Documentos de Académico
Documentos de Profesional
Documentos de Cultura
August 2023
Problema 2-53
La fuerza que impulsa el flujo de los fluidos es la diferencia de presión; una bomba
trabaja elevando la presión de un fluido (convirtiendo el trabajo mecánico de su
eje en energı́a de flujo). Se determina que una bomba de gasolina consume 3.8
kW de potencia eléctrica cuando está trabajando. Si la diferencia de presiones
entre la descarga y la succión de la bomba es 7 kPa, y los cambios de velocidad
y altura son despreciables, determine el flujo volumétrico máximo posible de la
gasolina
Resolución
ṁ ∆P ∆V 2
V̇ = Ė = ṁ ∗ e e=( + + g ∗ ∆z)
ρ ρ 2
El ejercicio dice que los cambios de velocidad y altura son despreciables por lo
que entonces la energia que contiene el fluido es solo la energia de flujo
∆P ∆P ρ ∗ Ė
e=( ) Ė = ṁ ∗ ṁ =
ρ ρ ∆P
ρ∗Ė
∆P Ė
V̇ = = (1)
ρ ∆P
Para suponer el mayor flujo volumétrico supodremos que no hay perdida de
potencia por ende Ė sera igual a 3.8kW
˙
3.8kW m3
V̇ = = 0.543
7kP a s
1
Problema 2-64
Las necesidades de vapor de agua en una fábrica se satisfacen con una caldera
cuyo consumo nominal de calor es 5.5∗106 Btu/h. Se determina que la eficiencia
de combus- tión de la caldera es 0.7, mediante un analizador portátil de gases.
Después de ajustar la caldera, la eficiencia de combus- tión sube a 0.8. En un
año, la caldera opera sin interrupciones 4.200 horas. Suponiendo que el costo
unitario de la energı́a es $4.35/10 6 Btu, calcule el ahorro de energı́a y de costos,
por ajustar la combustión de la caldera
Resolución
Output :
Los ahorro de energia fueron : 2.89 e +09
Los ahorro de costos fueron : 12 .5 60 62 50 000 00 01 6
2
Problema 2-65
Reconsidere el problema 2-64. Usando el software EES (u otro), estudie los
efectos del costo unitario de la energı́a y la eficiencia de combustión sobre la
energı́a anual utilizada y los ahorros en costos. Suponga que la eficiencia varı́a
de 0.7 a 0.9 y que el costo unitario varı́a de $4 a $6 por millón de Btu. Grafique
la energı́a anual utilizada y los ahorros en costos contra la eficiencia para precios
unitarios de $4, $5 y $6 por millón de Btu, y explique los resultados
Resolución
from matplotlib import pyplot as plt
import numpy as np
efi = np . arange (0.7 ,0.9 ,0.001)
# energia de anual
eah = ( Cn -( Cn * efi1 / efi ))* hop ;
plt . figure ()
plt . plot ( efi , eah )
plt . grid ( True )
plt . xlabel ( ’ Eficiencia ␣ del ␣ proceso ␣ " n " ␣ ’) ,
plt . ylabel ( ’ Energia ␣ ahorrada ␣ BTU / a ~
n o ’)
Output :
3
pu = np . arange (4 ,6 ,0.2) # precio unitario
# costo de energia
cote = Ahorro_energia * hop * pu /10**6;
plt . figure ()
plt . plot ( pu , cote )
plt . grid ( True )
plt . xlabel ( ’ costo ’) ,
plt . ylabel ( ’ costo ␣ de ␣ energia ␣ ahorrada ’)
plt . title ( ’ grafica ␣ de ␣ T ␣ atm ␣ vs ␣ T ’)
Output :
4
Problema 2-69
En cierta ubicación, el viento sopla constantemente a 7 m/s. Determine la
energı́a mecánica del aire por unidad de masa y el potencial de generación
de potencia de un aerogenerador con hojas de 80 m de diámetro en ese sitio.
