QUIG 1046

DINÁMICA DE PROCESOS Y
CONTROL

Santiago D. Salas, Ph.D.

Clase 4
Python como herramienta de simulación

• Partamos de un principio:
Las computadores no “hablan” ni
“entienden” nuestro idioma.
Python tiene “Palabras reservadas”.

2
Palabras reservadas

3
Python como herramienta de simulación

• Ejemplo de algoritmo:
1 Mano derecha al frente, mano izquierda al frente.
2 Mano derecha al hombro, mano izquierda al hombro.
3 Mano derecha a la cabeza, mano izquierda a la cabeza.
4 Mano derecha al lado izquierdo de la cadera, mano izquierda
al lado derecho de la cadera.
5 Mano derecha al frente, mano izquierda al frente.
6 Mano derecha al escombro, mano izquierda al escombro.
7 Mano derecha a la cabeza, mano izquierda a la cabeza.
8 Mano derecha al lado izquierdo de la cadera, mano izquierda
al lado derecho de la cadera.
9 Salto pequeño y giro de 90° a la izquierda.
https://www.youtube.com/watch?v=jiOGjn1Ms4w
4
¿Qué es un modelo?

• Modelo se deriva del latín modus, que

significa medida, dimensiones.
• El diccionario científico McGraw-Hill
Dictionary of Scientific and Technical
Writing, lo define:
Es un sistema matemático o físico, que
obedece a ciertas condiciones específicas,
cuyo comportamiento se usa para comprender
un sistema físico, biológico o social al que es
análogo de alguna manera.
5
En nuestro contexto:

Un modelo de proceso es un conjunto de

ecuaciones que nos permite predecir la respuesta
o comportamiento de un sistema químico o físico.

6
¿Por qué los modelos son necesarios?

• Ayudan a entender un problema físico.

• Representan el fenómeno o el mecanismo de
un sistema.
• Es requerido en todas las fases del desarrollo
de un proyecto, incluyendo:

– Diseño de una planta de procesamiento.

– Control de un proceso.
– Optimización de un proceso.

7
Diseño de Procesos

Consideremos una columna de destilación.

• En la ausencia de un modelo:
• Necesitamos construir columnas con diferente
número de platos y diámetro hasta hallar la columna
que cumpla los requerimientos.
• Es tedioso, caro y consume mucho tiempo.
• Con un modelo:
• Diferentes configuraciones pueden ser simuladas.
• Mejor aún: la columna más económica que cumple
con las especificaciones puede ser encontrada
utilizando métodos de optimización.

8
Control de Procesos

• Sistema de control sin un modelo:

• Deberíamos evaluar miles de configuraciones de control
y controladores hasta encontrar la(s) más adecuada.
• Es prácticamente como buscar una aguja en un pajar.
• No es económico y hasta puede ser peligroso durante la
operación.
• Con un modelo:
• Podemos diseñar, verificar y estabilizar el sistema de
control utilizando un modelo.
• Implementar el sistema de control más adecuado que
cumple con los requerimientos.

9
Aplicaciones
• Diseño del proceso
– Estudio de factibilidad y análisis de diseños.
– Asesoría técnica, económica y medio ambiental.
– Análisis paramétrico.
– Optimización estructural y paramétrica.
– Análisis de interacción.
• Control de Procesos
– Examinar estrategias de control regulatorio.
– Análisis de set-point y perturbaciones al sistema.
– Optimizar estrategias de control para operaciones batch o
continuas.
– Diseño del arranque o parada de planta/equipos.

10
Aplicaciones
• Solución de problemas (troubleshooting)
– Identificar las causas por las que sucedió un problema.
– Identificar las causas por las que un proceso se desvió
de sus condiciones en estado estacionario.
• Seguridad
– Detectar operaciones peligrosas y condiciones
peligrosas de operación.
– Evaluación de eventos de alivio accidental.
– Estimación de los efectos de los escenarios de alivio.
• Entrenamiento de un operador
– Arranque y parada de planta.
– Entrenamiento para respuesta de emergencia.

11
 EL MODELADO Y/O
SIMULACIÓN DE UN
PROCESO ES UNA
HERRAMIENTA
FUNDAMENTAL EN
INGENIERÍA QUÍMICA.

12
Objetivos del modelamiento

➢ Al construir un "modelo", es importante tener en

cuenta que todos los "sistemas" reales son
complejos y, por lo tanto, cualquier intento de
construir una descripción exacta de la planta suele
ser un objetivo imposible.

➢ Por lo tanto, los modelos se construyen a diferentes

niveles de detalles dependiendo de su uso
posterior.
Todos los modelos están equivocados pero
algunos son útiles.

13
Considerar:
➢ La complejidad de un modelo debe ser proporcional a la
aplicación definitiva en la que se utilizará.

➢ El modelado implica, de manera inseparable, el

compromiso entre la precisión y la complejidad del
modelo, por una parte, y el costo y el esfuerzo necesarios
para desarrollar el modelo, por otra parte.

