See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/344113702

Ecuación generalizada del número de Nusselt para integrar las analogías de

Reynolds-Colburn, Prandtl y von-Kármán

Conference Paper · March 2020

CITATIONS READS

0 3,334

4 authors:

Andres Adrian Sánchez-Escalona Ever Góngora Leyva

University of Moa Universidad de Moa Dr. Antonio Núñez Jiménez
39 PUBLICATIONS 58 CITATIONS 53 PUBLICATIONS 117 CITATIONS

SEE PROFILE SEE PROFILE

Yoalbys Retirado Mediaceja Yanan Camaraza-Medina

Universidad de Moa Dr. Antonio Núñez Jiménez (UMoa) Universidad de Guanajuato
53 PUBLICATIONS 141 CITATIONS 84 PUBLICATIONS 356 CITATIONS

SEE PROFILE SEE PROFILE

All content following this page was uploaded by Andres Adrian Sánchez-Escalona on 04 September 2020.

The user has requested enhancement of the downloaded file.

X Conferencia Internacional de Aprovechamiento de Recursos Minerales
Taller ELECTROMEC’20 - Temática: Eficiencia y conservación energética
Guardalavaca, Holguín, 7 al 9 de abril de 2020

ECUACIÓN GENERALIZADA DEL NÚMERO DE NUSSELT PARA

INTEGRAR LAS ANALOGÍAS DE REYNOLDS-COLBURN, PRANDTL
Y VON-KÁRMÁN

Andres Adrian Sánchez-Escalona1*, Ever Góngora-Leyva2, Yoalbys

Retirado-Mediaceja2, Yanán Camaraza-Medina3
1
Moa Nickel S.A.-“Pedro Sotto Alba”, Subdirección de Ingeniería
2
Universidad de Moa Dr. Antonio Núñez Jiménez, Centro de Estudio de Energía y Tecnología Avanzada de Moa (CEETAM)
3
Universidad Central de Las Villas, Centro de Estudios Energéticos y Tecnologías Ambientales (CEETA)
* Autor para correspondencia: aescalon@moanickel.com.cu, sanchezescalona88@gmail.com

Resumen: El análisis apropiado de los intercambiadores de calor depende, en

gran medida, de las expresiones seleccionadas para determinar los
coeficientes individuales y global de transferencia de calor. En este contexto, la
investigación tuvo como objetivo proponer una ecuación generalizada del
número de Nusselt para integrar las analogías entre la transferencia de calor y
la cantidad de movimiento enunciadas por Reynolds-Colburn, Prandtl y von-
Kármán. La misma es aplicable para convección forzada en el interior de
tuberías, en régimen de flujo no laminar, sin cambios de fase. La metodología
para ajustar la correlación, basada en Algoritmos Genéticos, se comprobó
frente a seis juegos de datos obtenidos de forma teórica. Las variables
independientes se generaron en los rangos 2, 4 103  Re  5,0 106 ,

0,715  Pr  84 101 y 0, 255   / w  5,077 , mientras que los valores de la

variable dependiente Nu se obtuvieron empleando las correlaciones de Dittus-

Boelter, Sieder & Tate, Prandtl, Petukhov, Gnielinski y von-Kármán. Se logró
aproximar convenientemente la forma funcional y los coeficientes de las
expresiones originales, demostrándose que la nueva ecuación propuesta posee
la capacidad de evolucionar dependiendo de la analogía que mejor describa los
datos experimentales. Al comparar los valores calculados para el número de
Nusselt con los valores de referencia se obtuvieron grados de asociación
superiores al 99,85 % y un error relativo máximo de 8,55 % .