También determine la generación efectiva de potencia suponiendo una eficiencia
total de 30 por ciento. Tome la densidad del aire como 1.25 kg/m3
Resolución
import numpy as np
import matplotlib . pyplot as plt
import math
# Datos
hojas = 40 # m de radio
v = 7#m/s
eff = 0.30 # %
densidad_aire = 1.25 # kg / m3
# --------------------------
# La masa del aire tiende a ser despreciable por tanto la energ ı́ a mec á nica
# del aire por unidad de masa se restringe a la energ ı́ a cin é tica por unidad
# de masa
# Potencial de generaci ó n de energ ı́ a es igual a
# densidad x á rea x dX / dt x E = densidad * Pi * radio ^2 * V * E
E = 1/2*( v **2)
P = densidad_aire * math . pi * (( hojas )**2) * v * E
Gen = eff *( P )
print ( " En ␣ la ␣ ubicaci ó n ␣ el ␣ viento ␣ posee ␣ una ␣ energ ı́ a ␣ mec á nica ␣ por ␣ unidad ␣ de
masa ␣ de ␣ {:.2 f }J , ␣ cuya ␣ generaci ó n ␣ de ␣ potencia ␣ con ␣ un ␣ generador ␣ de ␣ hojas ␣ de
80 m ␣ es ␣ {:.2 f } kW , ␣ no ␣ obstante ␣ si ␣ la ␣ eficiencia ␣ del ␣ sistema ␣ es ␣ 30% ␣ es
igual ␣ a ␣ {:.2 f } kW " . format (E , P /1000 , Gen /1000))
Output :
En la ubicaci ó n el viento posee una energ ı́ a mec á nica por unidad de
masa de 24.50 J , cuya generaci ó n de potencia con un generador de hojas de
80 m es 1077.57 kW , no obstante si la eficiencia del sistema es 30% es
igual a 323.27 kW
5
2-70
Reconsidere el problema 2-69. Usando el software EES (u otro), investigue el
efecto de la velocidad del viento y el diámetro de envergadura de hojas sobre la
generación eólica de potencia. Suponga que la velocidad varı́a de 5 a 20 m/s en
incrementos de 54 m/s, y que el diámetro varı́a de 20 a 120 m en incrementos
de 20 m. Tabule los resultados, y explique su importancia
Resolución
import numpy as np
import matplotlib . pyplot as plt
import math
6
# Calculo de potencia
w_dot_max = ( flujoDeMasa * Velocidad **2)/2000 # Conversion ( m ^2/ s ^2 , kJ / kg )
potencia = w_dot_max * eff
# Distribucion de la tabla
tabla_filas = []
for i , diametro_actual in enumerate ( Diametro ):
print ( f " Diametro :{ diametro_actual :.2 f } ␣ m " )
for j , v in enumerate ( Velocidad ):
print ( f " Velocidad :{ Velocidad [ j ]:.2 f }
␣ ␣ ␣ ␣ ␣ ␣ m / s ␣ --->␣ Potencia : ␣ { potencia [i , ␣ j ]:.2 f } ␣ kW " )
print ()
# Grafica
for i , diametro_actual in enumerate ( Diametro ):
plt . plot ( Velocidad , potencia [ i ] ,
label = f ’ Diametro : ␣ { diametro_actual :.2 f } ␣ m ’)
plt . title ( " Relaci ó n ␣ entre ␣ velocidad ␣ y ␣ potencia ␣ para ␣ distintos ␣ di á metros " )
plt . xlabel ( " Velocidad ␣ ( m / s ) " )
plt . ylabel ( " Potencia ␣ [ kW ] " )
plt . grid ()
plt . legend ()
plt . show ()
Output
7
Grafica de ajuste polinomial para factores Z de
diferentes gases
Resolucı́on
Grafica para Tr = 2
import numpy as np
import matplotlib . pyplot as plt
from numpy . polynomial . polynomial import Polynomial
x_data = [
0.087465795 ,0.2055993 ,0.313936822 ,
0.44889578 ,0.678226392 , 0.805760317 ,0.94402096 ,1.199996277 ,
1.446082538 ,1.702057854 ,1.869380689 ,
