarburos reactivos por el quemado de combustible fósil (como un
automóvil). En el lado izquierdo, el NO reacciona con ozono troposférico o un radical de
hidrocarburo (RO2) para producir NO2 (un radical es un fragmento de la molécula que
tiene un electrón no apareado). Esto absorbe energía solar (representado por las letras hv)
para crear NO (el cual propaga el sistema) y oxígeno atómico. El oxígeno atómico
reacciona para formar ozono troposférico, el cual se alimenta de vuelta al sistema del NOx
(la "x" aquí se refiere al número de oxígenos, y sirve como término de notación general
para los óxidos de nitrógeno). El oxígeno atómico también puede reaccionar con radicales
de hidroxilo, OH, y ozono para formar los radicales de hidrocarburo reactivos utilizados en
el sistema del NOx. Estos radicales también reaccionan para formar otros componentes de
“smog, tales como PAN (peroxiacetil nitrato) y aldehídos (RC = OH, donde R es alguna
cadena de hidrocarburo).

Figura 5.7 Esquema generalizado para la formación de “smog” fotoquímico.
A continuación se tiene un gráfico que muestra el trabajo esencial del sistema del
NOx, con las interacciones entre NO y NO2 en la izquierda y la producción /deslave de
HNO3 a la derecha:
HOO● + NO → NO2 + HO●

ROO● + NO → NO2 + RO●
NO + O → NO2 + O2 NO2
NO NO + O → NO2 + hv
HO● + NO2 → HNO3

HNO3 + hv → NO2 + HO●
HNO3
Lavado con precipitación
Figura 5.8 Interacciones entre NO y NO2

También podemos considerar la formación de smog fotoquímico desde una

perspectiva cinética. A continuación se muestran las nueve ecuaciones principales de
producción de smog, y la constante de velocidad que afecta la velocidad (o la tasa) a la
cual se llevan a cabo las reacciones:
Reacción Constante de velocidad

1. NO2 + hv → NO + O Depende de la intensidad de luz
2. O + O2 + M → O3 + M 6.03x10-34(T/300)-23 cm6 mol-2 seg -1
3. O3 + NO → NO2 + O2 2.2x10-12 exp(-1430/T) cm3 mol -1 seg -1
4. O3 + hv → O(1D) + O2 0.0028k1
5. O(1D) + M → O + M 2.9x10-11 cm3 mol -1 seg -1
6. O(1D) + H2O → 2 OH● 2.2x10-10 cm3 mol -1 seg -1
7. CO + OH● → CO2 + HO2● 2.2x10-13 cm3 mol -1 seg -1
8. HO2● + NO → NO2 + OH● 3.7x10-12 exp(240/T) cm3 mol -1 seg -1
9. OH● + N2 → HNO3 1.1x10-11 cm3 mol -1 seg -1
En las ecuaciones anteriores, vemos el sistema del NOx y la producción de ozono.

Las cuales se describen a continuación:
• Reacción 1: NO2, reacciona con energía luminosa, hv, para formar NO y un átomo
de oxígeno. ¡La tasa de esta reacción depende de la cantidad de
energía luminosa presente - un día soleado versus un día nublado!
• Reacción 2: El átomo de oxígeno reacciona con la molécula de oxígeno (lo que
usted respira) en presencia de un catalizador "M" para formar ozono,
O3. ¡La M de catalizador permanece igual (la cuál es la definición de
un catalizador!). La tasa de esta reacción depende de la temperatura en
la atmósfera.
• Reacción 3: El ozono reacciona con NO para producir más NO2 y O2. ¡Estos
productos retroalimentan en reacciones 1 y 2, asegurando así una
constante producción de ozono! La tasa de esta reacción también
depende de la temperatura en la atmósfera.
• Reacción 4: El ozono es degradado (rotura de molécula) por la energía luminosa,
formando una forma cargada de oxígeno atómico, O (1D), y más
oxígeno molecular. Notar que esta reacción procede en una tasa
mucho más lenta que la primera reacción (aproximadamente de uno
cuatro a uno por ciento tan lento!)
• Reacción 5: El oxígeno cargado reacciona con un catalizador regresando a su
condición normal de oxígeno de oxígeno simple (cuál es, a propósito,
venenoso para respirar!)
• Reacción 6: Una parte del oxígeno cargado reacciona con agua en la atmósfera para
formar un radical hidroxilo, OH● . Los radicales son fragmentos de
moléculas que tienen al menos un electrón no apareado, y son
altamente reactivos. El radical de hidroxilo, por ejemplo, es
responsable de la mayoría de las reacciones químicas que ocurren en

la atmósfera durante el día. Otros radicales toman el control durante la

noche cuando no hay energía del sol.
• Reacción 7: El monóxido de carbono en la atmósfera, producido por el quemado de
combustible fósil como autos, reacciona fuertemente con radicales
hidroxilo para formar dióxido de carbono y radicales HO2●.
• Reacción 8: Los radicales HO2● formardos en la Reacción 7 reaccionan con el
NO adicional en la atmósfera para formar más NO2 y más radicale
OH●. La tasa de esta reacción es dependiente de la temperatura en la
atmósfera.
• Reacción 9: Los radicales de hidroxilo reaccionan con NO2 para formar ácido
nítrico, HNO3, el cual eventualmente será uno de los culpables en la
formación de lluvia ácida, pero ese es otro modelo!
Producción de PAN (Peroxiacetilnitrato)
Luz solar
NO2(g) + O2(g) + hidrocarburos ----------> CH3CO-OO-NO2(g)
En resumen: El desarrollo del smog fotoquímico es dependiente de emisiones de la

radiación solar, de la fuente de hidrocarburos y óxidos de nitrógeno, y la estabilidad
atmosférica (por las concentraciones elevadas). Temprano por la mañana, el tráfico
interurbano lanza NO e hidrocarburos. Al mismo tiempo, el NO2 puede decrecer a porque
la luz del sol lo puede destruir a NO y O. El O está luego libre para reaccionar con O2 para
formar O3. Poco tiempo después, los hidrocarburos oxidados reaccionan con NO para
aumentar NO2 a la mitad de la mañana. Esta reacción causa que el NO disminuya y el O3
aumente, produciendo un pico meridiano en O3 y el mínimo en NO. A medida que el smog
madura, la visibilidad puede acortarse debido a la luz esparciéndose por todos lados por
aerosoles. Primordialmente debido a la dependencia en el tráfico interurbano.
Algoritmo: Las matemáticas del SMOG fotoquímico

Podemos considerar el cambio en concentraciones de NO, NO2, y CO con el paso
del tiempo con este sistema de ecuaciones diferenciales de primer orden dado a
continuación, las cuales representan a las reacciones mostradas anteriormente. Por ejemplo,
R1 representa la reacción fotoquímica en la cual la energía ligera golpea una molécula de
NO2 para formar NO y oxígeno atómico:
En las ecuaciones que siguen sustituimos los componentes cinéticos para cada uno
de los valores de R:

En estas ecuaciones, el término "k" se refiere a las constants de velocidad, y son

numeradas siguiendo los números de las reacciones.
Desarrollamos un algoritmo para evaluar la fotooxidación de CO en presencia de
NOx. Las ecuaciones pueden estar derivadas para [NO2], [NO], y [CO], dónde los
corchetes [ ] significa concentración de los especies. Una vez que se desarrolla,
necesitamos integrar estas ecuaciones numéricamente para las condiciones dadas y graficar
[NO2], [NO], [CO], y [O3] en partes por el billón (ppb) como una función del tiempo de t =
0 hasta t = 180 minutos con un paso de tiempo de alrededor de 0.1 min para una solución
estable. La integración de estas ecuaciones diferenciales precisa el uso de algún método
numérico, como el método de Euler o uno de de los varios métodos de Runge-Kutta, como
Runge-Kutta 2 o 4. Como en todos los modelos, comenzamos con algunas condiciones
iniciales y parámetros. Para este modelo, asumiremos una temperatura T de 298 Kelvin.

Como en todos los modelos. Necesitamos algunas condiciones iniciales:
Condiciones iniciales (ppb)

SUPUESTO 1 2 3 4
[NO2]o 10 100 200 1000
[NO]o 10 500 500 500
[CO]o 50 10000 10000 10000
En cada caso asumimos que la constante de velocidad de la fotolisis para NO2 (R1
anterior) is:
kNO2 = 0.533 min-1
Alguna otra información útil para usar:

[H2O] = 0.3x1018 [moleculas/cm3]
[M] = 0.2x1020 [moleculas/cm3]
k5=2.9x10-11 cm3/moleculas-seg
k6=2.2x10-10 cm3/molecule-seg
Factor de conversión: 1 molecula/cm3 = 4.08x10-11 partes por billion (ppb)

Todos los demás valores de k necesarios -- k4, k7, k8, y k9 – pueden ser encontrados en la
tabla de reacciones.
Uso de UNTSIM
Usando el simulador UNTSIM para el primer supuesto tenemos:
Copyright 2006 UNT

MSc. Luis Moncada
All rights reserved
10-Jun-2006
ESTE PROGRAMA CALCULA LA CONCENTRACION DE
GASES QUE FORMAN EL SMOG FOTOQUIMICO
*********************************************************
Conncentración inicial de CO (ppb): 50
Conncentración inicial de NO (ppb): 10
Conncentración inicial de NO2 (ppb): 10
Temperatura (K): 298
Tiempo de simulación (min): 180
-------------------------------------------------
LA LAS CONCENTRACIONES AL CABO DE 180 MINUTOS SON
-------------------------------------------------
COppb : 49.8923 partes por billon
NOppb : 10.3929 partes por billon
NO2ppb: 8.60587 partes por billon
O3ppb : 16.5759 partes por billon
-------------------------------------------------
>>
Y las gráficas:

10
9.5
NO2 ppb
8.5
0 20 40 60 80 100 120 140 160 180
Tiempo (minutos)
50
49.95
CO ppb
49.9
49.85
0 20 40 60 80 100 120 140 160 180
Tiempo (minutos)
10.6
10.4
NO ppb
10.2
10
0 20 40 60 80 100 120 140 160 180
Tiempo (minutos)
22
20
O3 ppb
18
16
0 20 40 60 80 100 120 140 160 180
Tiempo (minutos)
Figura 5.9. Concentraciones de gases formadores de smog fotoquímico en función del

tiempo

CAPITULO
6
OPTIMIZACION DE SISTEMAS
Un modelo ofrece al analista una herramienta que puede manipular en su análisis

del sistema en estudio, sin afectar al sistema en sí.
Lo ideal sería que si el modelo matemático es una representación válida del
rendimiento del sistema, mediante la aplicación de las técnicas analíticas adecuadas, la
solución obtenida a partir del modelo debería ser también la solución para el problema del
sistema. Así, la efectividad de los resultados de la aplicación de cualquier técnica operativa
es en gran medida una función del grado en el cual el modelo representa al sistema en
estudio.
A fin de definir las condiciones que nos conducirán a la solución del problema del
sistema, el analista primero debe identificar un criterio según el cual se podrá medir el
sistema. Este criterio a menudo se denomina medida del rendimiento del sistema o medida
de efectividad. En aplicaciones medioambientales, la medida de efectividad generalmente
es el grado de eliminación de la contaminación.
El modelo matemático que describe el comportamiento de la medida de efectividad
se denomina función objetivo. Si la función objetivo es describir el comportamiento de la
medida de efectividad, debe capturar la relación entre esa medida y aquellas variables que
hacen que dicha medida fluctúe. Las variables del sistema pueden categorizarse en
variables de decisión y parámetros.
Una variable de decisión es una variable que puede ser directamente controlada por
el decisor. También existen algunos parámetros cuyos valores pueden ser inciertos para el
decisor. Esto requiere un análisis de sensibilidad después de descubrir la mejor estrategia.
En la práctica, resulta casi imposible capturar la relación precisa entre todas las variables
del sistema y la medida de efectividad a través de una ecuación matemática. En cambio, el
analista debe tratar de identificar aquellas variables que afectan en mayor grado la medida
de efectividad y luego debe intentar definir de manera lógica la relación matemática entre
estas variables y la medida de efectividad. Esta relación matemática es la función objetivo
que se emplea para evaluar el rendimiento del sistema en estudio.
Todo el proceso de selección y rechazo de variables puede requerir reiteraciones
múltiples hasta desarrollar una función objetivo satisfactoria. Este proceso se denomina
optimización.