Palabras clave: Algoritmos Genéticos; coeficientes de película; convección;

eficiencia energética; transferencia de calor.
1. INTRODUCCIÓN
Para el diseño, dimensionamiento y la evaluación térmica de los
intercambiadores de calor es necesario determinar de manera confiable el
coeficiente global de transferencia de calor. Cuando no se puede definir
experimentalmente a partir de los flujos másicos y las temperaturas de entrada
y de salida de ambos fluidos, con frecuencia se asumen valores de referencia
publicados en la literatura clásica o se calculan a partir de expresiones
empíricas que cuantifican los coeficientes individuales de transferencia por
convección [1, 2]. En estos casos, el uso de correlaciones inapropiadas o con
amplios márgenes de error puede resultar en sub- o sobre-dimensionamiento
de los equipos, así como conllevar a la estimación incorrecta del factor de
incrustaciones y de la eficiencia del sistema. Por lo tanto, para lograr optimizar
el proceso es imprescindible utilizar ecuaciones del número de Nusselt que
garanticen bajos índices de error [3, 4].
Durante la determinación experimental de correlaciones para caracterizar los
mecanismos de convección forzada en intercambiadores de calor tubulares se
debe seleccionar apropiadamente la analogía que relaciona los procesos de
transferencia de calor y cantidad de movimiento. Ello permite establecer la
forma funcional de la ecuación y juega un papel determinante en la precisión de
los resultados. Esta teoría se sustenta en la posibilidad de describir el flujo de
un fluido mediante las ecuaciones de continuidad, las ecuaciones de Navier-
Stokes y las condiciones de contorno bajo ciertos supuestos, desacoplando la
ecuación de la energía y la ecuación de las especies químicas. El análisis de
estas ecuaciones y las evidencias experimentales demuestran que las dos son
similares, por lo que basta conocer la solución de uno de los procesos para
disponer de la solución del fenómeno análogo [5, 6].
Reynolds fue el primer investigador en percibir las semejanzas en los procesos
de transporte. En 1874 relacionó la transferencia de calor y la cantidad de
movimiento para flujos turbulentos en tuberías circulares rectas [7]. Chilton y
Colburn mejoraron estos postulados en 1934, eludiendo las restricciones Pr  1
y Sc  1 (siendo Pr el número de Prandtl y Sc el número de Schmidt) [8].
Extendieron la solución a sistemas con fricción del fluido, dando lugar a la
analogía conocida como Reynolds-Colburn. La solución de las ecuaciones
planteadas generó, en este caso, correlaciones como la ecuación 1:

- 1 -
Nu  k1  Rek2  Pr k3 (1)

Donde: Nu – número de Nusselt; Re – número de Reynolds; Pr – número de

Prandtl; y ki – coeficientes de ajuste de la correlación.

Aunque las ecuaciones con estructura de monomios en forma de potencia

ofrecen simplicidad de cálculo, introducen incertidumbres en el orden de
 25 % . Por lo general, estas correlaciones no proporcionan buenas
aproximaciones para grandes rangos de datos experimentales [4, 5, 9].
El modelo inicial fue modificado por Prandtl en 1928, al asumir que el flujo
dentro de la capa límite se divide en dos zonas: viscosa y turbulenta. En la
primera zona supone que predominan las difusividades moleculares; mientras
que en la segunda, las difusividades turbulentas [10]. Las correlaciones
derivadas de esta analogía adoptan la forma funcional de la ecuación 2:

 f 
    Re  k4   Pr
Nu   
8
(2)
1  k5 
8
f

 Pr k6  1 
Donde: f – factor de fricción de Darcy-Weisbach.
A pesar de que la solución propuesta por Prandtl ofrece significativas mejoras
en comparación con la analogía de Reynolds, no concuerda con los datos
experimentales para Pr  1 o Sc  1 [6].
Con posterioridad von-Kármán (1939) amplió la analogía de Prandtl, dividiendo
el campo de flujo en tres subcapas: viscosa, de transición y turbulenta. Hizo
suposiciones similares a la de su predecesor sobre las magnitudes relativas de
las difusividades moleculares y turbulentas de calor, y de las variaciones de la
cantidad de movimiento en la subcapa viscosa y en la zona turbulenta,
incorporando además los efectos de la subcapa de transición, considerando
que las difusividades molecular y turbulenta de esta subcapa eran del mismo
orden de magnitud [11]. La correlación del número de Nusselt deducida de esta
analogía quedó representada, de forma genérica, mediante la expresión 3:

k1  Rek2  Pr
Nu  (3)
  5 Pr  1  
1  k5  Re0,1   Pr  1  ln  
  6 

- 2 -
El uso de un modelo basado en tres subcapas hizo la teoría de transferencia de
calor y de masa en flujo turbulento más cercana a las condiciones reales [12].
Sin embargo, Camaraza-Medina [5] explica que la analogía brinda buenos
resultados para Pr  30 , lo cual fue ratificado por Ghiaasiaan [6] al explicar que
las imprecisiones se incrementan progresivamente para valores de Pr y Sc
superiores a 40 . A pesar de sus limitaciones, los trabajos de Reynolds,
Colburn, Prandtl y von-Kármán son referencias obligatorias dentro de contexto
analizado.
En la mayoría de los métodos establecidos para caracterizar la transferencia de
calor por convección forzada en intercambiadores tubulares se tiene que
asumir de antemano la forma funcional de la correlación, sin analizar con rigor
la analogía que mejor describe los datos experimentales. La función
matemática que relaciona al número de Nusselt con los restantes parámetros
adimensionales generalmente se selecciona en base a su simplicidad, forma
compacta y uso común, pero no puede justificarse únicamente de acuerdo con
estos principios. Esta problemática demanda especial atención, ya que puede
limitar la confiabilidad de las estimaciones del coeficiente individual de
transferencia de calor [13, 14].
En consecuencia con lo anterior, el objetivo de la investigación fue proponer
una ecuación generalizada del número de Nusselt para integrar las analogías
entre la transferencia de calor y la cantidad de movimiento enunciadas por
Reynolds-Colburn, Prandtl y von-Kármán, que pueda utilizarse en aplicaciones
de convección forzada en el interior de tuberías, en régimen de flujo no laminar,
sin cambios de fase.
Como principales contribuciones del trabajo se declaran las siguientes:
 Una expresión generalizada que caracteriza el número de Nusselt, con
capacidad de evolucionar hacia tres formas funcionales diferentes derivadas
de las analogías propuestas por Reynolds-Colburn, Prandtl y von-Kármán.
 Una solución integradora, que vincula las principales analogías establecidas
entre la transferencia de calor y la cantidad de movimiento.
 Un enfoque mejorado para determinar los coeficientes de película, basado
en Algoritmos Genéticos, que no necesita asumir de antemano la forma
funcional de la correlación.

- 3 -
2. MATERIALES Y MÉTODOS

2.1. Expresión generalizada que caracteriza el número de Nusselt

La necesidad de unificar los conceptos e integrar las correlaciones empleadas
para describir los mecanismos de transferencia de calor por convección que
tienen lugar en la capa límite motivaron la formulación de una expresión
generalizada que caracteriza al número de Nusselt sin discriminar entre las
analogías de Reynolds-Colburn, Prandtl y von-Kármán, como muestra la
ecuación 4:

 
b b
f 
1 2 (1b1b2 ) (1b1 )
c1     Rec2  b1  b2  c3  Pr d1 m
8   
Nu '  
b1   (4)
   5 Pr  1     w 
0,5 b2
0,1(1b2 )  f 
1  c4  Re    Pr  1  1  b2   ln  6   
d2

 8     

Donde:  – la viscosidad dinámica del fluido a la temperatura media, Pa·s;

 w – viscosidad dinámica del fluido evaluada a la temperatura de la pared,

Pa·s; y m – exponente utilizado para ajuste del factor de corrección de la
viscosidad. Mondal & Field [15] recomendaron la aproximación m  0, 254 para

enfriamiento y m  0,087 para calentamiento, a partir de un análisis teórico de

la capa límite térmica. Su propuesta constituye una actualización de las
soluciones publicadas por Sieder & Tate [16] y Petukhov [17].
En la expresión 4 intervienen ocho parámetros ( b1 , b2 , d1 , d 2 , c1 , c2 , c3 y c4 )

que definen la forma funcional y coeficientes de la correlación del número de

Nusselt. Los dos primeros sólo admiten valores binarios, según las expresiones
4.a y 4.b, y fueron concebidos para identificar el tipo de analogía entre la
transferencia de calor y la cantidad de movimiento que mejor describa los datos
experimentales:

0 para la analogía de Reynolds,

b1   (4.a)
1 para analogías más complejas.

0 para la analogía de von-Kármán,

b2   (4.b)
1 para la analogía de Prandtl.