➢ El modelado de procesos es tanto un arte como una

ciencia.

➢Se requiere creatividad para hacer

suposiciones simplificadoras que resulten en
un modelo apropiado.

14
Tipos de modelos

• Los tipos de modelos se derivan de varias

fuentes de información:

1) Modelos fenomenológicos o fundamentales

2) Modelos empíricos tipo 1 o caja negra
(Black-Box)
3) Modelos empíricos tipo 2 o caja gris (Grey-
Box)

15
Modelos fenomenológicos o fundamentales

• Utiliza los conceptos de las leyes básicas de física,

química, biología y termodinámica para desarrollar
ecuaciones que describen el comportamiento del
proceso.
Requieren un buen entendimiento de los
fenómenos físicos y químicos que guían al
proceso para construir de manera correcta el
modelo.
• Para procesos químicos el desarrollo de modelos
fundamentales inician con un balance de masa, energía
y de cantidad de movimiento.

16
Modelos Empíricos I (Black-Box)
Se desarrollan mediante la recopilación de datos
durante la operación del proceso y la
construcción o ajuste de una relación
matemática entre las variables del proceso que
pueden explicar los datos observados.

Los modelos que se

basan únicamente
en información
empírica se
consideran modelos
de caja negra.

17
Modelos Empíricos II (Grey-Box)

• Se desarrollan al incorporar conocimiento empírico

en la comprensión fundamental del proceso.
• Un ejemplo puede ser el uso de balances de masa y
energía para desarrollar un modelo de reactor y la
velocidad de la reacción se basará en las
expresiones obtenidas de experimentos de
laboratorio.

Los modelos que combinan conocimientos

fundamentales y empíricos se conocen como
modelos de caja gris.

18
 Clasificación de los modelos

• Existen diferentes clasificaciones de los

modelos/sistemas de acuerdo a ciertas características
distintivas de sus representaciones matemáticas.

• Estas clasificaciones conducen a una variedad de

características que definen grados diferentes de
dificultad, aplicación y resolución.

– Modelos de parámetros concentrados o distribuidos.

– Modelos lineales o no lineales.
– Modelos determinísticos o estocásticos.

19
Parámetros concentrados vs. distribuidos

• Modelos de parámetros concentrados:

son aquellos en los que ignoramos variaciones espaciales

(x, y, z). E.g.:
- Una variable dependiente, como la temperatura, es
uniforme a lo largo del sistema.
- Las únicas variaciones son respecto al tiempo que lleva
a la descripción matemática en términos de
ecuaciones diferenciales ordinarias (ODEs en inglés).

20
Parámetros concentrados vs. distribuidos

• Modelos de parámetros distribuidos:

Son aquellos en los que se tienen en cuenta las

variaciones espaciales (x, y, z). E.g.:
– Las variables dependientes varían de un punto a
otro dentro de un sistema a medida que el tiempo
conduce a su descripción en términos de
ecuaciones diferenciales parciales (PDEs en inglés).

21
Lineal vs. No Lineal

• Modelo lineal: Representa a un sistema mediante

ecuaciones lineales. Una ecuación diferencial es lineal
si sus coeficientes son lineales y no hay interacción
entre variables independientes.

Una ecuación lineal de n variables:

x1, . . . , xn
puede ser expresada en la siguiente forma:
a1*x1 + · · · +an*xn = b

22
Lineal vs. No Lineal

• Modelo no lineal: Representa a sistemas mediante

ecuaciones no lineales. Una ecuación diferencial no es
lineal si sus coeficientes no son lineales o si algunas de
sus variables se multiplican por otras variables.
Una ecuación no lineal de n variables
x1, . . . , xn
puede ser expresada en la siguiente forma:
a1*x1*x2 +· · ·+an * xn = b

23
Modelos determinísticos vs. estocásticos

• Modelos determinísticos: No tienen elementos

aleatorios en su descripción matemática.
– Los valores de las variables y parámetros son
números fijos.
– La solución del modelo matemático conduce a
valores exactos de la respuesta.

24
Modelos determinísticos vs. estocásticos

• Modelos estocásticos: Admite elementos que tengan

variaciones aleatorias naturales.
– Descrito por distribuciones de probabilidad.

25
Clasificación de lo modelos

Formulación típica de modelos

especialmente para control de procesos.
No Lineal
Simple, pero no
necesariamente el
mejor

Lineal Distribuido
Determinístico
Concentrados

Estocástico
26
 Modelos en base a
Leyes Fundamentales
- Modelos fenomenológicos.
- Modelos mecanísticos.
El conocimiento del
proceso está contenido
en el modelo del proceso.