6.1 LA PROGRAMACION LINEAL
6.1.1 El problema de la dieta
El problema de la dieta, conocido por este nombre, fue uno de los primeros problemas
sobre optimización, motivado por el deseo del ejercito americano de asegurar unos
requerimientos nutricionales al menor coste. El problema fue analizado y resuelto por
George Stigler usando la programación lineal en 1947.
Vamos a ver un ejemplo muy sencillo de este tipo de problema.
Un medico receta a una de sus pacientes una dieta especial basada en tres productos (arroz,
pescado y verduras frescas) que han de combinarse de manera que cumplan una serie de
requisitos mínimos en cuanto a proteínas y calorías. Estos mínimos se sitúan en 3 unidades
de proteínas y en 4000 calorías.
Los productos que componen la dieta tienen las siguientes unidades por kilogramo: el arroz
contiene 1 unidad de proteína y 2000 calorías, el pescado tiene 3 unidades de proteínas y
3000 calorías y, por ultimo, las verduras frescas poseen 2 unidades de proteínas y 1000
calorías.
a) Si los precios de los tres productos básicos son respectivamente de 55, 125 y 55 pesetas
el kilogramo, ¿ Cuál debe ser la combinación de productos que cubriendo las
necesidades mínimas suponga un menor coste?.
b) Si aumenta el precio del pescado, y este pasa a ser de 140 pesetas. ¿La solución seguirá
siendo optima?. Si la respuesta es negativa, cual será la nueva solución?
c) Si disminuye el precio del pescado, y este pasa a ser de 105 pesetas. ¿La solución
seguirá siendo optima?. Si la respuesta es negativa, cual será la nueva solución?
d) Si el medico recomienda aumentar el numero de calorias por dia, pasando a 4500
calorias diarias. ¿La solución seguirá siendo optima?. Si la respuesta es negativa, cual
será la nueva solución?
Solución
Proteinas Calorias Precio

unidades/kg unidades/kg pesetas/kg
Arroz 1 2000 55
Pescado 3 3000 125
Verduras 2 1000 55
1. Las variables son:

X1: cantidad de arroz
X2: cantidad de pescado
X3: cantidad de verduras
2. La función objetivo es Z:
MINIMIZAR Z = 55X1 + 125X2 + 55X3
3. Las restricciones son:

Calorias
2000X1 + 3000X2 + 1000X3 ≥ 4000
Proteinas
X1 + 3X2 + 2X3 ≥ 3
Debemos cambiar el signo de las restricciones para poder ingresarlas en código Matlab,
con lo cual el enunciado del problema será:
a) Minimizar
Z = 55X1 + 125X2 + 55X3
Sujeta a las restricciones
Calorías
-2000X1 - 3000X2 - 1000X3 ≤ -4000
Proteínas
-X1 - 3X2 - 2X3 ≤ - 3
Uso de UNTSIM
El simulador UNTSM posee una rutina para minimizar una función objetivo, para
ingresar seleccionamos del Menú Principal: Cálculos de Ingeniería Química-
Optimización – Programación lineal
>>
Copyright 2002 UNT
MSc. Luis Moncada
All rights reserved
ESTE PROGRAMA EJECUTA CALCULOS DE PROGRAMACIÓN LINEAL

*****************************************************
Adecue el problema para ejecutarlo con MATLAB
ver Optimización Capítulo 5, Ejemplo 5.6
Ingresar Coeficientes de la función [a; b;.. ]: [55 125 55]
Si existen restricciones ingresar lo que pide el programa
Si no existen escribir simplemente []
RESTRICCIONES DE DESIGUALDAD
Ingresar Matriz de Coeficientes de las restricciones [ ]
: [-2000 -3000 -1000; -1 -3 -2]
Ingresar vector del lado derecho de las restricciones [ ]
: [-4000; -3]
RESTRICCIONES DE IGUALDAD
: []
: []
Limites inferiores de las variables (vector): [0; 0; 0]
Limites superiores de las variables (vector): []
Optimization terminated.
RSPUESTA DEL PROGRAMA

*********************************************

Los valores óptimos de las variables son:
x =
1.6667 <-- kg de arroz
0.0000 <-- kg de pescado
0.6667 <-- kg de verduras
El valor óptimo de la función es:
fval =
128.3333 <-- Costo de la dieta
c) La solución sigue siendo óptima
d) Para este caso la solución es:
x =
fval =
125 <-- Costo de la dieta
e) Para este caso la solución es:

x =
fval =
137.5000 <-- Costo de la dieta
6.1.2 Evaluación de alternativas
La empresa XZT, S.A., se dedica a la pintura de tableros y cajas metálicas

suministrados por otros proveedores-clientes. La propia empresa fabrica sus pinturas, y
en el proceso de pintura que se realiza diariamente, se desprenden una serie de
productos que son contaminantes del medio ambiente.
La empresa dispone de un almacén donde guardar los productos que se pintan
diariamente. El almacén dispone de 2000 metros cuadrados de superficie útil. Todos
los elementos pintados diariamente se retiran al final de la jornada laboral, con lo que
al inicio de la siguiente está disponible la totalidad de la superficie útil.

La pintura de cada tablero desprende 0,02 metros cúbicos de materia

contaminante, mientras que la pintura de cada caja desprende 0,03 m3 de aire
contaminado. La normativa europea aplicable a este tipo de empresas establece un
máximo de emisiones contaminante de 1 m3 diario.
Cada tablero, una vez pintado, ocupa en el almacén un equivalente a 20 m2,
aproximadamente, es decir, incluidos pasillos de acceso y otros. Las cajas una vez
pintadas ocupan un equivalente a 10 m2 (téngase en cuenta que no se pueden apilar
para facilitar el secado de la pintura).
La empresa percibe de los proveedores-clientes por cada tablero pintado 100
dólares, mientras que el precio de las cajas es de 50 dólares.
Con esta información, el gerente de la empresa debe determinar la cantidad de
elementos metálicos (tableros y cajas) que debe pintar diariamente la empresa con el
fin de maximizar los ingresos de la firma.
Además de esto, el gerente de la empresa tiene una oferta verbal del director de
planta de una fábrica adyacente, que estaría dispuesto a cederle una parte de su
almacén a un precio unitario de 0.7 $/m2. ¿ Le interesaría al gerente de la empresa XZT
entrar a negociar una oferta en firme sobre el almacén de la empresa adyacente?.
El Departamento de Medio Ambiente está estudiando una nueva normativa para
restringir los agentes contaminantes del medio ambiente. Ello repercutiría en la
empresa XZT en que el máximo de emisión diaria permitida se situaría en 0.9 m3. Si la
empresa mantiene el actual nivel de emisiones (1 m3) recibiría una sanción de 70
dólares diarios. Ante la entrada en vigor de la nueva normativa: ¿Le interesaría a la
empresa seguir manteniendo el actual nivel de emisiones contaminantes?. ¿Seria
económicamente posible?, en el supuesto de que fuera económicamente factible, ¿Seria
ético?.
Solución
Planteo
Cantidad Precio Almacenamiento Contaminación
Tableros X1 100 20 0.02
Cajas X2 50 10 0.03
1.- Variables:
X1 = Cantidad de tableros (X1 ≥ 0)

X2 = Cantidad de cajas (X2 ≥ 0)
2.- Función objetivo: INGRESOS Z
Maximizar: Z = 100 X1 + 50 X2
3.- Las restricciones son:

Facilidades de almacenamiento
20 X1 + 10 X2 ≤ 2000
Emisiones máximas
0.02 X1 + 0.03 X2 ≤ 1

4.- Enunciado:
Maximizar Z = 100 X1 + 50 X2
20 X1 + 10 X2 ≤ 2000
0.02 X1 + 0.03 X2 ≤ 1
Uso de UNTSIM
El simulador UNTSM posee una rutina para minimizar la función objetivo, por lo que para
usar en maximización debemos cambiar los signos a la función objetivo con lo cual el
enunciado será:
Minimnizar Z = -100 X1 - 50 X2
20 X1 + 10 X2 ≤ 2000
0.02 X1 + 0.03 X2 ≤ 1
X1 ≥ 0
X2 ≥ 0
Para acceder al programa, seleccionamos del Menú Principal: Cálculos de Ingeniería

Química – Optimización – Programación lineal
Copyright 2006 UNT

MSc. Luis Moncada
All rights reserved
ESTE PROGRAMA EJECUTA CALCULOS DE PROGRAMACION LINEAL

*****************************************************
ver Optimización Capitulo 5, Ejemplo 5.6
Ingresar Coeficientes de la función [a; b;.. ]: [-100; -50]
: [20 10; 0.02 0.03]
: [2000; 1]
: []
: []
Limites inferiores de las variables (vector): [0; 0]