La segunda pareja de parámetros, definidos por las expresiones 4.c y 4.d,

adquieren valores discretos asociados al exponente del número de Prandtl:

- 4 -
d1  1/ 3; 2 / 5 (4.c)

d2  2 / 3; 1 (4.d)

Los restantes parámetros definen los coeficientes de ajuste de la correlación, y

se diseñaron para admitir valores reales en los intervalos descritos mediante
las expresiones 4.e hasta 4.h. En ellos incide la geometría de la superficie de
intercambio térmico, las condiciones de flujo, los parámetros actuales de
operación del intercambiador de calor, el efecto diferencial de las
incrustaciones y, en el exponente c2 , también influye el número de Prandtl

[9, 18, 19].

0 < c1  1 (4.e)

0 < c2  1 (4.f)

0  c3  1500 (4.g)

0 < c4  20 (4.h)

Para el cálculo del factor de fricción se utilizó la ecuación explícita de Churchill

(1977), según la expresión 5, ya que su rango de aplicación incluye todos los
valores del número de Reynolds y cualquier valor de rugosidad superficial.
Además, la diferencia entre los resultados de aplicar esta expresión y la
ecuación de Colebrook (1939), utilizada para crear el diagrama de Moody, es
inferior al 1 % [20, 21].
1
  16
16  
1,5 12

 
12
 0,9
  
8  7 
f  8      2, 457  ln     0, 27     
 37 530 
   (5)
    
d    Re   
 Re     Re   


En este trabajo el valor de rugosidad relativa (  / d ) se asumió constante

(equivalente a 0,134825 ) con el objetivo de simplificar el diseño experimental.
También se evitó utilizar correlaciones del factor de fricción aplicables
solamente para tubos lisos, debido al uso difundido de tuberías rugosas en
aplicaciones industriales y en determinadas instalaciones experimentales.

- 5 -
2.2. Metodología para ajustar la correlación
La estimación de parámetros para determinar la forma funcional y coeficientes
de la correlación propuesta para el número de Nusselt (ecuación 4) se realizó
mediante Algoritmos Genéticos, por las ventajas que ofrece esta técnica
estocástica de búsqueda y optimización, inspirada en los principios de
selección natural. La solución del problema se realiza imitando los mecanismos
de evolución de las especies mediante estrategias de optimización, a partir de
tres operaciones básicas: selección, cruzamiento y mutación. Como concepto,
un conjunto de individuos (población) cambia de generación en generación,
sufriendo un proceso de evolución y adaptándose cada vez mejor al entorno.
Su analogía matemática consiste en disponer de una función a maximizar o
minimizar y una zona de búsqueda del elemento deseado, de manera que a
cada punto del espacio de búsqueda le corresponde un valor de la función
objetivo y la meta es encontrar el punto que optimice dicha función [22, 23].
En esta investigación se utilizaron funciones desarrolladas en MATLAB®,
versión R2013a. Las opciones y parámetros relacionados con la configuración
del algoritmo se detallan a continuación (tabla 1).

Tabla 1. Configuración del Algoritmo Genético.

Categoría Parámetro Valor
Población Tamaño de la población 1000
Escalamiento Función de escalamiento Rango
Selección Función de selección Estocástica uniforme
Reproducción Elitismo 2
Fracción de cruzamiento 0,5
Mutación Función de mutación Dependiente de restricciones
Cruzamiento Función de cruzamiento Dispersos
Migración Fracción de migración 0,2
Intervalo 20
Restricciones Penalización inicial 10
Factor de penalización 100
Criterios de parada Generaciones 200
Tiempo límite 
Límite de ajuste -
Generaciones recesivas 50
Tiempo de retardo 
-12
Tolerancia de la función 10
-6
Tolerancia de las restricciones 10

La función de adaptación a minimizar consistió en el error relativo máximo,

según la expresión 6, calculado a partir de los valores de referencia y los
teóricos obtenidos para el número de Nusselt.

- 6 -
   n Nui  Nu 'i ( X, Y) 
arg min  max    (6)
X,Y
  i 1 Nui  

Donde: n – tamaño de la muestra; Nu – valor de referencia para la variable

dependiente; Nu ' – valor teórico calculado mediante la ecuación 4, a partir de
los vectores X y Y . El vector X contiene los parámetros a estimar por el
Algoritmo Genético ( b1 , b2 , d1 , d 2 , c1 , c2 , c3 , c4 ), mientras que Y está

constituido por los valores de las variables independientes ( Re, Pr ,  , w , P ).

