CAPITULO I

INTRODUCCIÓN

La parte más 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 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.
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 está vivo. Cuál de los tres modelos es "mejor" depende de cómo
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 sería 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 más 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).

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:

y vendrá expresada matemáticamente como:

donde:
dy/dt = 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 sí misma.
Matemáticamente un modelo lineal implicaría el cumplimiento de las
condiciones:
M (y + y1) = M (y) + M (y1) (1.3)
M(ay) = aM(y) (1.4)
siendo a 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 el que

En este estado, el sistema estaría representado por la condición:

(1.5)
y la ecuación de estado vendría dada por el lim y(t) , con lo que el modelo
dinámico 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, cuáles 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 límite.
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 álgebra. 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.
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 II
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.

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.

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:

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:

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

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

Las formas anteriores (2.5a) y (2.5b) se pueden escribir en una sola

expresión matricial:
y al transponer (2.6):

Se puede arreglar (2.7) y obtener una forma condensada de la solución

para a1 y ao.

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:

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.

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 –
Estadística – Regresión
 Figura. 2.3. Gráfica de función
ajustada y = 0.8547 x + 0.5084 y las
mediciones, usando el simulador UNTSIM

con lo cual se obtienen los coeficientes del polinomio

0.8547 0.5084
El cual tiene la forma
Cn x^n + Cn-1 x^(n-1) + ... + Co = 0

Y un factor de correlación para el ajuste lineal de , R2= 0.543673 (no es

representativo este modelo)
Así mismo, en el espacio de trabajo se tiene una tabla con el siguiente
resumen:

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

x: valor de x (variable independiente)

y: valor de y (dato)
f: valor ajustado de y
y - f: diferencia entre valor ajustado y valor real

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.
Solución
Uso del Simulador UNTSIM

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

Se tiene un R2 = 0.999538, lo cual demuestra que el modelo es

representativo de los datos

Así mismo, en el espacio de trabajo se tiene una tabla con el siguiente

resumen:

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
>>

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:

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:
 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:
 CAPITULO III
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:

donde:
MWcc = Peso molecular del contaminante en el combustible (lb/lbmol)
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)
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.

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:

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=
26.2500
17.5000 Flujos totales de salida de las
8.7500 Columnas 2 y 3
17.5000
>>
 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:

Flujos 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.

 CAPITULO IV
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.

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

Ecuaciones algebraicas

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

Figura. 4.2 Proyección de la cantidad total de CO2

Además se tiene una tabla con la siguiente información

****************************************************************
***
CANTIDADES DE CO2 EN GIGATONELADAS
----------------------------------------------------------------
---
Año Atmósfera Superficie Fondo
del Biosfera Superficie
Terrestre Océano Terrestre Terrest
re
----- ---------- ---------- ---------- --------- -------
---
0.00 350.00000 700.00 35000.00000 550.00 1200.00
000
1.00 353.81498 759.49 34939.30718 547.27 1201.30
608
2.00 358.55801 816.15 34878.93498 545.33 1202.47
361
3.00 364.48198 870.26 34818.87349 543.40 1203.50
687
5.00 379.40651 971.75 34699.64752 539.62 1205.17
424
 6.00 388.20154 1019.56 34640.46740 537.76 1205.8
1122
7.00 397.76436 1065.65 34581.56661 535.94 1206.3
1955
8.00 408.01522 1110.18 34522.93895 534.15 1206.7
0149
... ... ... ... ... ...
... ... ... ... ... ...
... ... ... ... ... ... 41.00 879
.60916 2208.38 32719.82514 498.08 1169.50089
*******************************************************************
>>
1 Gigatonelada = 1015 gm
1 ton métrica = 1000 kg = 106 gm
 CAPITULO V
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 DISPERSIÓN

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:
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)

b) Fórmula de Holland
Una de las fórmulas más empleadas para el cálculo de esta elevación
para diferentes contaminantes es la de Holland:

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.

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
Dónde:
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

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.
 CAPITULO VI
OPTIMIZACIÓN 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 ejército
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 médico 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 último, 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, cuál 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, cuál será la
nueva solución?
d) Si el medico recomienda aumentar el número de calorías por día, pasando a
4500 calorías diarias. ¿La solución seguirá siendo optima?. Si la respuesta es
negativa, cuál será la nueva solución?

Solución

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:
Calorías
2000X1 + 3000X2 + 1000X3 ≥ 4000
Proteínas
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: Otros- Optimización
 LA RESPUESTA DEL PROGRAMA ES
*********************************************
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

b) La solución sigue siendo óptima

c) Para este caso la solución es:
x=
1.0000 <-- kg de arroz
0.6667 <-- kg de pescado
0.0000 <-- kg de verduras
El valor óptimo de la función es:
fval =
125 <-- Costo de la dieta
d) Para este caso la solución es:
x=
2.0000 <-- kg de arroz
0.0000 <-- kg de pescado
0.5000 <-- kg de verduras

El valor óptimo de la función es:

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?. ¿Sería económicamente posible?, en el
supuesto de que fuera económicamente factible, ¿Seria ético?.
Solución
Planteo

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

Sujeta a las restricciones

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

Sujeta a las restricciones

20 X1 + 10 X2 ≤ 2000
0.02 X1 + 0.03 X2 ≤ 1
X1 ≥ 0
X2 ≥ 0
Para acceder al programa, seleccionamos del Menú Principal: Otros –
Optimización

RSPUESTA DEL PROGRAMA

*********************************************
Los valores óptimos de las variables son:
x1 = 50.0000
x2 = 0.0000
El valor óptimo de la función es: -5000

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 )
 CAPITULO VII
MODELOS DE RECICLO

7.1 VALORACIÓN 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.
 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 tránsito, 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

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.
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 (t). 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.
 La constante de tiempo del ciclo, t, 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 (tW) 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:

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)

Sustituyendo las funciones de transferencia (Ecuaciones. 7.3 y 7.4) en la

Ecuación. 7.7, tenemos:

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
a)

b)
 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 (t/(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
(t = 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).
 CAPITULO VIII
USO DE 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.
2. En este caso seleccionamos: Operación continua
3. 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.

4. 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.
5. 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 ****

ENVIRONMENTAL LOAD (per Hour)
======================================================================
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
======================================================================

ENVIRONMENTAL LOAD (per Year) Hours per Year = 7920.0

======================================================================
Component Name IN OUT AS WASTE (IN-OUT)
(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 ****
ENVIRONMENTAL LOAD (per Hour)
======================================================================
Component Name IN OUT AS WASTE (IN-OUT)
(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
======================================================================
ENVIRONMENTAL LOAD (per Year) Hours per Year = 7920.0
========================================================================
Component Name IN OUT AS WASTE (IN-OUT)
(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) %
-------------- -----------------
Plant Totals 0.000000 0.000
======================================================================
**** LIQUID 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) %
-------------- -----------------
Plant Totals 0.000000 0.000
=====================================================================

**** EMISSIONS 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) %
-------------- -----------------
Plant Totals 0.000000 0.000
=======================================================================
**** HAZARDOUS STREAMS 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) %
-------------- -----------------
Plant Totals 0.000000 0.000
=====================================================================

**** 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.