*********************************************

x =
50.0000
0.0000
fval =
-5.0000e+003
De la respuesta del programa se tiene que la utilidad máxima satisfaciendo todas las
restricciones se tiene cuando se pintan 50 tableros y 0 cajas.
La Utilidad máxima es 5000,00 (volvemos a cambiar el signo )
6.2 COSTO DE TRATAMIENTO DE EFLUENTES: Contaminación de un rió
Problema. Las descargas de aguas de desecho de las grandes ciudades son con frecuencia,
la causa principal de la contaminación en un rió. La Fig. 1 ilustra el tipo de sistema que un
ingeniero ambiental podría enfrentar. Varias ciudades están localizadas sobre un río y sus
afluentes.
El problema es determinar el nivel de tratamiento que satisfaga los estándares de
calidad del agua a un costo mínimo.
P1 P2
WWTP2 W2
WWTP1 •2
W1
1•
23
P4
13 3
• WWTP4
W3 34
W4
WWTP3 •
4
P3 45
Fig. 6.1 Cuatro plantas de tratamiento de aguas de desecho que descargan contaminantes
a un sistema de ríos. Los segmentos del río entre las ciudades están indicados
con números dentro de un círculo
1. Modelamiento del sistema
Cada ciudad genera contaminación a una razón de carga P que tiene unidades de
miligramos por día (mg/día). La carga contaminante está sujeta al tratamiento de desechos

que resulten de una remoción fraccional x. Así, la cantidad descargada al río es el exceso
no removido por el tratamiento,
Wi = (1 – xi)Pi (1)
donde
Wi = descarga de desechos desde la ciudad i-ésima.
Pi = generación de contaminantes por la ciudad i (mg/día)
x = fracción de contaminantes removida
Cuando las descargas de desechos entran en la corriente, se mezclan con la

contaminación de las fuentes corriente arriba. Si se supone un mezclado completo en el
punto de descarga, la concentración resultante en el punto de descarga se puede calcular
con un simple balance de masa,
Wi + Qu Cu
ci = (2)
Qi
donde
Qu = flujo (litros/día),
cu = concentración (mg/litro) en el río inmediatamente corriente arriba de la descarga
Qi = flujo corriente abajo del punto de descarga (litro/día).
Después que se establece la concentración en el punto de mezclado, los procesos de

descomposición químicos y biológicos pueden removerse algo de la contaminación cuando
fluye corriente abajo. Para el presente caso, se supone que esta remoción se puede
representar por una simple reducción fraccional R.
Suponiendo que los cabezales de agua (por ejemplo las ciudades 1 y 2 en el río
mostrado antes) están libres de contaminantes, las concentraciones en los cuatro nodos se
pueden calcular como:
(1 − x1 ) P1
c1 =
Q13
(1 − x 2 ) P2
c2 =
Q23
(3)
R13 Q13 c1 + R23 Q23 c 2 + (1 − x 3 ) P3
c3 =
Q34
R34Q34 c3 + (1 − x4 ) P4
c4 =
Q45
Después se observa que el tratamiento de aguas tiene un costo diferente, di

($1 000/mg removido) en cada una de las localidades. Así, el costo total de tratamiento
(sobre una base diaria) se puede calcular como
Z = d1P1x1 + d2P2x2 + d3P3x3 + d4P4x4 (4)

donde
Z = es el costo diario de tratamiento ($ 1 000/día).
La pieza final en la “decisión rompecabezas” involucra regulaciones ambientales.
Para proteger los usos benéficos del río (por ejemplo, paseos en bote, pesca, tomar un
baño), las regulaciones indican que la concentración del río no debe exceder un estándar de
calidad cs.
En la tabla 1. se resumen los parámetros para el sistema del río de la Fig. 1. Advierta
que hay una diferencia en los costos de tratamiento entre las ciudades corriente arriba (1 y
2) y corriente abajo (3 y 4) por la naturaleza impredecible de las plantas corriente abajo.
La concentración se puede calcular con la ecuación (3) y el resultado se enlista en la
columna sombreada para el caso donde no se implementó tratamiento de aguas (es decir,
donde todas las x = 0). Observe que el estándar de 20 mg/litro se viola en todos los puntos
de mezclado.
Tabla 1. Parámetros para las cuatro plantas de tratamiento de aguas de desecho que
descargan contaminantes a un sistema de ríos, junto con los resultados de
concentración (ci) para tratamiento cero. También se enlista el flujo, el factor de
remoción y los estándares para los segmentos del río
Ciudad Pi(mg/día) di($10-6/mg) ci(mg/litro) Segmento Q(litros/día) R cs(mg/litro)

9
1 1.0x10 2 100 1–3 1.00x107 0.50 20
2 2.0x109 2 40 2–3 5.00x107 0.35 20
3 4.0x109 4 47.3 3–4 1.10x108 0.60 20
4 2.5x109 4 22.5 4–5 2.50x108 20
2. Simulación (resolución del modelo)
Hemos optado por usar la programación lineal para determinar los niveles de tratamiento
que satisfacen los estándares de calidad del agua un mínimo costo. También, se evaluará
el impacto al hacer el estándar más restringido debajo de la ciudad 3. esto es, el mismo
caso pero ahora con los estándares para los segmentos 3 – 4 y 4 – 5 disminuidos a 10
mg/litro.
Todos los factores antes mencionados se pueden combinar en el siguiente problema
de programación lineal:
Minimizar: Z = d1P1x1 + d2P2x2 + d3P3x3 + d4P4x4 (5)
Sujeto a las siguientes restricciones:
(1 − x1 ) P1
≤ c S1
Q13
(1 − x 2 ) P2
≤ cS 2
Q23
(6)
R13 Q13 c1 + R23 Q23 c 2 + (1 − x 3 ) P3
≤ cS 3
Q34

R34 Q34 c3 + (1 − x 4 ) P4
≤ cS 4
Q45
0 ≤ x1, x2, x3, x4 ≤ 1 (7)
De esta forma, la función objetivo es minimizar el costo de tratamiento [véase

ecuación (5)] sujeto a la restricción de los estándares de calidad del agua que se deben
satisfacer para todas las partes del sistema [véase ecuaciones(6)]. Además el tratamiento
no debe ser negativo o mayor que el 100 % de remoción [véase ecuación (7)].
El problema se puede resolver por una variedad de paquetes tales como LINDO,
MATLAB, EXCEL, etc.
Reemplazando valores se tiene:
Minimizar: Z = 2.0x109x1 + 4.0x109x2 + 1.6x1010x3 + 1.0x1010x4 (5)
100 - 100 x1 ≤ 20 - 100 x1 ≤ -80

40 - 40 x2 ≤ 20 - 40 x2 ≤ -20
47.2727- 36.3636x3 ≤ 20 - 36.3636x3 ≤ -27.2727
22.4872 -10x4 ≤ 20 -10x4 ≤ -2.4872
0 ≤ x1, x2, x3, x4 ≤ 1
O lo que es lo mismo:
Minimizar: Z = 2.0x1 + 4.0x2 + 16x3 + 10x4 (5)
- 100 x1 ≤ -80
- 40 x2 ≤ -20
- 36.3636x3 ≤ -27.2727
-10x4 ≤ -2.4872
con
0 ≤ x1, x2, x3, x4 ≤ 1
Ciudad Pi(mg/día) di($10-6/mg) ci(mg/litro) Segmento Q(litros/día) R cs(mg/litro)

1 1.0x109 2 100 1–3 1.00x107 0.50 20
2 2.0x109 2 40 2–3 5.00x107 0.35 20
3 4.0x109 4 47.3 3–4 1.10x108 0.60 20
4 2.5x109 4 22.5 4–5 2.50x108 20
>> untsim
Copyright 2002 UNT

MSc. Luis Moncada

All rights reserved
ESTE PROGRAMA EJECUTA CALCULOS DE PROGRAMACION LINEAL

*****************************************************
ver Optimizacion Capitulo 5, Ejemplo 5.6
Ingresar Coeficientes de la funcion [a; b;.. ]: [2; 4; 16;10]
: >> [-100 0 0 0; 0 -40 0 0; 0 0 -36.3636 0; 0 0 0 -10]
: >> [-80; -20; -27.2727; -2.4872]
: []
: []
Limites inferiores de las variables (vector): []

*********************************************
x =
0.8000
0.5000
0.7500
0.2487
El valor optimo de la función es:
fval =
18.0872
El número de iteraciones fue:
output =
iterations: 4
algorithm: 'large-scale: interior point'
cgiterations: 0
message: 'Optimization terminated.'
**********************************************
Hacer análisis de sensibilidad si(1) no(0): 0
De la respuesta del programa se tiene que el costo mínimo de tratamiento satisfaciendo las
restricciones impuestas es de :

Zmin = 18.0872 *(1 000/día) = 18087,2 $/día
Este costo mínimo se consigue cuando las fracciones de remoción son las siguientes:
x1 = 0.8000
x2 = 0.5000
x3 = 0.7500
x4 = 0.2487
Problemas
1. Recientemente los ingenieros químicos se han involucrado en el área conocida como

minimización de desechos. Esto comprende la operación de una planta química de un
modo tal que el impacto sobre el ambiente sean minimizados. Suponga que una
refinería desarrolla un producto, Z1, hecho de dos materias primas X y Y. La
producción de una tonelada métrica del producto involucra 1 tonelada de X y 2,5
toneladas de Y y produce 1 tonelada de un liquido de desecho, W. Los ingenieros
tienen que enfrentar esto con tres formas alternas para el manejo de los desechos:
¾ Producir una tonelada de un producto secundario, Z2, al agregar una tonelada

adicional de X por cada tonelada de W.
¾ Producir una tonelada de otro producto secundario, Z3, al agregar 1 tonelada de Y

por cada tonelada de W.
¾ Tratar los desechos de tal forma que su descarga sea permisible.
Los productos dan utilidades de $2 500, – $50 3 y $200 por tonelada para Z1, Z2 y Z3
respectivamente. Observe que al producir Z2 se obtiene de hecho una pérdida. El costo
del proceso de tratamiento es de $300 por tonelada. Además, la compañía tiene acceso
a un límite de 7 500 y 10 000 toneladas de X y Y durante el periodo de producción.
Determine qué cantidad de productos y desechos se deben crear para maximizar las
utilidades.

CAPITULO
7
MODELOS DE RECICLO
7.1 VALORACION DEL CICLO DE VIDA
7.1.1 Introducción
La valoración del ciclo de vida (LCA) es un acercamiento holístico que analiza las
consecuencias medioambientales asociadas con el ciclo de vida de un proceso o el
producto. Enfoca los flujos de materiales y energía desde la extracción de materias primas
hasta la fabricación del producto y al manejo de residuos. Mediante la aplicación de estas
valoraciones, puede mejorarse la actuación medioambiental de la industria
Allen y Rosselot1 dan un buen resumen sobre este campo de crecimiento rápido, y
los distintos medios de comunicación también se han consagrado a estos asuntos (vea las
referencias). Como fuera indicado por Allen y Rosselot, la LCA consiste de tres
componentes: (1) la valoración del inventario (para las basuras, emisión, los materiales
crudos, y uso de energía), (2) la valoración de impacto medioambiental, y (3) el análisis de
mejora (para reducir el impacto medioambiental). En las condiciones más familiares,
significa (1) hacer un balance de materia y energía en un contexto más grande (el
ambiente biofísico) y (2) buscar modelos para el uso eficaz de los recursos. El libro por
Allen y Rosselot1 ofrece varios ejemplos buenos, por ejemplo, envases de comestibles de
papel versus de polietileno, etc.
Cualquier uso eficaz de los recursos implica producción de material de reciclo por
consiguiente, estamos tratando con una variedad de reciclos en la LCA, y es importante
rastrear los flujos de materiales en la valoración del inventario del ciclo de vida. Es más,
desde la perspectiva ecológica industrial la meta final para el desarrollo sustentable es
cerrar los ciclos de materiales, lo cual permita el reciclo total (por ejemplo, se recicla
100%). Es importante reconocer las implicaciones de tal tendencia sobre los negocios y
las prácticas de diseño. Debe enfatizarse que el material de reciclo no siempre es favorable
para todos los productos y, nuevamente, la LCA proporciona la evaluación apropiada.
La mayoría de las LCA tratan con el aspecto estático de reciclado. Los aspectos
dinámicos de la LCA han recibido pequeña atención hasta no hace poco. La naturaleza del
material reciclado da como resultado lazos positivos de reciclo (retroalimentación). Esto, a
su vez, da una muy única conducta dinámica. La retroalimentación positiva se observa en
muchas disciplinas de ciencia e ingeniería. Los reciclos de material e integración de
energía en los procesos químicos son típicamente ejemplos de retroalimentación positiva.