1.948120847 ,2.194207107 ,2.459955139 ,
2.56829266 ,2.706087936 ,2.961993448 ,3.208079708 ,4.152891793]
y_data = [
0.992434988 ,0.990543735 ,0.984869976 ,0.984869976 ,0.975413712 ,
1.009456265 ,0.971631206 ,0.965957447 ,0.964066194 ,0.958392435 ,0.958392435 ,0
0.956501182 ,0.956501182 ,0.950827423 ,0.950827423 ,0.950827423 ,
0.94893617 , 0.954609929
]
8
# Definir una funci ó n polin ó mica de grado 2
def polynomial_fit (x , a , b , c ):
return a * x **2 + b * x + c
9
Gráficas para Tr = 1.5
# Dataset 2. Polinomica
import numpy as np
from scipy . optimize import curve_fit
import matplotlib . pyplot as plt
# Datos proporcionados
x_data = [
0.215651235 , 0.461853837 , 0.461993448 , 0.688487742 , 0.737933024 ,
0.826492433 , 0.93476015 , 0.935062638 , 1.013779528 , 1.181102362 ,
1.161673275 , 1.26996426 , 1.397847211 , 1.447315761 , 1.545834031 ,
1.693355485 , 1.693588169 , 1.841109622 , 1.811838015 , 1.880642579 ,
1.939907113 , 1.998822621 , 2.107206679 , 2.146786173 , 2.215614006 ,
2.23508963 , 2.510912865 , 2.648638335 , 2.767027792 , 2.924508107 ,
3.081779006 , 3.08201169 , 3.229649485 , 2.402854563 , 2.875528192 ,
3.269252248 , 3.613740437 , 3.396995588 , 3.505030621 , 3.564295155 ,
3.859570745 , 3.987290817 , 3.899243313 , 4.066193853 , 4.331941885 ,
4.332174569 , 4.489119711 , 4.587637981 , 4.980989743 , 5.118947897 ,
5.384323635 , 5.591086354 , 5.758223041
]
y_data = [
0.973522459 , 0.962174941 , 0.950827423 , 0.941371158 , 0.922458629 ,
0.924349882 , 0.924349882 , 0.899763593 , 0.901654846 , 0.901654846 ,
0.880851064 , 0.878959811 , 0.88463357 , 0.863829787 , 0.856264775 ,
0.86572104 , 0.846808511 , 0.856264775 , 0.835460993 , 0.843026005 ,
0.826004728 , 0.837352246 , 0.827895981 , 0.810874704 , 0.816548463 ,
0.83356974 , 0.81465721 , 0.820330969 , 0.797635934 , 0.797635934 ,
0.81465721 , 0.795744681 , 0.795744681 , 0.797635934 , 0.778723404 ,
0.776832151 , 0.776832151 , 0.793853428 , 0.812765957 , 0.795744681 ,
0.795744681 , 0.81465721 , 0.771158392 , 0.80141844 , 0.80141844 ,
0.78250591 , 0.826004728 , 0.818439716 , 0.846808511 , 0.83356974 ,
0.863829787 , 0.858156028 , 0.873286052
]
10
# Crear una l ı́ nea para la gr á fica del ajuste
x_fit = np . linspace ( min ( x_data ) , max ( x_data ) , 100)
y_fit = polynomial_func ( x_fit , a_fit , b_fit , c_fit )
11
Gráfica para Tr = 1.3
# dataset 3. Polinomica
import numpy as np
from scipy . optimize import curve_fit
import matplotlib . pyplot as plt
# Datos proporcionados
x_data = [
0.225586828 , 0.462226131 , 0.462412278 , 0.541198972 , 0.659541892 ,
0.728672214 , 0.856787848 , 0.955189777 , 1.004704864 , 0.955538802 ,
1.103339476 , 1.142895702 , 1.211514119 , 1.241413972 , 1.261331695 ,
1.438310903 , 1.458391504 , 1.527382216 , 1.616104503 , 1.685095214 ,
1.734307813 , 1.82316971 , 1.734610301 , 1.980696562 , 2.098946408 ,
2.099179092 , 2.050059567 , 2.266641537 , 2.345428231 , 2.306267568 ,
2.483200238 , 2.66055174 , 2.74922749 , 2.719886078 , 2.788364885 ,
