Universidad de Costa Rica

Escuela de Ingeniería Química

Laboratorio de Operaciones por Separación de Fases, IQ–

Tarea Superficies de II Ciclo 2020
0433
respuesta
Nombre: Carné:
Mercedes Días García A82135
Grupo: 1
Monica Morales Carvajal B54801
Felipe Rojas Ugalde B36124
Lenard Zamora Mata B47784

Parte 1 Montaje del diseño de experimentos (15 puntos)

Se desea realizar un diseño de experimentos central compuesto rotacional para encontrar
la región óptima de operación de un reactor que permita aumentar la eficiencia en la
producción de biocrudo a partir de un proceso de licuefacción hidrotérmica utilizando
como materia prima rastrojo de piña, la variable a optimizar es el rendimiento de la
reacción.
Como variables independientes se desea variar el tiempo de reacción y la temperatura de
operación del reactor, se mantienen fijas la presión de operación y la relación biomasa
-agua.
Mediante experimentaciones previas se determinó que el punto central del diseño,
corresponde a una temperatura de 300 °C y un tiempo de 1.5 horas , el factor A se desea
variar en 25°C, mientras que el factor B se desea variar en 0,5 horas.

1. Utilice el código de RStudio para determinar las corridas a realizar y los valores de
lo (-1, 1, -1,414 y 1,414), así como un orden aleatorio en el que se deben realizar
las corridas.
Parte 2 Análisis de la información
A partir de la información suministrada por el programa R Studio se llevo a cabo el diseño
de experimentos y se obtuvieron los siguientes resultados, debido a limitaciones en el
laboratorio no se contaba con disolvente fresco para todas las corridas para lograr la
recuperación del biocrudo, por lo que en algunas corridas se utilizó una porción de
disolvente recuperado de corridas previas utilizando el rotavapor, se desea bloquear las
diferentes porciones del disolvente reutilizado.
x1 x2 block y
1 -1 1 43.4
0 0 1 41.5
-1 -1 2 39.4
0 0 1 35.8
-1 1 1 38.8
1 1 1 31.5
0 1.414 1 19.5
0 -1.414 1 43.4
1.414 0 1 22.4
-1.414 0 2 26.9
 0 0 1 31.5
0 0 1 37.4

Parte 2a Caso sin bloque ( 30 puntos)

2. Resuelva el diseño estadístico utilizando el programa R Studio, considerando la
ausencia del bloque y a partir de los resultados del ANOVA, determine cuáles
efectos e interacciones son significativas para un 90% de confianza y para un 95%
de confianza.

X2 es un efecto significativo para un porcentaje de confianza del 90% y 95% y x2 solo para
un 90% de confianza
3. Para el caso sin bloque, ¿Cuáles son los valores propios o característicos?

Este punto es un punto de silla

4. Presente los gráficos de contorno, ¿qué puede concluir a partir de ellos? Explique
su respuesta
Se llega a valores más altos de y cuando x2 es negativo y x1 está entre 0 y 0,5. Como se
puede observar la gráfica de contorno a color, en el que el contorno de de 45 se
encuentra en esa área.
5. ¿Cuáles son los valores de tiempo y temperatura del punto óptimo calculado por la
superficie estacionaria?
Temperatura= 300+(-2.024665*25)=249.38°C
Tiempo= 1.5+(4.436382*0.5)=3.72h
 6. ¿Cuál es el modelo que representa la superficie estacionaria? ¿Cuál es el valor de
rendimiento predicho por el modelo en el punto optimo calculado por la superficie
estacionaria?

La superficie estacionaria es curva.

Si se toman todos Y=36.54-1.208*x1-5.788*x2-2.825*x1*x2-
3.393*((x1)^2)+0.007*((x2)^2). Con el que el rendimiento óptimo predicho es de 24.91
Como sólo x2 es significativo: Y=36.54-5.788*x2=15.008
El rendimiento óptimo predicho es de 10.86
Parte 2b Caso sin bloque (30 puntos)
7. Resuelva el diseño estadístico utilizando el programa R Studio, considerando la
presencia del bloque y a partir de los resultados del ANOVA, determine cuáles
efectos e interacciones son significativas para un 90% de confianza y para un 95%
de confianza.