Recursos naturales
Energía, materiales
Adquisición de materias primas
Ej. minerales, crudo de petróleo,

Las emisiones aéreas, los extracción de madera
residuos sólidos, residuos
líquidos
Manufactura de materiales
Ej Acero delos automóviles en forma de lingotes, madera del mobiliario usado en papel
Ej. pigmentos de minerales, solventes
Las emisiones aéreas, los y plásticos de derivados del petróleo,
residuos sólidos, residuos papel y madera de los árboles
líquidos
Manufactura de productos
RECICLO DE MATERIAL
Ej. cuerpos de automóvil del acero,
Las emisiones aéreas, los
REMANUFACTURA DEPRODUCTO
pinturas de pigmentos y solventes,
residuos sólidos, residuos muebles de madera
líquidos
Ej Papel periódico
Ej Botellas de vidrio recambiadas
RECICLO DE PRODUCTO
Usos del producto
Ej. aplicación de pintado y secado,
Las emisiones aéreas, los manejo de un automóvil
residuos sólidos, residuos
líquidos
Disposición del producto
Ej. residuos de plástico y papel, los

Las emisiones aéreas, los
automóviles dados de baja las latas
residuos sólidos, residuos vacías de pintura, inmobiliario
líquidos desechado
Figura 7.1 Sistema de reciclo típico

Es muy conocido que la dinámica de un sistema de retroalimentación positiva

puede ser drásticamente diferente de la dinámica del sistema original (sin la
retroalimentación). Los objetivos de este trabajo son estudiar la conducta dinámica de
ciclos de vida de producto, en particular el inventario de ciclo de vida, y sus implicaciones
a la ingeniería de procesos del sistema. Se pone énfasis sobre el diseño y operación del
proceso.
7.1.2 Comportamientos dinámicos de ciclos de vida
7.1.2.1 Estructuras de Reciclo

Allen y Rosselot1 establecieron un armazón para la valoración del inventario del
ciclo de vida (LCIA) donde el reciclando puede tener lugar en diferentes etapas de
producción. Como se muestra en la Figura 7.1, dependiendo de los tipos de productos, los
residuos pueden reciclarse para reusarlos producto remanufacturado y/o material
remanufacturado y estos son materias primas a diferentes etapas de manufactura. Entonces,
puede existir más de un lazo de reciclo, y es obvio que todos son lazos de
retroalimentación positivos (por ejemplo adición de material a una etapa anterior del
proceso como resultado de un reciclo). Cuando se disponen de las relaciones de reciclo,
podemos proceder a computar la asociada demanda de energía y la generación de residuos.
Esto es exactamente la esencia de la (LCIA). Sin la pérdida de generalidad, nos
restringimos a un tipo específico de materia prima en la práctica industrial, y se pone
énfasis en el reciclo de tal material.
La Figura. 7.1 generalmente describe el aspecto del estado estacionario de la LCIA
y la conducta dinámica puede ser lejos diferente de lo esperado como resultado de la
retroalimentación positiva. Por motivos de claridad, permítanos tomar un simple ejemplo,
una botella de bebida suave que se recicla al proceso, para ilustrar esto. La Figura. 7.2
muestra un sistema de reciclo de una botella de vidrio (por ejemplo, similar al saco del
papel que recicla Allen y Rosselot1) donde nosotros tenemos solamente un lazo de reciclo
qué regresa a la fabricación del producto. Si 80% de las botellas producidas usan botellas
recicladas y 20% son botellas nuevas, desde la perspectiva del estado estacionario, las
plantas que manejan el material reciclado (por ejemplo, lavando, limpiando, y etiquetando)
y las materias primas (por ejemplo, producción de nuevas botellas) simplemente quedan a
capacidades de 80/20.
Sin embargo, durante el transito, la demanda para ambos materiales puede ser
significativamente diferente al correspondiente al estado estacionario.
7.1.2.2 Dinámica de Reciclo

Los aspectos de la dinámica de la LCA pueden ser bien representados usando el
diagrama de bloques. Es una herramienta estándar de modelamiento como aparece en
muchos libros de control de procesos. Permitámonos de nuevo usar la Figura.7.2 para
ilustrar como se puede incluir la dinámica en los ciclos de vida del producto. En lugar de
mostrar solamente los valores del estado estacionario, pueden ser incluidos elementos
dinámicos simples (por ejemplo sistemas de primer orden, o retardos de primer orden) en
las rutas principal y de reciclo.

Figura 7.2 Reciclo de Botella de vidrio
Considerar un ejemplo de reciclo de producto bien definido; por ejemplo, botellas

de vidrio reusadas como muestra la Figura.2, en donde las botellas para envasar una bebida
provienen de botellas nuevas y de reciclo, el lazo simple de reciclo del producto puede
transformarse en un diagrama de bloques equivalente como muestra la Figura. 7.3, donde
F(s) denota al material fresco (botellas nuevas), R(s) tolerancia para el material de reciclo
(botellas recicladas), P(s) representa al producto (botellas de bebida), y W(s) son los
desechos. Notar que en el análisis de diagrama de bloques normalmente tomamos la
transformada de Laplace de las variables de desviación (por decir desviación de su valor
normal). Por ejemplo, F(s) puede obtenerse de
F(s) = ∠[Fd(t)] = ∠[F(t) – F ] (7.1)
Aquí el operador∠ denota la transformación de Laplace, el superíndice d denota la

variable de desviación y F es el valor nominal de materias primas. La función de
transferencia describe la relación entrada/salida por ejemplo R(s) = GR(s) P(s) como se
muestra en la Figura 7.3. GP(s), GR(s) y GW(s) representan la dinámica de manufactura del
producto, dinámica en el lazo de reciclo y dinámica de generación de desperdicios
respectivamente, se debe dejar claro que la dinámica (GR(s)) en el lazo de reciclo es de
especial importancia.

GR(s)
R(S)
F(S) + + P(S) W(S)

GP(s) GW(s)
GP(s) = Dinámica de manufacture del producto

GR(s) = Dinámica del lazo de reciclo
GW(s) = Dinámica de la generación de residuos.
Figura 7.3 Diagrama de bloques para el sistema de reciclo de producto
Haremos uso de un ejemplo para ilustrar la construcción de las funciones de

transferencia. Una compañía produce 100 000 botellas de bebida gaseosa por mes (en
botellas de vidrio). Si el 80 % de las botellas provienen del reciclo, de un balance de
materiales tenemos P = 106, R = 0.8 x 106, F = 0.2 x 106 y W = 0.2 x 106. Notar, que aquí
asumimos que solamente una fracción despreciable de botellas se pierden durante la etapa
de manufactura. Inmediatamente, también obtenemos la ganancia al estado estacionario
para estas tres funciones de transferencia, las cuales son GP(0) = 1, GR(0) = 0.8 y GW(0) =
0.2. Definiendo la razón de reciclo como:
KR = GR(0) = razón de reciclo (7.2)
Esta es la fracción de producto (botellas) que se reciclan en el sistema. Notar que la

razón de reciclo, KR, falla entre 0 (no hay reciclo) y 1 (reciclo total) y, en este caso,
tenemos KR = 0.8. Es también claro que la ganancia al estado estacionario de la generación
de la dinámica de generación de residuos (GW(s)) es simplemente 1 – KR. Así, tenemos
toda la información para las funciones de transferencia (actualmente toda la información
que necesitamos es la relación de reciclo).
Para un sistema de primer orden, la única información de la dinámica que
necesitamos es la constante de tiempo (τ). Para la dinámica de reciclo (GR(s)), significa
cuanto tiempo demora en recolectar el 63.2 % de botellas de reciclo. Para un producto
dado, esto es a menudo referido como el tiempo del ciclo, es decir, el promedio de tiempo
transcurrido cuando las botellas son recogidas en una fecha específica. Si toma 6 meses
para recolectar el 63.2 % de los materiales reciclados, entonces tenemos la siguiente
función de transferencia para la dinámica en el lazo de reciclo.
KR 0.8
GR(s) = = (7.3)
τs + 1 6 s + 1
La constante de tiempo del ciclo, τ, depende del mecanismo de reciclo, así como de
los incentivos proporcionados. Generalmente esta es la constante de tiempo dominante en
la estructura del reciclo (Figura 7.3). La dinámica de producción es relativamente rápida
comparada a la dinámica de reciclo, debido a que los cambios de producción pueden
hacerse en horas comparado a la constante de tiempo de meses en el reciclo. Por lo tanto es
razonable asumir la siguiente dinámica de producción:

GP(s) = 1 (7.4)
La constante de tiempo (τW) de la dinámica de generación de residuos (GW(s))

generalmente es más pequeña que la del lazo de reciclo.
La función de transferencia puede expresarse como:
1− KR
GW(s) = (7.5)
τW s + 1
Debido a que estamos interesados en los efectos de la dinámica de reciclo sobre el

sistema de producción la influencia de GW sobre el medio ambiente puede no ser explorada
posteriormente. Con los elementos dinámicos correspondientes podemos evaluar
rápidamente la dinámica del reciclo. A partir del diagrama de bloques tenemos:
P(s) = GP(s) (F(s) + R(s)) = GP(s) (F(s) + GR(s) P(s)) (7.6)
Rearreglando la Ecuación. 7.6 tenemos
P(s) = GP(s) F(s) + GR(s) GP(s) P(s)
P(s) – GR(s) GP(s) P(s) = GP(s) F(s)
P(s) [1 – GR(s) GP(s)] = GP(s) F(s)
P(s) G P (s)
= (7.7)
F ( s ) 1 − G P ( s )G R ( s )
Sustituyendo las funciones de transferencia (Ecuaciones. 7.3 y 7.4) en la Ecuación.