La eficacia de la solución propuesta se evaluó frente a seis juegos de datos

diferentes, en los cuales los valores de las variables independientes se repiten,
pero varían los del parámetro dependiente debido a que las correlaciones
utilizadas para el cálculo del Nusselt fueron diferentes (remitirse al acápite 2.3).
Además de comparar la similitud matemática de la correlación obtenida con la
correlación inicial, como criterios de evaluación de la calidad de los resultados
se utilizaron el coeficiente de correlación de Pearson y otros índices de error.

2.3. Obtención de los datos teóricos

De forma genérica, las ecuaciones que caracterizan el número de Nusselt para
transferencia de calor por convección forzada en el interior de conductos
tubulares y régimen de flujo no laminar, sin cambios de fase, satisfacen la
expresión 7 [2, 24].

Nu    Re; Pr; d ; L; f ; J   (7)

Donde: d – diámetro interior del tubo, m; L – longitud del tubo, m; y J  – factor

de corrección de la viscosidad, comúnmente calculado mediante la ecuación 8:

m
  
J    (8)
 w 

La expresión 7 puede simplificarse si se tiene en cuenta lo siguiente:

 Temperatura uniforme de la pared del tubo;
 Flujo de calor uniforme a través de la superficie de transferencia;
 Régimen de flujo completamente desarrollado;
 La longitud del tubo es mucho mayor que su diámetro interior ( L d );

- 7 -
 El factor de fricción depende únicamente del número de Reynolds,
asumiendo para tuberías industriales que la rugosidad relativa  / d es
constante en un mismo caso de estudio [20];
 El parámetro J  puede estimarse en función de los valores de viscosidad.

A partir de las consideraciones anteriores se obtuvo la expresión 9, que define

las variables predictoras (independientes) y de respuesta (dependientes)
empleadas para validar el modelo:

Nu    Re; Pr; ; w ; tipo de proceso  (9)

2.3.1. Valores de las variables independientes

Para generar los datos se utilizaron las propiedades termo-físicas de ocho
sustancias químicas comunes, considerando los rangos de las temperaturas de
trabajo que son habituales en procesos térmicos industriales. De este modo,
los valores de referencia para las variables independientes número de Prandtl
( Pr ) y viscosidad dinámica del fluido (  ) se tomaron de la literatura
especializada [2, 20], formándose un registro con 80 datos iniciales (tabla 2).

Tabla 2. Resumen del registro de datos inicial.

Rango de Cantidad de Rango Rango
Fluido temperaturas datos Pr μ
(K) … … (Pa·s)
-4
Metanol 293,15 6 4,655 3,146·10
-4
343,15 7,414 5,857·10
-5
Isobutano 173,15 9 3,256 6,483·10
-4
373,15 12,650 9,305·10
-1
Glicerina 273,15 9 2 697___ 3,073·10
313,15 84 101___ 10,490___ _
-3
Aceite de motor sin uso 273,15 9 84___ 4,500·10
433,15 46 636___ 3,814__ __
-5
Dióxido de carbono * 323,15 10 0,744 1,612·10
-5
2 273,15 0,882 7,322·10
-6
Hidrógeno * 323,15 10 0,715 9,430·10
-5
2 273,15 1,172 3,690·10
-5
Vapor de agua * 373,15 10 0,981 1,200·10
-5
973,15 0,880 3,650·10
-3
Agua a la presión de 273,15 17 13,700 1,790·10
-5
saturación 573,15 0,905 8,590·10
-6
Total 173,15 80 0,715 9,430·10
2 273,15 84 101___ 10,490___ _
* Nota: A presión atmosférica (101,3 kPa)

El registro anterior se combinó con ocho valores de la variable número de

Reynolds ( Re ), como muestra el vector columna representado mediante la

- 8 -
expresión 10, obteniéndose una base de datos con 640 filas para evaluar
regímenes de flujo que comprenden desde la zona de transición hasta la de
turbulencia total.