Inputs dx
= f ( x, u )
dt

27
Modelos de parámetros concentrados

¿Hay variación
espacial en
el sistema?
Si No

Parámetros distribuidos Parámetros concentrados

(DPS) (LPS)

Problema Problema
Dinámico? Dinámico?
Si No Si No

EDP (PDEs) Ecuaciones Ecuaciones

Parabólicas o EDPs (PDEs) Algebraicas Algebraicas
hiperbólicas Elípticas diferenciales no lineales

28
Modelos de parámetros concentrados

• Ampliamente utilizados en control de

procesos.
• Asumen homogeneidad.
• Las variables de estado no varían
espacialmente.
• Asumen mezcla ideal.

29
Principios de modelado

• Principios de formulación:
– Base.
– Suposiciones.
– Consistencia matemática.
– Solución del modelo.
– Verificación.

30
Bases

• Las bases para los modelos matemáticos son

las leyes fundamentales de física y química,
como:

➢ Ley de conservación de masa.

➢ Ley de conservación de energía.
➢ Ley de conservación de cantidad de movimiento.

31
Suposiciones

• El papel más importante que desempeña el

ingeniero en el modelamiento de procesos es
ejercer su criterio sobre qué supuestos válidos
se pueden hacer, y que suposiciones son
razonables.

“Se requiere un compromiso de ingeniería

entre una descripción rigurosa y obtener
una respuesta que sea lo suficientemente
buena.”

32
Consistencia

Una vez que se han escrito todas las ecuaciones

del modelo matemático, debemos asegurarnos
de que el número de variables sea igual al
número de ecuaciones.

Los grados de libertad del sistema

deben ser cero para obtener una
solución.

33
grados de libertad

F(grados de libertad) = Nv – Ne
Casos:
F < 0, en la práctica no pasa muy seguido. Es posible que
algunos problemas tengan relaciones extra o redundantes
(sistemas sobre determinados). Estos problemas no
tendrán solución hasta reconocer y sacar las relaciones
redundantes.
F = 0, el modelo tiene solución.
F > 0, son sistemas que tienen más variables que
ecuaciones. Se pueden eliminar variables o especificarlas.
34
Solución

Deben tenerse en cuenta las técnicas y

herramientas de solución disponibles a medida
que se desarrolla el modelo matemático.

“Una ecuación imposible de resolver

no vale mucho.”

35
Verificación

• Una parte importante, a menudo descuidada,

del desarrollo de un modelo matemático es
demostrar que el modelo describe el
comportamiento REAL del proceso.

“La validación del modelo se

realiza utilizando datos de la
planta.”

36
Modelos Analíticos

Para caracterizar un sistema de proceso y su

comportamiento, necesitamos:
➢ Un conjunto de variables dependientes
fundamentales cuyos valores describen el estado
natural del sistema.
Variables de Estado

➢ Un conjunto de ecuaciones que describirán cómo

cambia el estado natural del sistema dado con el
tiempo.
Ecuaciones de Estado

37
Modelos de espacio-estado

• Este tipo de modelo muestra explícitamente la

evolución dinámica de las variables de estado
asociadas con el proceso.
El estado de un sistema dinámico es el
conjunto más pequeño de variables (variables
de estado). El conocimiento de estas
variables en t = t0, junto con el conocimiento
de la entrada para t ≥ t0, determina
completamente el comportamiento del
sistema en cualquier momento.

38
Modelos de espacio-estado
dx1
= f1( x1, x2 ,...., xN ; m1, m2 ,....,mK ; d1, d 2 ,....,d L ; a1, a2 ,...,aR )
dt
dx 2
= f2 ( x1, x 2 ,...., xN ; m1, m2 ,....,mK ; d1, d 2 ,....,d L ; a1, a2 ,...,aR )
dt
: Ecuaciones de Estado
dx N
= fN ( x1, x 2 ,...., xN ; m1, m2 ,....,mK ; d1, d 2 ,....,d L ; a1, a2 ,...,aR )
dt
y1 = h1( x1, x 2 ,...., xN ; m1, m2 ,....,mK ; d1, d 2 ,....,d L ; a1, a2 ,...,aR )
y 2 = h2 ( x1, x 2 ,...., xN ; m1, m2 ,....,mK ; d1, d 2 ,....,d L ; a1, a2 ,...,aR )
: Ecuaciones de salida (outputs)
y J = hJ ( x1, x 2 ,...., xN ; m1, m2 ,....,mK ; d1, d 2 ,....,d L ; a1, a2 ,...,aR )

39
 Resumen
1) Debemos indicar los objetivos de modelado y el uso final
del modelo. Los objetivos determinan el nivel requerido
de detalle y la precisión del modelo.
2) Enumerar TODAS las suposiciones que están involucradas
en el desarrollo del modelo. El modelo no debe ser más
complicado de lo necesario para cumplir con los
objetivos de modelado.
3) Se requiere determinar si las variaciones espaciales de las
variables del proceso son importantes. Si es así, se
requerirá un modelo de ecuaciones diferenciales parciales
(PDEs).
4) Escribir las ecuaciones de conservación apropiadas
(masa, componente, energía, etc.).
5) Realice un análisis de grados de libertad para asegurarse
de que las ecuaciones del modelo puedan resolverse.

40