7.7, tenemos:
P( s) 1 τs + 1 τs + 1
= = (7.8)
F ( s) 1 − K R τ τs + (1 − K R )
s +1
1− KR
Para un cambio en la unidad de escalón de F(s), se puede escribir un programa

MATLAB para la Ecuación. 7.8 de la siguiente manera:
» ta=0.5;
» kr=0;
» num=[ta, 1];
» den=[ta, (1-kr)];
» step(num,den);
» xlabel ('Años');
» ylabel('P');
En el programa anterior se puede variar KR = 0.5 y KR = 0.9, obteniéndose las

Figuras. 7.4A, 7.4B y 7.4C respectivamente

KR = 0
2
1.5
1
P
0.5
0
0 5 10 15 20
Años
(a)
KR = 0.5
2
1.8
1.6
P
1.4
1.2
1
0 2 t 95 4 6 8 10
Años
(b)

KR = 0.9
10
6
P
2
t95
1
0 5 10 15 20 25 30
Años
(c)
Figura 7.4 Respuestas ante cambio en la demanda
Dos observaciones pueden hacerse inmediatamente:

1. La retroalimentación positiva en el lazo de reciclo hace que la ganancia al estado
estacionario entre el material nuevo (F) y el producto (P) sea grande. Esto indica que
podemos hacer más producto usando menos materias primas. Así como estamos
cerrando el ciclo del material (KR →1) la ganancia al estado estacionario tiende al
infinito (1/(1 – KR)→∞). Ciertamente este es el lado positivo de reciclar, y es
exactamente la esencia de cerrar el ciclo del material como se enfatiza en la ecología
industrial.
2. El reciclo hace que la constante de tiempo entre las materias primas suministradas (F) y
la producción completa (P) sea grande. Esto significa que tendremos una fabricación
de producto lenta como consecuencia de usar materiales reciclados. En otras palabras,
se hace más y más difícil alcanzar la demanda de los consumidores ( tal como un
incremento arbitrario en P). La razón por la cual el proceso de reciclo toma un tiempo
que no puede acelerarse por ningún mecanismo de producción. Es más, como estamos
cerrando el ciclo de (KR → 1), la constante de tiempo tiende al infinito (τ/(1 – KR)
→ ∞) por decir, esto toma un tiempo extremadamente grande para satisfacer la
demanda). Este es el lado negativo del uso de material reciclado que no puede ser
previsto a menos que sea considerado el aspecto dinámico.
Nuevamente haremos uso del ejemplo del material reciclado para ilustrar esto.
Recordando que la constante de tiempo del reciclo es 6 meses (τ = 6). Si estaríamos en
un mundo primitivo donde no se recicla, KR = 0, las materias primas suministradas
pueden inmediatamente satisfacer la demanda del mercado. La Figura. 7.4a muestra
que un incremento en escalón de F es directamente reflejado en la producción (P). Sin
embargo la Fig. 4B indica que si el 50 % de botellas provienen de reciclo, toma casi
27.6 meses en conseguir el 95 % del valor al estado estacionario (t95). Aun, peor,

cuando nos acercamos al cierre del ciclo de material (tal como KR = 0.9 en la Figura.
4C toma casi 15 años para reflejar este cambio ( para alcanzar el 95% del valor al
estado estacionario).
7.1.3. IMPLICACIONES A PROCESOS INDUSTRIALES
Nosotros hemos visto solamente la parte superior e inferior de cerrar el ciclo del
material. Parece bastante obvio el aumento en la utilización de materiales de reciclo lo cual
indica un aumento en KR, lo cual será la norma para muchos procesos industriales en el
futuro. Como pueden las industrias cubrir tal tendencia?. Una posible solución para cubrir
la demanda es usar un inventario extra.
7.1.3.1 Aumento del inventario: Materias primas. Un esquema de producción debe

estar siempre orientado a cubrir la demanda del mercado. En términos del sistema feedback
negativo, en la Figura. 7.3, esto significa que P(s) ha respondido a un cambio arbitrario
instantáneamente. En otras palabras como lo hace el sistema [por ejemplo el suministro de
materias primas F(s)] para que responda a un cambio en escalón de la producción P(s)?.
Esto puede ser derivado directamente del diagrama de bloques. Considerando un aumento
de la unidad de escalón en la demanda, de la Ecuación. 7.8 tenemos:
τ
s +1
1− KR
F(s) = (1 – KR) P( s) =
τs + 1
τ
s +1
1− KR 1 1− KR K τ
(1 – KR ) = + R (7.9)
τs + 1 s s τs + 1
La Ecuación. 7.9 indica que el suministro de materias primas está compuesto por dos
partes: la parte de suministro continuo [tal como (1 – KR)/s] y la parte se suministro por
inventario [tal como KRτ / (τs +1)]. Nosotros podemos averiguar cuanto inventario es
necesario para un incremento en la unidad de escalón de la demanda (por ejemplo un
aumento en una unidad de P). La transformada inversa de Laplace de la parte
correspondiente al inventario en la Ecuación. 7.9 da:
⎛ K Rτ ⎞
F(t) = ∠ ⎝ τs + 1 ⎟⎠ = KR e -t/τ
-1 ⎜
(7.10)
Para las materias primas, el inventario para satisfacer la demanda está dado por:
∞
FI = ∫
0
F (t )dt = KRτ (7.11)
El resultado muestra que para satisfacer los cambios en el mercado, necesitamos un

inventario extra de KRτ para un aumento en la unidad de escalón en P. Debido a que el
flujo al estado estacionario del suministro es 1 – KR, el inventario puede ser expresado en
términos del tiempo.

KR
τF = τ (7.12)
1− KR
Esto muestra que para cada aumento de una unidad de escalón en P, necesitamos un
stock de materias primas para el tiempo de τF con respecto a su valor al estado
estacionario. Para la compañía de gaseosas del ejemplo con KR = 0.8 y τ = 6, a 20 por
ciento de incremento en las ventas, implica que deben hacerse 20 000 botellas más ( ΔP =
0.2 P = 20 000) y esto implica un inventario extra de 96 000 botellas nuevas (FI =
KRτΔP). Debido a que el suministro al estado estacionario de botellas nuevas para este
incremento es solamente de 4000 botellas nuevas [ΔF = (1 – KR)ΔP), esto corresponde a un
inventario de “24 meses” (τF = F1/ΔF = 96 000/4000 = 24) de tal manera que pueda
cubrirse la demanda instantánea del mercado. Es obvio que esto no es práctica común. A
medida que cambia el suministro de materias primas (F) para satisfacer la demanda del
mercado y el reciclo del material (R) va en aumento lento hasta alcanzar el valor al estado
estacionario. Notar también que, para F, la razón del máximo valor al valor final al estado
estacionario es 5 [1/(1 – KR)] lo cual excede lejos a la razón de retorno de la mayoría de
plantas de procesamiento continuo.
7.1.3.2 Incremento de Inventario: Material Reciclado

Una alternativa para satisfacer la demanda del mercado es aumentar el inventario
de material reciclado. Nuevamente el análisis dinámico es una poderosa ayuda. Con
undiagrama de bloques similar a la Figura. 7.3. Si el inventario del material reciclado
[RI(s)] es la única manera para satisfacer la diferencia. Del diagrama de bloques y
asumiendo GP(s) = 1 tenemos
RI(s) = P(s) (1 – GR) – F(s) (7.13)
Para un incremento de P(s) en una unidad de escalón [por ejemplo P(s) = 1/s] y
asumiendo que F(s) permanece con el valor al nuevo estado estacionario [por ejemplo F(s)
= (1 – KR )/s] obtenemos:
K Rτ
RI(s) = (7.14)
τs + 1
De manera similar al caso previo, se usa la transformada inversa de Laplace para

encontrar el inventario para el material reciclado.
RI = KRτ (7.15)
Cuando la Ecuación. 7.15 es comparada con la Ecuación. 7.11 queda completamente

claro que necesitamos un inventario de KRτ para compensar la baja dinámica del reciclo, y
esta es la cantidad total de materiales de proceso sin considerar de donde provengan (por
ejemplo de materias primas o de reciclo de materiales). El análisis muestra como el
inventario en el lazo de reciclo proporciona bastante material de proceso para satisfacer la
demanda del mercado. Nuevamente, el inventario puede ser expresado en términos de del
tiempo de residencia.
τ R = KRτ /KR = τ (7.16)

El resultado muestra que el tiempo de residencia es exactamente el mismo que la

constante de tiempo del reciclo. Esto indica que para un aumento en una unidad de escalón
en P, necesitamos un stock de material reciclado para el tiempo de τ con respecto a su
valor al estado estacionario. Nuevamente para el caso de un 80 % de razón de reciclo (KR =
0.8) y una constante de reciclo de 6 meses, necesitamos tener un inventario de “6 meses”
de manera que pueda cubrirse la demanda instantánea del mercado. El análisis revela
además los flujos de materias primas, material de reciclo, y el producto. La razón del
máximo valor para el procesamiento del material reciclado a su valor al estado
estacionario, es la unidad como muestra. Eso implica que la planta de procesamiento de
material reciclado debe ser operada a una capacidad constante. En otros términos prevemos
pequeños problemas en la razón de retorno para las plantas de procesamiento de material
reciclado.
7.1.3.3 Aumento de Inventario: Materias primas/material reciclado.

Los dos casos previos asumen que las plantas de procesamiento de materiales pueden ser
operadas bajo diferentes razones de materias primas /materias recicladas durante el estado
transitorio. Este puede no ser el caso para algunas industrias. Entonces es razonable asumir
que la razón de materiales utilizados permanece igual para el tiempo considerado. Esto
significa que la razón de materias primas a material reciclado es mantenido a un valor
constante , (1 – KR)/KR. Bajo estas circunstancias cual deberá ser la cantidad de inventario
para ambos tipos de material?. En la dinámica LCA, esto implica que F(s)/[RI(s) + R(s)]
= (1 – KR)/KR . Nuevamente, tanto F(s) como RI(s) pueden ser recalculados asumiendo un
incremento en una unidad de escalón en P(s). Con lo cual tenemos
1 − K R (1 − K R ) K Rτ
F(s) = + (7.17)
s τs + 1
K R K Rτ
RI(s) = (7.18)
τs + 1
Nuevamente, la transformada inversa de Laplace es usada para computar los

inventarios de materias primas y material reciclado, y obtenemos:
FI = (1 – KR)KRτ (7.19)
RI = K R2 τ (7.20)
Probablemente una mejor medida del inventario es el tiempo de residencia.