Re  2,4 103 ; 5,0 103 ; 104 ; 5,0 104 ; 105 ; 5,0 105 ; 106 ; 5,0 106  (10)

La viscosidad dinámica del fluido evaluada a la temperatura de la pared (  w )

se asoció con una variable binaria que caracteriza el tipo de proceso de

intercambio térmico, adoptando el valor P  1 cuando el fluido cede calor
(enfriamiento) y P  0 cuando lo absorbe (calentamiento). En el primer caso la
variable  w se obtuvo evaluando la viscosidad del fluido a una temperatura

más baja que la del bulbo, mientras que en el segundo caso se consideró una
temperatura más alta. Ambos escenarios se resumen mediante la expresión
11, que establece una diferenciación de la temperatura considerada para la
superficie de la pared en dependencia de la sustancia química analizada.

 T  5 para Glicerina 

 
 T  10 para Metanol, Isobutano, 
 w  f (Tw )  f  (11)
 T  20 para Aceite, Vapor de agua 
  

 T  50 para CO 2 , H 2 , Agua 

Donde: T – temperatura media del fluido, K; Tw – temperatura media de la

pared, K; signo  para enfriamiento y  para calentamiento.

2.3.2. Valores para la variable dependiente

Con el propósito de comprobar la robustez de la solución propuesta frente a
juegos de datos diferentes se emplearon seis ecuaciones clásicas para
determinar el número de Nusselt, utilizando los mismos datos para las variables
independientes (acápite 2.3.1). La selección de las correlaciones se basó en la
cantidad de veces que han sido referenciadas, publicación en libros con fines
académicos, así como reconocimiento y aceptación por la comunidad científica
a nivel internacional:
 Correlación de Dittus & Boelter [25], representada mediante la ecuación 12,
aplicable para flujo turbulento completamente desarrollado dentro de tubos
lisos, en los rangos 104  Re  5 106 , 0,6  Pr  160 y L / d  60 , con
diferencia moderada de temperaturas.

- 9 -
 NuD B  0, 023  Re0,8  Pr m (12)

Donde: m  0,3 para enfriamiento, y m  0, 4 para calentamiento.

 Correlación de Sieder & Tate [16], expresada mediante la ecuación 13, para
corrientes que experimentan diferencias notables de temperatura. Es válida
para 104  Re  5 106 , 0,7  Pr  16700 y L / d  60 .

0,14
  
NuS &T  0, 027  Re  Pr  
0,8 1/3
 (13)
 w 

 Correlación propuesta por Prandtl [26], según la ecuación 14, deducida

teóricamente después de asumir que el flujo dentro de la capa límite se
divide en dos zonas: viscosa y turbulenta.

 f 
   Re  Pr
NuPr   
8
(14)
f
1 5   Pr  1
8

 Correlación de Petukhov-Kirillov [27], conforme con la expresión 15, más

precisa pero a la vez compleja. Es efectiva para flujo turbulento
completamente desarrollado cuando se cumplen las condiciones
104  Re  5 106 , 0,5  Pr  2000 y 0,8   / w  40 . La mayor desventaja de

esta correlación es su rango de aplicación, ya que no es válida para la zona

de transición [5].

 f 
   Re  Pr   
m

NuPt   8
  (15)
w 
  Pr  1 
f
C  12, 7 2/3

900 0, 63
C  1, 07   (15.a)
Re 1  10  Pr

Donde: m  0, 25 para enfriamiento, m  0,11 para calentamiento y m  0 para

flujo de calor uniforme o gases.
 Correlación de Gnielinski [28], conforme con la ecuación 16, obtenida a partir
de la ecuación anterior pero ajustada a un rango de datos experimentales

- 10 -
 que sí tuvo en cuenta el régimen de flujo en fase de transición. La fórmula es
válida para 3 103  Re  5 106 , 0,5  Pr  2000 y 0,025   / w  12,5 .

 f 
   ( Re  1000)  Pr   m
  
8
NuGn   (16)

  Pr  1  w 
f
1  12, 7 2/3

 Correlación derivada de la analogía de von-Kármán [11], descrita por la

ecuación 17. Este investigador amplió la analogía de Prandtl, dividiendo el
campo de flujo en tres subcapas: viscosa, de transición y turbulenta.