2.975558906 , 3.083942965 , 3.103814151 , 3.221482288 , 3.251195994 ,
3.349621191 , 3.566040282 , 3.654529886 , 3.644454683 , 3.782668789 ,
3.772500512 , 4.018563504 , 3.999018075 , 4.166108226 , 4.175718062 ,
4.274306137 , 4.353092831 , 4.53975168 , 4.667704436 , 4.824998604 ,
4.962654269 , 5.031528639 , 5.483865714 , 5.611702128 , 5.926337 ,
6.467186947 , 6.889880121
]
y_data = [
0.965957447 , 0.931914894 , 0.91678487 , 0.913002364 , 0.894089835 ,
0.875177305 , 0.861938534 , 0.863829787 , 0.839243499 , 0.835460993 ,
0.822222222 , 0.807092199 , 0.829787234 , 0.799527187 , 0.780614657 ,
0.795744681 , 0.763593381 , 0.756028369 , 0.744680851 , 0.737115839 ,
0.737115839 , 0.714420804 , 0.712529551 , 0.710638298 , 0.69929078 ,
0.680378251 , 0.672813239 , 0.669030733 , 0.665248227 , 0.64822695 ,
0.66713948 , 0.652009456 , 0.644444444 , 0.629314421 , 0.663356974 ,
0.64822695 , 0.638770686 , 0.623640662 , 0.659574468 , 0.644444444 ,
0.644444444 , 0.653900709 , 0.661465721 , 0.680378251 , 0.646335697 ,
0.672813239 , 0.672813239 , 0.661465721 , 0.680378251 , 0.69929078 ,
0.686052009 , 0.682269504 , 0.710638298 , 0.710638298 , 0.725768322 ,
0.737115839 , 0.739007092 , 0.773049645 , 0.78250591 , 0.808983452 ,
0.848699764 , 0.892198582
]
12
# Par á metros del ajuste
a_fit , b_fit , c_fit , d_fit = params
13
Gráfica para Tr = 1.2
# dataset 4. Polinomica
import numpy as np
from scipy . optimize import curve_fit
import matplotlib . pyplot as plt
# Datos proporcionados
x_data = [
0.087675211 , 0.2356853 , 0.294833492 , 0.36401035 , 0.452616295 ,
0.452825711 , 0.561395916 , 0.620637181 , 0.69949368 , 0.729137581 ,
0.847596843 , 0.965869958 , 0.985764412 , 1.064713985 , 1.153436273 ,
1.212444854 , 1.192992498 , 1.212840416 , 1.232665066 , 1.301562704 ,
1.360850505 , 1.469025148 , 1.459368776 , 1.489012677 , 1.45974107 ,
1.558236072 , 1.637115839 , 1.696101152 , 1.745476629 , 1.686607658 ,
1.844367193 , 2.011759833 , 2.179408425 , 2.090895553 , 1.962942797 ,
2.307547328 , 2.464934569 , 2.465330132 , 2.563545913 , 2.66197111 ,
2.819311815 , 3.03596359 , 3.075100985 , 3.163660394 , 3.242377283 ,
3.517688613 , 3.586493178 , 3.655460621 , 3.724241917 , 4.05853856 ,
4.15691722 , 4.324053908 , 4.373243238 , 4.471482288 , 4.687854843 ,
4.845102474 , 5.277824315 , 5.789030361 , 5.995537127 , 6.742707693
]
y_data = [
0.975413712 , 0.945153664 , 0.937588652 , 0.914893617 , 0.913002364 ,
0.895981087 , 0.871394799 , 0.856264775 , 0.846808511 , 0.837352246 ,
0.808983452 , 0.795744681 , 0.778723404 , 0.761702128 , 0.75035461 ,
0.754137116 , 0.735224586 , 0.721985816 , 0.710638298 , 0.710638298 ,
0.691725768 , 0.69929078 , 0.684160757 , 0.674704492 , 0.653900709 ,
0.64822695 , 0.636879433 , 0.642553191 , 0.629314421 , 0.614184397 ,
0.591489362 , 0.585815603 , 0.559338061 , 0.553664303 , 0.553664303 ,
0.544208038 , 0.55177305 , 0.519621749 , 0.536643026 , 0.536643026 ,
0.547990544 , 0.538534279 , 0.557446809 , 0.559338061 , 0.561229314 ,
0.58392435 , 0.591489362 , 0.585815603 , 0.595271868 , 0.623640662 ,