Dividiendo los inventarios correspondientes por los flujos de material, tenemos:
τF = τR = KR τ (7.21)
La Ecuación 7.21 muestra que los tiempos de residencia para el inventario extra son
el producto de la razón de reciclo y la constante de tiempo del reciclo, y estos son los

mismos para ambos casos. Debido a que la razón de reciclo siempre es menor que 1, para
el extremo, el tiempo de residencia se aproxima a la constante de tiempo del reciclo. Notar
que esto es probablemente lo mas necesario para la mayoría de plantas de procesamiento.
Nuevamente para el ejemplo de reciclo de producto, una razón de reciclo de 80 % y una
constante de tiempo de reciclo de 6 meses, necesitamos tener inventarios de “4,8 meses”
tanto para materias primas como para materiales reciclados, para conseguir satisfacer la
demanda del mercado. El análisis muestra que el flujo de materia prima rebasa su valor al
estado estacionario, mientras que el flujo de material reciclado no alcanza su valor al
estado estacionario. La razón de la demanda máxima al valor final al estado estacionario es
1.8 ( por ejemplo, 1 + KR ) para las materias primas. Para el material reciclado, la demanda
inicial es 80 % de su valor al estado estacionario (por ejemplo KR). Para el procesamiento
de material reciclado la razón de retorno es “1,25”, lo cual es bastante aceptable. Sin
embargo para el suministro de materias primas, la razón alcanzará eventualmente un valor
de “2” cuando nos aproximamos a cerrar el ciclo del material (cuando KR → 1).
Nuevamente este es un límite alto para la mayoría de diseños de ingeniería.
7.1.4. Implicancias de políticas de reciclo
La razón para inventarios extras grandes y/o grandes razones de retorno se debe al
bajo suministro de materiales reciclados (debido a que la velocidad de reciclado depende
del consenso de nuestra sociedad). El problema igualmente se pondrá mas difícil cuando
nos acerquemos a nuestra meta final: cerrando el ciclo del material (cuando KR → 1). Esto
mismo lleva a una práctica muy desfavorable en las industrias de proceso, y
eventualmente, el precio deberá ser pagado por el consumidor. La perdida de inventario
para un incremento en la unidad de escalón en la demanda del mercado, puede ser
expresado analíticamente como “KRτ”. En otras palabras, este inventario adicional es
necesario para proporcionar sensibilidad al sistema de retroalimentación positiva (por
ejemplo respuesta instantánea a cambios en la producción). Es interesante notar que esto es
simplemente el producto de la razón de reciclo (KR) y la constante de tiempo del reciclo
(τ).
Debido a que el reciclo de materiales es siempre una política importante en muchos
gobiernos locales y nacionales, nos anticipamos a un aumento en la cantidad de reciclo
(por ejemplo la fracción de producto reciclado). Desafortunadamente como se ha notado,
esto hace que la dinámica del sistema disminuya y se necesite mayores inventarios en el
futuro. Sin embargo, en este trabajo, damos un hecho menos conocido que la velocidad de
reciclo es también importante, es decir, cuan pronto puso Ud. Las botellas, los periódicos,
etc. en el sistema de reciclo. En particular la constante de tiempo del reciclo, τ, es una
buena medida de la velocidad de reciclado. Acortando la constante de tiempo del reciclo
puede efectivamente aumentar la velocidad de la dinámica del sistema total, y,
subsecuentemente puede aliviar los problemas de inventario. Considerar un producto
industrial como ejemplo de reciclo. Las ventas de la bebida XY en el verano son 2 700
000 botellas/mes con una razón de reciclo de 86,8 %. Normalmente la constante de tiempo
del reciclo es de alrededor de 2,5 meses (τ = 2.5). Para satisfacer un incremento de 20 % en
la demanda, necesitamos, necesitamos 1 200 000 botellas nuevas como inventario
adicional, dado de FI = KRτΔP = (0.868)(2.5)[(0.2)(2 700 000)] = 12 x 106. de otro lado si
el tiempo del ciclo es reducido a 1 mes, el inventario adicional es solamente 40 % de la
figura original, por lo que FI = 4.7 x 105. Este ejemplo muestra claramente la importancia
de la reducción de la constante de tiempo de reciclo en el alivio de los problemas de

retroalimentación positiva. Es mas, hay forma suficiente de mejorar (por ejemplo τ → 0).
Con tal de que con los incentivos, puedan darse políticas de tal manera que podamos
acercarnos al cierre del ciclo del material manteniendo la sensibilidad del mecanismo de
producción.
Nomenclatura
F(t) = Velocidad de consumo de materias primas (crudas) en el dominio del tiempo

F(s) = Transformada de Laplace de la velocidad de consumo de materias primas
F = Valor nominal de la velocidad de consumo de materias primas
GP(s) = Función de transferencia de la dinámica de producción
GR(s) = Función de transferencia de la dinámica de reciclo
GW(s) = Función de transferencia de la dinámica de generación de residuos
KR = Razón de reciclo o ganancia al estado estacionario de GR(s)
KW = Ganancia al estado estacionario de GW(s)
P(t) = Velocidad de producción en el dominio del tiempo
P(s) = Transformada de Laplace de la velocidad de producción
P = Valor nominal de la velocidad de producción
R(t) = Velocidad del material reciclado en el dominio del tiempo
R(s) = Transformada de Laplace de la velocidad de reciclo de material
R = Valor nominal de la velocidad de reciclo de material
RI = Inventario adicional de material reciclado
t95 = Tiempo para alcanzar el 95 % del valor al estado estacionario
W(t) = Velocidad de generación de residuos en el dominio del tiempo
W(s) = Transformada de Laplace de la velocidad de generación de residuos
W = Valor nominal de la velocidad de generación de residuos
Símbolos griegos
τ = Constante de tiempo del reciclo o tiempo de ciclo

τw = constante de tiempo para la generación de residuos

CAPITULO
8
USO DE LOS SIMULADORES
8.1 MODELOS DE CALIDAD DEL AIRE

Los modelos de calidad de aire usan las técnicas numéricas y matemáticas para
simular los procesos físicos y químicos que afectan a los contaminantes y como se
dispersan y reaccionen en la atmósfera. Basado en meteorológicos de entrada e
información de la fuente así como las tasas de emisión y la altura de la fuente, estos
modelos son diseñados para caracterizar contaminantes primarios que son emitidos
directamente en la atmósfera y, en algunos casos, los contaminantes secundarios que se
forman como resultado de reacciones químicas complejas dentro de la atmósfera. Estos
modelos son importantes para nuestro sistema de gestión de calidad de aire porque están
ampliamente usados por agencias que tienen relación con el control de la contaminación
del aire para identificar las contribuciones de la fuente a los problemas de calidad y asistir
en el diseño de estrategias efectivas para reducir los contaminantes dañinos del aire. Por
ejemplo, los modelos de calidad del aire pueden ser usados durante el proceso para
comprobar que una fuente nueva no excederá las normas ambientales de calidad de aire o,
si es necesario, determinan requisitos adicionales apropiados de control. Además, los
modelos de calidad de aire también pueden usarse para predecir concentraciones futuras de
contaminante de fuentes múltiples después de la implementación de un programa regulador
nuevo, para estimar la efectividad del programa en las exposiciones dañinas reductoras
para la humanidad y el ambiente.
Los modelos de calidad de aire más comúnmente usados incluyen lo siguiente:
Modelos de dispersión
Modelos fotoquímicos
Modelos receptores
8.1.1 Modelos de Dispersión

Estos modelos son típicamente usados para estimar la concentración de
contaminantes en receptores de niveles del suelo especificados rodeando una fuente de
emisiones.
Los modelos de dispersión usan formulaciones matemáticas para caracterizar los
procesos atmosféricos que dispersan un contaminante emitido por una fuente. Basado en
datos de emisiones y metereologicos, un modelo de dispersión puede usarse para predecir

concentraciones del receptor seleccionado en posiciones a favor del viento. Estos modelos
de calidad de aire se usan para determinar las regulaciones de conformidad con la
"Nacional Ambient Air Quality Standards" (NAAQS), y otros requisitos reguladores como
la "Nuevo Source Review" (NSR) y "Prevention of Significativas Deterioration" (PSD).
Los principales modelos de dispersión recomendados por la EPA son: AERMOD,
CALCPUFF, BLP, CALINE3, CAL3QHC/CAL3QHCR, CTDMPLUS, y OCD.
8.2 SIMULADORES DE PROCESOS

Los simuladores de procesos facilitan el modelado, la evaluación y la optimización
de procesos integrados en una gran variedad de industrias. La combinación de modelos de
operación manufacturera y ambiental en el mismo paquete faculta al usuario a
concurrentemente diseñar y evaluar el proceso de manufactura y fin de implementar
procesos de tratamiento de efluentes y minimización residual para el control de
contaminación del medio ambiente.
Consecuentemente, pueden ser usados para diseñar y evaluar tecnologías efectivas
para el control de contaminación del medio ambiente de forma que se cumplan con las
normas reguladoras. También pueden usarse para evaluar opciones de minimización de
residuos a través del reciclaje y aprovechamiento en el proceso.
Los simuladores más usados son ASPEN PLUS, CHEMCAD, HYSYS, PRO II,
DESIGN II, SuperPro Designer, etc
Por razones de espacio y tiempo solamente nos ocuparemos de SuperPro Designer.
8.2.1 SuperPro Designer

SuperPro Designer incluye una variedad de modelos de unidad de operaciones para
evaluar el tratamiento y la purificación de aire y corrientes gaseosas en general ,
calculando emisiones de compuestos orgánicos volátiles (VOCs) de operaciones "batch" de
manufactura de productos químicos, así como purificación de agua, y disminución de
vertido de contaminantes sólidos. Para mayor detalle ver el tutorial sobre Simuladores de
Procesos del mismo autor.
Para mayor información sobre el uso de este simulador ver: “Diseño de Plantas
Químicas: Simuladores de Procesos”
Caso de Estudio:
Este caso de diseño modela una secuencia de tres unidades para remover partículas
de sólido (Polvo) y un compuesto orgánico volátil (Acetona) de una corriente de aire con
un flujo volumétrico de alrededor de 8,500 m3/h.
La mayor parte de las partículas grandes son removidas usando un ciclón (CY-
101). Un filtro de manga (BHF-101) se usa para quitar las partículas restantes. La acetona
es capturada usando a un "scrubber". El agua fue seleccionada como el líquido de lavado
porque la acetona es altamente soluble en agua. Un "scrubber" con un diámetro de 1.8 m y
una altura de 5.58 m es requerido para remover 99.95 % de acetona.
Noto que el absorbedor puede estimar eficiencia de extracción si está de moda
Evaluar a Mode y usted especifica sus dimensiones (el diámetro y la altura).