0, 0288  Re0,8  Pr
NuvK  (17)
  5 Pr  1  
1  0,849  Re0,1   Pr  1  ln  
  6 

3. RESULTADOS Y DISCUSIÓN

3.1. Aproximación de correlaciones basadas en la analogía Reynolds-

Colburn
A continuación se muestran los resultados alcanzados al realizar la estimación
de parámetros utilizando los datos generados mediante las correlaciones
Dittus-Boelter y Sieder & Tate (tablas 3 y 4).

Tabla 3. Estimación de parámetros empleando los datos “Dittus-Boelter”.

Parámetros Corridas del Algoritmo Genético
1 2 3 4 5
Coeficientes b1 0 0 0 0 0
calculados b2 0 1 0 1 1
d1 2/5 2/5 2/5 2/5 2/5
d2 2/3 2/3 2/3 1 2/3
c1 0,023 0,023 0,023 0,023 0,023
c2 0,8 0,8 0,8 0,8 0,8
c3 358,5 99 805,5 1282,5 252
c4 19,82 10,66 13,26 10,26 6,66
-5 -5 -5 -5 -5
Desempeño f obj 4,26·10 5,39·10 5,02·10 5,50·10 7,52·10
del algoritmo i 104 52 101 58 78
Parada* 2 2 2 2 2
* Nota: Criterios de parada
1. maximum number of generations exceded
2. average change in the fitness value less than options

Donde: fobj – valor de la función objetivo al finalizar el algoritmo; i – cantidad

de iteraciones efectuadas.

- 11 -
 Tabla 4. Estimación de parámetros empleando los datos “Sieder & Tate”.
Parámetros Corridas del Algoritmo Genético
1 2 3 4 5
Coeficientes b1 0 0 0 0 0
calculados b2 0 0 1 1 1
d1 1/3 1/3 1/3 1/3 1/3
d2 2/3 2/3 1 2/3 2/3
c1 0,027 0,027 0,027 0,027 0,027
c2 0,8 0,8 0,8 0,8 0,8
c3 502,5 334,5 1270,5 195,0 277,5
c4 8,74 1,26 1,20 16,24 11,9
Desempeño f obj 0,0014 0,0014 0,0014 0,0014 0,0014
del algoritmo i 72 96 109 92 79
Parada* 2 2 2 2 2

Para los dos casos analizados se comprobó que el algoritmo identifica

convenientemente la forma funcional y determina los coeficientes exactos de la
ecuación del Nusselt. Al sustituir estos coeficientes en la expresión 4 se
obtuvieron correlaciones iguales a las empleadas para generar los datos
teóricos (tabla 5).

Tabla 5. Aproximación de correlaciones basadas en la analogía

Reynolds-Colburn.
Correlación inicial Correlación obtenida

Dittus-Boelter NuD B  0,023  Re0,8  Pr 0,4 Nu 'D B  0,023  Re0,8  Pr 0,4

Sieder & Tate NuS &T  0, 027  Re0,8  Pr1/3  J  Nu 'S &T  0,027  Re0,8  Pr1/3  J 

Consecuentemente, al comparar los valores calculados para el número de

Nusselt ( Nu ' ) con los datos teóricos ( Nu ) se observó un fuerte grado de
asociación entre ambas variables, ratificado por coeficientes de correlación
iguales a la unidad. Los índices de error determinados son despreciables, y se
atribuyen fundamentalmente a precisiones por redondeo (tabla 6).

Tabla 6. Índices de error calculados.

Juego de datos
Parámetros
Dittus-Boelter Sieder & Tate
Coeficiente de correlación 1 1
-4 -2
Error relativo medio (%) 4,9233·10 1,1047·10
-3
Error relativo máximo (%) 3,7298·10 0,2300
Error absoluto medio 0,0185 0,5685
Error absoluto máximo 0,4271 37,7351

- 12 -
3.2. Aproximación de correlaciones basadas en la analogía de Prandtl
La metodología se comprobó también mediante tres juegos de datos obtenidos
a partir de ecuaciones basadas en la analogía de Prandtl. A continuación se
muestran los resultados frente a los datos generados con las correlaciones de
Prandtl, Petukhov y Gnielinski (tablas 7 - 9).

Tabla 7. Estimación de parámetros empleando los datos “Prandtl”.