0.627423168 , 0.642553191 , 0.644444444 , 0.659574468 , 0.672813239 ,
0.691725768 , 0.720094563 , 0.769267139 , 0.784397163 , 0.854373522
]
14
# Crear una l ı́ nea para la gr á fica del ajuste
x_fit = np . linspace ( min ( x_data ) , max ( x_data ) , 100)
y_fit = polynomial_func ( x_fit , a_fit , b_fit , c_fit , d_fit , e_fit )
15
Grafica para Tr = 1.1
# dataset 5. Polinomica
import numpy as np
import matplotlib . pyplot as plt
# Datos proporcionados
x_data = [
0.305234452 , 0.087721748 , 0.413734852 , 0.463133598 , 0.492940377 ,
0.56190782 , 0.601580388 , 0.700191731 , 0.720016381 , 0.789169971 ,
0.828633123 , 0.858370097 , 0.878218015 , 0.917704436 , 0.95728393 ,
1.006729212 , 1.065970477 , 1.135054262 , 1.086051079 , 1.145269075 ,
1.20437073 , 1.214422665 , 1.23431712 , 1.254118501 , 1.323179018 ,
1.353032334 , 1.431725954 , 1.363107537 , 1.461602539 , 1.4323542 ,
1.501577595 , 1.580457363 , 1.620060125 , 1.698800283 , 1.777819661 ,
1.846531152 , 1.866448875 , 1.974530444 , 2.063322537 , 2.230505761 ,
2.289467806 , 2.368207963 , 2.427170008 , 2.525478863 , 2.663204334 ,
2.771402245 , 2.790854601 , 2.948288379 , 3.036615104 , 3.361208838 ,
3.567482921 , 3.656019061 , 4.236029672 , 4.38348132 , 5.071736379 ,
5.740213324
]
y_data = [
0.892198582 , 0.971631206 , 0.873286052 , 0.858156028 , 0.835460993 ,
0.829787234 , 0.805200946 , 0.790070922 , 0.778723404 , 0.757919622 ,
0.75035461 , 0.733333333 , 0.720094563 , 0.710638298 , 0.693617021 ,
0.674704492 , 0.659574468 , 0.644444444 , 0.627423168 , 0.614184397 ,
0.610401891 , 0.593380615 , 0.576359338 , 0.566903073 , 0.553664303 ,
0.527186761 , 0.530969267 , 0.508274232 , 0.502600473 , 0.479905437 ,
0.453427896 , 0.442080378 , 0.423167849 , 0.423167849 , 0.400472813 ,
0.415602837 , 0.396690307 , 0.411820331 , 0.394799054 , 0.406146572 ,
0.413711584 , 0.413711584 , 0.421276596 , 0.430732861 , 0.436406619 ,
0.442080378 , 0.460992908 , 0.464775414 , 0.485579196 , 0.502600473 ,
0.536643026 , 0.540425532 , 0.597163121 , 0.612293144 , 0.670921986 ,
0.737115839
]
16
# Crear una l ı́ nea para la gr á fica del ajuste
x_fit = np . linspace ( min ( x_data ) , max ( x_data ) , 100)
y_fit = polynomial_func ( x_fit , a_fit , b_fit , c_fit , d_fit , e_fit , f_fit , g_fi
17
Grafica para Tr = 1.0
# Datos proporcionados
x_data = [
0.1572709 , 0.077949033 , 0.028596824 , 0.206390425 , 0.226424489 ,
0.216465628 ,0.305234452 , 0.256114927 , 0.295647884 , 0.325384859 ,
0.355098565 , 0.39465479 ,0.404660189 , 0.453965861 , 0.463971259 ,
0.562815286 , 0.592575529 , 0.592831481 , 0.612609594 , 0.642253495 ,
0.66214795 , 0.701611102 , 0.731348076 , 0.741330206 ,0.771113717 ,
0.761503881 , 0.820791683 , 0.830843618 , 0.850714804 , 0.860766739 , ←-
0.851226708 , 0.910421437 , 0.890876008 ,
0.950512835 , 0.950838592 , 0.970756315 , 0.961169747 , 0.981273617 ,
0.96184453 , 0.99165131 , 0.972222222 , 0.982320694 ,
0.982530109 , 0.982716256 , 1.041887716 , 0.963333706 , 1.061828708 ,