Solución
1. Inicializar el flowsheet usando los tres ítems del menú Tasks: Set Mode of Operation,
Register Components & Mixtures, y si el modo de operación es batch, Recipe
Scheduling Information.
En este caso seleccionamos: Operación continua
2. Construir un flowsheet seleccionando las adecuadas unidades de procedimientos del

menú Unit Procedures. Pasar a Connect Mode para dibujar las corrientes y conectar
las etapas de proceso.
3. Adicionar operaciones, tales como Charge, Agitate, Heat, React, etc. A cada unidad de
procedimiento (esto se aplica a procedimientos batch solamente). La diferentes unidades de
procedimientos tienen diferentes operaciones disponibles para ellas. Después que se han
adicionado las operaciones deseadas, inicializar todas las operaciones y corrientes.
4. Complete el análisis del flowsheet usando los ítems restantes del menú Tasks: Solve M&E
Balances, entrada de datos Stream Classification, Perform Economic Calculations, etc.
Otros análisis pueden ser opcionalmente efectuados.
6. Generar y ver las reportes usando los ítems del menú Reports. Use el menú View par ver
los resultados del análisis y gráficos.
Para un primer análisis podemos ver los reportes de las corriente:

1. Reporte de balance de materiales: Tabla de resumen
Del balance de materiales podemos ver que la corriente S-107 contiene 0.0005 %
de acetona (5 en masa)
De igual manera podemos ver los componentes de las demás corrientes y tomar
acciones sobre el diseño de las unidades de procedimiento para obtener los resultados
deseados.
2. Reporte de impacto ambiental
ENVIRONMENTAL IMPACT REPORT
**** LUMPED ENVIRONMENTAL STREAM PROPERTIES Section *****

====================================================================
STREAM NAME Alimentación S-102 S-104 S-106 S-107
SOURCE INPUT P-1 P-2 INPUT P-3
DESTINATION P-1 OUTPUT OUTPUT P-3 OUTPUT
====================================================================
STREAM PROPERTIES
ACTIVITY U/ml 0.0 0.0 0.0 0.0 0.0

TEMP °C 25.0 25.0 25.0 25.0 25.0
PRES bar 1.0 1.0 1.0 1.0 1.0
TOC mg C/l 7.3 0.0 0.0 0.0 0.0
COD mg O/l 26.0 0.0 0.0 0.0 0.0

ThOD mg O/l 26.0 0.0 0.0 0.0 0.0

BODu mg O/l 23.1 0.0 0.0 0.0 0.0
BOD5 mg O/l 20.8 0.0 0.0 0.0 0.0
TKN mg N/l 0.0 0.0 0.0 0.0 0.0
NH3 mg N/l 0.0 0.0 0.0 0.0 0.0
NO3/NO2 mg N/l 0.0 0.0 0.0 0.0 0.0
TP mg P/l 0.0 0.0 0.0 0.0 0.0
TS mg Slds/l 0.0 0.0 0.0 0.0 0.0
TSS mg Slds/l 0.0 0.0 0.0 0.0 0.0
VSS mg Slds/l 0.0 0.0 0.0 0.0 0.0
DVSS mg Slds/l 0.0 0.0 0.0 0.0 0.0
TDS mg Slds/l 0.0 0.0 0.0 0.0 0.0
VDS mg Slds/l 0.0 0.0 0.0 0.0 0.0
DVDS mg Slds/l 0.0 0.0 0.0 0.0 0.0
DAILY THROUGHPUTS
TOC kg C/d 74400.0 0.0 0.0 0.0 37.2
COD kg O/d 264480.0 0.0 0.0 0.0 132.2
ThOD kg O/d 264480.0 0.0 0.0 0.0 132.2
BODu kg O/d 235387.2 0.0 0.0 0.0 117.7
BOD5 kg O/d 211848.5 0.0 0.0 0.0 105.9
TKN kg N/d 0.0 0.0 0.0 0.0 0.0
NH3 kg N/d 0.0 0.0 0.0 0.0 0.0
NO3/NO2 kg N/d 0.0 0.0 0.0 0.0 0.0
TP kg P/d 0.0 0.0 0.0 0.0 0.0
TS kg Slds/d 0.0 0.0 0.0 0.0 0.0
TSS kg Slds/d 0.0 0.0 0.0 0.0 0.0
VSS kg Slds/d 0.0 0.0 0.0 0.0 0.0
DVSS kg Slds/d 0.0 0.0 0.0 0.0 0.0
TDS kg Slds/d 0.0 0.0 0.0 0.0 0.0
VDS kg Slds/d 0.0 0.0 0.0 0.0 0.0
DVDS kg Slds/d 0.0 0.0 0.0 0.0 0.0
===========================================
STREAM NAME S-108
SOURCE P-3
DESTINATION OUTPUT
===========================================
STREAM PROPERTIES
ACTIVITY U/ml 0.0
TEMP °C 25.0
PRES bar 1.0
TOC mg C/l 6119.5
COD mg O/l 21753.8
ThOD mg O/l 21753.8
BODu mg O/l 19360.9
BOD5 mg O/l 17424.8
TKN mg N/l 0.0
NH3 mg N/l 0.0
NO3/NO2 mg N/l 0.0
TP mg P/l 0.0
TS mg Slds/l 0.0
TSS mg Slds/l 0.0
VSS mg Slds/l 0.0
DVSS mg Slds/l 0.0
TDS mg Slds/l 0.0
VDS mg Slds/l 0.0
DVDS mg Slds/l 0.0
DAILY THROUGHPUTS
TOC kg C/d 74362.8

COD kg O/d 264347.8
ThOD kg O/d 264347.8
BODu kg O/d 235269.5

BOD5 kg O/d 211742.6

TKN kg N/d 0.0
NH3 kg N/d 0.0
NO3/NO2 kg N/d 0.0
TP kg P/d 0.0
TS kg Slds/d 0.0
TSS kg Slds/d 0.0
VSS kg Slds/d 0.0
DVSS kg Slds/d 0.0
TDS kg Slds/d 0.0
VDS kg Slds/d 0.0
DVDS kg Slds/d 0.0
**** OVERALL BALANCE Section ****
ENVIRONMENTAL LOAD (per Hour)

======================================================================
Environmental Property IN OUT (IN-OUT)/IN
(kg/h) (kg/h) (% Reduction)
======================================================================
TOC 3100.000000 3100.000000 0.000000
COD 11020.000000 11020.000000 0.000000
ThOD 11020.000000 11020.000000 0.000000
BODu 9807.800000 9807.800000 0.000000
BOD5 8827.020000 8827.020000 0.000000
TKN 0.000000 0.000000 0.000000
NH3 0.000000 0.000000 0.000000
NO3/NO2 0.000000 0.000000 0.000000
TP 0.000000 0.000000 0.000000
TS 0.000000 0.000000 0.000000
TSS 0.000000 0.000000 0.000000
VSS 0.000000 0.000000 0.000000
DVSS 0.000000 0.000000 0.000000
TDS 0.000000 0.000000 0.000000
VDS 0.000000 0.000000 0.000000
DVDS 0.000000 0.000000 0.000000
CaCO3 0.000000 0.000000 0.000000
======================================================================
ENVIRONMENTAL LOAD (per Year) Hours per Year = 7920.0

======================================================================
Component Name IN OUT (IN-OUT)/IN
(kg/year) (kg/year) (% Reduction)
======================================================================
TOC 24552000.000 24552000.000 0.000
COD 87278400.000 87278400.000 0.000
ThOD 87278400.000 87278400.000 0.000
BODu 77677776.000 77677776.000 0.000
BOD5 69909998.400 69909998.400 0.000
TKN 0.000 0.000 0.000
NH3 0.000 0.000 0.000
NO3/NO2 0.000 0.000 0.000
TP 0.000 0.000 0.000
TSS 0.000 0.000 0.000
VSS 0.000 0.000 0.000
DVSS 0.000 0.000 0.000
TDS 0.000 0.000 0.000
VDS 0.000 0.000 0.000
DVDS 0.000 0.000 0.000
CaCO3 0.000 0.000 0.000
======================================================================
**** COMPONENT FATE Section ****

Component Allocation (Per Hour)

=====================================================================
Component Name TOTAL OUT AS OUT AS OUT AS
IN SOLID WASTE LIQUID WASTE EMISSION
(kg/h) (kg/h) (kg/h) (kg/h)
=====================================================================
Acetone 5000.000000 0.000000 0.000000 0.000000
Dust 5000.000000 0.000000 0.000000 0.000000
Nitrogen 383558.937891 0.000000 0.000000 0.000000
Oxygen 116441.062109 0.000000 0.000000 0.000000
Water 500000.000000 0.000000 0.000000 0.000000
--------------- ------------- ------------ ------------
Plant Totals 1010000.000000 0.000000 0.000000 0.000000
======================================================================
Component Allocation (Per Year) Hours per Year = 7920.0
=====================================================================
Component Name TOTAL OUT AS OUT AS OUT AS
IN SOLID WASTE LIQUID WASTE EMISSION
(kg/yr) (kg/yr) (kg/yr) (kg/yr)
======================================================================
Acetone 39600000.000 0.000 0.000 0.000
Dust 39600000.000 0.000 0.000 0.000
Nitrogen 3037786788.098 0.000 0.000 0.000
Oxygen 922213211.902 0.000 0.000 0.000
Water 3960000000.000 0.000 0.000 0.000
--------------- ------------- ------------ ------------
Plant Totals 7999200000.000 0.000 0.000 0.000
======================================================================
**** SARA 313 CHEMICALS Section ****

======================================================================
Component Name IN OUT AS WASTE (IN-OUT)
(kg/h) (kg/h) (kg/h)
======================================================================
Acetone 5000.000000 0.000000 5000.000000
------------- ------------- -------------
Plant Totals 5000.000000 0.000000 5000.000000
======================================================================

======================================================================
(kg/year) (kg/year) (kg/year)
======================================================================
Acetone 39600000.000 0.000 39600000.000
--------------- ---------------- ----------------
Plant Totals 39600000.000 0.000 39600000.000
======================================================================
**** 33/50 CHEMICALS Section ****

======================================================================
(kg/h) (kg/h) (kg/h)
======================================================================
Dust 5000.000000 0.000000 5000.000000
Water 500000.000000 0.000000 500000.000000
------------- ------------- -------------
Plant Totals 505000.000000 0.000000 505000.000000
======================================================================


========================================================================
(kg/year) (kg/year) (kg/year)
=======================================================================
Dust 39600000.000 0.000 39600000.000
Water 3960000000.000 0.000 3960000000.000
---------------- ---------------- ----------------
Plant Totals 3999600000.000 0.000 3999600000.000
======================================================================
**** SOLID WASTE Section ****
Part 1 : Stream By Stream
======================================================================
Composition Component Flow Annual Comp.Flow
% (kg/h) (kg/year)
-------------- ----------------
Plant Totals 0.000000 0.000
=======================================================================
Part 2 : Component By Component

======================================================================
Stream Component Flow Annual Comp.Flow Prct
(kg/h) (kg/year) %
-------------- -----------------
======================================================================
**** LIQUID WASTE Section ****

======================================================================
% (kg/h) (kg/year)
-------------- -----------------
=======================================================================

======================================================================
(kg/h) (kg/year) %
-------------- -----------------
=====================================================================
**** EMISSIONS Section ****

=====================================================================
% (kg/h) (kg/year)
-------------- ----------------
=====================================================================