Solo el intercepto es significativo para 95% de confianza, x2 es significativo para un

90% de confianza.
8. Para el caso con bloque ¿Cuáles son los valores propios o característicos?
 Los valores propios son 𝜆=1.294366 y 𝜆=-0.402270, al ser un punto negativo y otro
positivo es un punto de silla

9. Presente los gráficos de contorno, ¿qué puede concluir a partir de ellos? Explique
su respuesta
Nuevamente e llega a valores más altos de y cuando x2 es negativo pero en este caso
x1 está entre -1 y -1,5. Como se puede observar la gráfica de contorno a color, en el
que el contorno de de 50 se encuentra en esa área naranja/roja.

10. ¿Cuáles son los valores de tiempo y temperatura del punto óptimo calculado por la
superficie estacionaria?
T= T0+x1*DeltaT = 300+5.481723*25 = 437.043075°C
t0+x2*Deltat= 0+0.5*(-2.292190) = -1.146095 horas
11. ¿Cuál es el modelo que representa la superficie estacionaria? ¿Cuál es el valor de
rendimiento predicho por el modelo en el punto óptimo calculado por la superficie
estacionaria?
La superficie estacionaria es plana.

Para todos Y=36.55-6.37*x1-

7.294*x2+1.45*x1*x2+0.885*((x1)^2)+0.007*((x2)^2)=165575.55
Pero solo x2 es significativo por lo tanto Y=36.55-7.927*x2= 45.6350
Parte 2c Análisis de los resultados obtenidos (25 puntos)
12. Compare ambos resultados ¿Qué puede decir con respecto al bloque del
experimento? Considere el valor R2.
El valor de r^2 mejora al realizar el bloqueo porque al realizar el bloqueo, se obtiene
un mejor r^2, pasando de 0.5495 a 0.6102. Este aumento lo que refleja es que el
ajuste obtenido de los datos para el cálculo con bloqueo es mejor, puesto que refleja
de mejor manera la tendencia real de los datos
13. Qué conclusión obtiene del diseño estadístico, ¿Se obtuvo un valor óptimo para el
rendimiento de biocrudo? ¿Qué recomendaría?
En el análisis con el bloqueo se alcanza un valor óptimo. Se recomienda realizar el
bloqueo ya que aumenta mucho el rendimiento de la reacción de biocrudo, pasando
de Y= 15.008 a Y= 45.63. Además, se recomienda repetir el experimento para asegurar
los resultados.

Código:
#1
DCCD <- ccd(basis = 2, alpha = "rotatable", n0 = 2, randomize = TRUE,
oneblock = TRUE, coding = list(x1 ~ (Temp-300)/25, x2~(tiempo-1.5)/0.5))
DCCD
plot(DCCD[ , c(3:4)], pch = 16)
abline(h = c(1, -1), col = "Black")
abline(v = c(1, -1) , col = "Black")

#2
tareadccd=read.table("E:/UCR/Lab Masa I/Tarea.txt", header = TRUE)
View(tareadccd)
tareadccd$block <- factor(tareadccd$block)
str(tareadccd)
library(rsm)
tareadccd

#a)
rsm.tareadccd <- rsm(y ~ SO(x1, x2), data = tareadccd)
rsm.tareadccd$studres <- rstudent(rsm.tareadccd)
summary(rsm.tareadccd)
contour.lm(rsm.tareadccd, ~x1+x2)
contour.lm(rsm.tareadccd, ~ x1 + x2, image = TRUE, at = canonical(rsm.tareadccd)$xs,
main = "through stationary point")
par(mfrow = c(1,1))
persp(rsm.tareadccd, x2 ~ x1,
zlab = "Rendimiento(%)",
contours = list(z = "bottom", col = "colors"), # posicion y color
at = c(summary(rsm.tareadccd$canonical$xs)),
theta = 120, phi = 10)
#b)
rsm.tareadccdb <- rsm(y ~ block + SO(x1, x2), data = tareadccd)
rsm.tareadccdb$studres <- rstudent(rsm.tareadccd)
summary(rsm.tareadccdb)
contour.lm(rsm.tareadccdb, ~x1+x2)
contour.lm(rsm.tareadccdb, ~ x1 + x2, image = TRUE, at = canonical(rsm.tareadccdb)$xs,
main = "through stationary point")
par(mfrow = c(1,1))
persp(rsm.tareadccdb, x2 ~ x1,
zlab = "Rendimiento(%)",
contours = list(z = "bottom", col = "colors"), # posicion y color
at = c(summary(rsm.tareadccdb$canonical$xs)),
theta = 70, phi = 10)