1.120767484 , 1.179589918 , 1.268172595 , 1.582877273 ,
1.631926993 , 1.6611986 , 1.90700564 ,2.015296625 , 2.083868506 ,
2.34929078 , 2.408043409 , 2.870223004 , 3.057137805 ,
3.037080471 , 3.459657303 , 3.548286517 , 4.010163623 ,
4.167411254 , 4.364168575 ,
5.07171311 , 6.51705106
]
y_data = [
0.918676123 , 0.965957447 , 0.977304965 , 0.926241135 , 0.89787234 ,
0.907328605 ,0.892198582 , 0.88463357 , 0.871394799 , 0.854373522 ,
0.839243499 , 0.824113475 ,0.810874704 , 0.803309693 , 0.790070922 ,
0.756028369 , 0.737115839 , 0.716312057 ,0.708747045 , 0.69929078 ,
0.682269504 , 0.674704492 , 0.657683215 , 0.646335697 ,
0.625531915 , 0.606619385 , 0.587706856 , 0.570685579 , 0.555555556 ,
0.538534279 ,0.513947991 , 0.502600473 , 0.491252955 , 0.443971631 ,
0.41749409 , 0.39858156 ,
0.377777778 , 0.343735225 , 0.322931442 , 0.300236407 , 0.279432624 ,
0.258628842 , 0.241607565 , 0.226477541 , 0.217021277 , 0.201891253 ,
0.196217494 , 0.205673759 ,0.224586288 , 0.224586288 , 0.245390071 ,
0.258628842 , 0.279432624 , 0.300236407 ,
0.298345154 , 0.324822695 , 0.351300236 , 0.375886525 ,
0.409929078 , 0.41749409 ,
0.447754137 , 0.50070922 , 0.496926714 , 0.555555556 , 0.574468085 ,
0.582033097 , 0.672813239 , 0.795744681
]
18
# Calcular la l ı́ nea de tendencia de media m ó vil de periodo 2
window = 2
y_smoothed = np . convolve ( y_data , np . ones ( window )/ window , mode = ’ valid ’)
19
Ensayo sobre cifras significativas
Mateo Mejı́a1 , Ariel Serpa2 , Gabriel Ligardo2 , and Andrés
Miranda1
1
Ingenierı́a Mecatrónica
2
Ingenierı́a Electrónica
August 2023
1
Cabe recalcar de nuevo que estas reglas son nociones generales para el manejo
de estas cifras es muy importante saber la naturaleza de los datos ¿Cómo los
obtuvimos? ¿De dónde los obtuvimos? ¿Para que los obtuvimos? ¿Qué buscamos
analizar con ellos? Son en base a estas preguntas que el investigador o en su
defecto el sujeto que maneja los datos debe aplicar el tratamiento que crea
correcto a estos datos. Sino suceden casos como el siguiente:
2
tasa de error más baja (25 %). Los errores de reporte de cifras significativas son
frecuentes en la investigación médica. Algunas revistas tienen más del 70 %, una
vez ajustados, de sus artı́culos publicados con uno o más tipos de error según
lo definido en este estudio. Desafortunadamente, estos errores son evidentes, ya
que dos observadores tuvieron una concordancia de 90 % para encontrarlos y
muestran una solidez moderada en la prueba kappa de confiabilidad entre ob-
servadores de Cohen. Las desviaciones estándar y los intervalos de confianza son
el tipo de error más frecuente entre revisores y autores.
Referencias
Varela, L.M. (2004). De la medición de magnitudes fı́sicas: unidades, cifras
significativas e incertidumbres de medida. Departamento de Fı́sica de la Mate-
ria Condensada. Facultad de Fı́sica. Universidad de Santiago de Compostela.
E-15782. Santiago de Compostela. España.
American Society for Testing and Materials, Standards for Metric Practice.
ASTM E 380-79