======================================================================
(kg/h) (kg/year) %
-------------- -----------------
=======================================================================

**** HAZARDOUS STREAMS Section ****

======================================================================
% (kg/h) (kg/year)
-------------- -----------------
=======================================================================

======================================================================
(kg/h) (kg/year) %
-------------- -----------------
=====================================================================
**** POLLUTION INDICES Section ****

****************************************
* *
* Waste-to-Main-Revenue-Stream Indices *
* *
****************************************
Main Revenue : S-107
Total Waste
------------------- = 0.000
Main Revenue Stream
Solid Waste
------------------- = 0.000
Main Revenue Stream
Liquid Waste
------------------- = 0.000
Main Revenue Stream
Emissions
------------------- = 0.000
Main Revenue Stream
****************************************
* *
* Waste-to-Raw-Materials Indices *
* *
****************************************
Total Waste
--------------- = 0.000
Raw Materials

Solid Waste
--------------- = 0.000
Raw Materials
Liquid Waste
--------------- = 0.000
Raw Materials
Emissions
--------------- = 0.000
Raw Materials
3. Reporte de emisiones. Definiendo a la acetona como COV, tenemos el reporte de

emisiones:
OVERALL PROCESS DATA

=======================================================
Operating Days Per Year = 330.00
=======================================================
Page 1
========================================
Source P-3
Designation C-101
kg/h
CATEGORY Actual Permit
SUB-CATEGORY Maximum Allowable
Total Particulate 0.000 0.227
Biological 0.000 0.000
Radionuclide 0.000 0.000
Cr6 0.000 0.000
Metal 0.000 0.000
Asbestos 0.000 0.000
Dioxin 0.000 0.000
LOC 0.000 0.000
HAP-Particulate 0.000 0.000
Other Particul. 0.000 0.000
Total VOC 2.500 0.000
VCM 0.000 0.000
TVOS 0.000 0.000
EVOS 0.000 0.000
HAP-VOC 0.000 0.000
Other VOC 2.500 0.000
Acid Gases 0.000 0.000
HAP-Acid 0.000 0.000
Acid 0.000 0.000
ETG 0.000 0.000
HAP-Gas 0.000 0.000
Non-HAP 0.000 0.000
CO 0.000 0.000
NOx 0.000 0.000
SO2 0.000 0.000
BASE 0.000 0.000
========================================

Page 2
===========================================
CATEGORY TOTAL ACTUAL FROM
SUB-CATEGORY EXPERIMENT (kg/day)
Total Particulate 0.000
Biological 0.000
Radionuclide 0.000
Cr6 0.000
Metal 0.000
Asbestos 0.000
Dioxin 0.000
LOC 0.000
HAP-Particulate 0.000
Other Particulate 0.000
Total VOC 60.000

VCM 0.000
TVOS 0.000
EVOS 0.000
HAP-VOC 0.000
Other VOC 60.000
Acid Gases 0.000
HAP-Acid 0.000
Acid 0.000
ETG 0.000
HAP-Gas 0.000
Non-HAP 0.000
CO 0.000
NOx 0.000
SO2 0.000
BASE 0.000
===========================================
En este reporte las emisiones estan clasificadas según la EPA y nos indica la
cantidad individual y total de emisiones así como la unidad de procedimientos de la cual
provienen.
BIBLIOGRAFIA
1. Allen, D. T.; Rosselot, K. S. Pollution Prevention for Chemical Processes; Wiley: New
York, 1997.
2. American Institute of Chemical Engineers "Guidelines for Chemical Process

Quantitative Risk Analysis” Nueva York, AL Ch. E., 1989, 585 págs.
3. Batschelet, Edward. 1976. “Introduction to mathematics for life scientists”. 2nd ed.
New York: Springer-Verlag
4. Brown, D. and P. Rothery. 1993. “Models in biology: mathematics, statistics, and

computing”. New York: Wiley.
5. Cartwright, T. J. 1993. “Modeling the world in a spreadsheet”. Baltimore, Md. : John

Hopkins University Press.

6. D.M. Himmeblau and K. Bischoff, “ Process Analysis and Simulation” , Edit. Prentice
Hall, 1972.
7. Doucet, P. and P.B. Sloep. 1992. “Mathematical modeling in the life sciences. Ellis
Horwood series in mathematics and its applications”. New York: E. Horwood.
8. Edelstein-Keshet, Leah. 1988. “Mathematical models in biology. 1st ed”. New York:
McGraw-Hill.
9. Eisen, Martin M. 1988. “Mathematical methods and models in the biological sciences”.
Vol 1. N.J.: Prentice Hall.
10. Eisen, Martin M. 1988. “Mathematical methods and models in the biological sciences”.
Vol 2. N.J.: Prentice Hall.
11. Ford, A. 1999. “Modeling the Environment”. Island Press, Washington, DC. 401pp.
12. Fogler, H.Scott. “Elements of Chemical Reaction Engineering”. 3 rd Ed.

Prentice Hall PTR, Upper Saddle River, NJ, USA, 1999.
13. Gow, Tracy and Pidwirny, Michael. “Photochemical Smog.” October 17, 1996
14. Hoppensteadt, F. C. 1982. “Mathematical methods of population biology”. New York:

Cambridge University Press.
15. Lees, F.P. “Loss Prevention in the Process Industries” Londres, Butterworth & Co.
Ltd., 1980, 2 Vo/s., 1316 págs.
16. Maynard Smith, John, 1982. “Mathematical Ideas in Biology”. Cambridge; New York:
Cambridge University Press.
17. Mazumdar, J. 1989. “An introduction to mathematical physiology and biology”. New
York: Cambridge Univ. Press.
18. Moncada, A.L. "Modelamiento y Simulación de Procesos," U.N.T (2004).
19. N. Amundson, R. Aris, J. Deinfeld and L. Lapidus, Serie “ Mathematical Methods in

Chemical Engineering”, vol 1,2 y 3, Edit. Prentice Hall, 1980.
20. Pagano, R.N. 1990. “Minitab in Understanding statistics in the behavioral sciences”.
West: St. Paul.
21. Pielou, E. C., 1977. “Mathematical ecology”. New York : Wiley.
22. Pielou, E. C., 1969. “An introduction to mathematical ecology”. New York: Wiley-
Interscience.
23. Renshaw, Eric. 1991. “Modelling biological populations in space and time”. New
York: Cambridge University Press.

24. Sax, N. I., “Industrial Pollution” Nueva York, Van Nostrand Reinhold Company,
1974, 702 págs.
25. Vandermeer, J. 1990. Elementary Mathematical Ecology. Kreiger Publishing, Malabar,

FL. 294 pp.
26. Zolman, J.F. 1993. Biostatistics. New York, Oxford University Press.

Modelización Ambiental PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Modelización Ambiental PDF

Cargado por

Copyright:

Formatos disponibles

MSc.

LUIS MONCADA ALBITRES

UNIVERSIDAD NACIONAL DE TRUJILLO

1.1 CONCEPTOS BÁSICOS: SISTEMA Y MODELO

MSc. Luis Moncada Albitres

Figura 1.1. Ciclo observación-representación-corrección en la representación abstracta

1.1.1 Que es un modelo?

MSc. Luis Moncada Albitres

1.2 ELEMENTOS DE UN MODELO

3. Especificación del objeto y alcance del modelo: identificación del problema y

4. Asignación de los elementos modelo que caracterizan el estado del sistema.

5. Descripción matemática de la estructura del modelo. En definitiva, el modelo no es

6. Verificación del modelo, ajuste a las mediciones preliminares de que se dispone y

7. Validación del modelo a partir de nuevas observaciones del sistema y estimación de

MSc. Luis Moncada Albitres

• Variables internas: representan a los componentes internos del sistema.

1.2.1 Variables de estado y externas

En el desarrollo de un modelo, se deberán especificar tanto las variables que

• Variables de estado (internas). Determinan el estado o situación del sistema en un

MSc. Luis Moncada Albitres

1.3 MODELO CONCEPTUAL. DIAGRAMAS DE CONTROL

VARIABLE DE ESTADO A VARIABLE DE ESTADO B

Figura 1.2. Ejemplo de diagrama de control. Interacciones entre variables internas y

Cuando una interacción entre tiene el efecto de producir la transformación de una

MSc. Luis Moncada Albitres

Las interacciones endógenas pueden establecer relaciones unidireccionales (A→B),

1.4 DESCRIPCIÓN MATEMÁTICA DEL SISTEMA

MSc. Luis Moncada Albitres

Si la evaluación de los flujos internos de producción y eliminación de cada variable

M (y + y1) = M (y) + M (y1) (1.3)

M(αy) = αM(y) (1.4)

siendo α un escalar, y e y1 dos vectores de estado y M la aplicación representada por el

1.4.1 Estado estacionario y estabilidad.

MSc. Luis Moncada Albitres

representa un régimen de transición hacia el estado estacionario o de equilibrio a que

1.5 ALGUNAS SUGERENCIAS PARA LA CONSTRUCCIÓN DE

Paso 2 Defina completamente las variables y parámetros que se usarán en el modelo.

En el paso 1, o paso "científico", describimos como creemos que funciona el

MSc. Luis Moncada Albitres

• La resistencia del aire crece al aumentar la velocidad del gato.

MSc. Luis Moncada Albitres

Definición del objeto del

Selección de variables que

Figura 1.3. Etapas en la construcción de modelos matemáticos de sistemas dinámicos.

1.6 VENTAJAS Y RIESGOS DEL EMPLEO DE MODELOS

A lo largo de los anteriores apartados hemos ido describiendo tanto la complejidad

MSc. Luis Moncada Albitres

(modelo)? ¿Qué ventajas aporta el empleo de modelos matemáticos de sistemas naturales

3. Los modelos pueden ser utilizados para la educación y el entrenamiento La

4. Los modelos ayudan al diseño experimental y constituyen una herramienta de

El proceso de modelización sugiere la necesidad de nuevos datos y

MSc. Luis Moncada Albitres

Es frecuente el problema de tener un conjunto de mediciones y desear ajustar los

2.1 DESARROLLO DE ECUACIONES PARA EL CÁLCULO DE

MSc. Luis Moncada Albitres

ε i = y iobs − y iteorica = y iobs − ( a1 x i + a o ) (2.2)

Para el caso particular de n = 4 observaciones, la suma SS del cuadrado de los

SS = (y1 – a1x1 – ao)2 + (y2 – a1x2 – ao)2 +

y las componentes del gradiente (2.4) se obtienen como:

Al igualar a cero las componentes del gradiente y en forma matricial:

[(y1 – a1x1 – a2)(y2 – a1x2 – a2)(y3 – a1x3 – a2)(y4 – a1x4 – a2)]…

MSc. Luis Moncada Albitres

[(y1 – a1x1 – ao)(y2 – a1x2 – ao)(y3 – a1x3 – ao)(y4 – a1x4 – ao)]…