Parámetros Corridas del Algoritmo Genético
1 2 3 4 5
Coeficientes b1 1 1 1 1 1
calculados b2 1 1 1 1 1
d1 2/5 1/3 1/3 2/5 2/5
d2 1 1 1 1 1
c1 1 1 1 1 0,999
c2 0,418 0,987 0,085 0,206 0,976
c3 0 0 0 0 0
c4 5 5 5 5 5
Desempeño f obj 0,0014 0,0014 00014 0,0014 0,0014
del algoritmo i 87 90 119 124 95
Parada* 2 2 2 2 2

Tabla 8. Estimación de parámetros empleando los datos “Petukhov”.

Parámetros Corridas del Algoritmo Genético
1 2 3 4 5
Coeficientes b1 1 1 1 1 1
calculados b2 1 1 1 1 1
d1 2/5 1/3 2/5 1/3 2/5
d2 2/3 2/3 2/3 2/3 2/3
c1 0,991 0,991 0,991 0,991 0,991
c2 0,725 0,654 0,832 0,914 0,460
c3 565,5 565,5 567,0 565,5 565,5
c4 12,3 12,3 12,3 12,3 12,3
Desempeño f obj 0,0334 0,0334 0,0334 0,0334 0,0334
del algoritmo i 118 108 185 73 100
Parada* 2 2 2 2 2

Tabla 9. Estimación de parámetros empleando los datos “Gnielinski”.

Parámetros Corridas del Algoritmo Genético
1 2 3 4 5
Coeficientes b1 1 1 1 1 1
calculados b2 1 1 1 1 1
d1 2/5 2/5 1/3 2/5 1/3
d2 2/3 2/3 2/3 2/3 2/3
c1 1,000 0,999 0,999 0,999 0,999
c2 0,363 0,125 0,268 0,377 0,899
c3 1000,5 1000,5 1000,5 1000,5 1000,5
c4 12,72 12,70 12,70 12,70 12,70
Desempeño f obj 0,0014 0,0014 0,0014 0,0014 0,0014
del algoritmo i 112 98 71 87 86
Parada* 2 2 2 2 2

- 13 -
Para estos tres casos se aproximó correctamente la forma funcional y se
calcularon coeficientes similares a los de las correlaciones de Prandtl,
Petukhov y Gnielinski. Por lo tanto, al sustituir los coeficientes determinados en
la expresión 4 se obtuvieron ecuaciones próximas a las empleadas para
generar los datos sintéticos (tabla 10). Nótese que cuando los parámetros
calculados difieren entre una y otra corrida del modelo, para formular la
correlación se tomaron los valores de la moda estadística.

Tabla 10. Aproximación de correlaciones basadas en la analogía de Prandtl.

Correlación inicial Correlación obtenida

 f   f 
   Re  Pr    Re  Pr
     
8 8
Prandtl NuPr  J Nu 'Pr  J
f f
1 5   Pr  1 1 5   Pr  1
8 8

 f  f 
   Re  Pr 0,991    ( Re  565,5)  Pr
NuPt  8  J Nu 'Pt  8  J
Petukhov
  Pr  1   Pr  1
f f
C  12, 7 2/3
1  12,3 2/3

8 8

f  f 
   ( Re  1000)  Pr 0,999     ( Re  1000,5)  Pr
   8
8
Gnielinski NuGn  J Nu 'Gn   J
  Pr 2/3  1   Pr  1
f f
1  12, 7 1  12, 7 2/3

8 8

Al comparar los valores calculados para el número de Nusselt ( Nu ' ) con los
datos teóricos ( Nu ) se observó un alto grado de asociación entre ambas
variables y bajos índices de error (tabla 11).

Tabla 11. Índices de error calculados.

Juego de datos
Parámetros
Prandtl Petukhov Gnielinski
Coeficiente de correlación 1 0,99981 1
-2 -2
Error relativo medio (%) 1,2299·10 2,0200 9,9306·10
Error relativo máximo (%) 0,2300 3,3800 0,1600
Error absoluto medio 2,6422 503,7323 18,4271
4
Error absoluto máximo 252,1704 1,2149·10 548,2273

Los resultados menos precisos se obtuvieron al aproximar la correlación de

Petukhov, debido a que la expresión generalizada propuesta para determinar el
número de Nusselt intenta representar con un valor fijo al parámetro C incluido

- 14 -
en el denominador de la correlación original. Como se observa en la ecuación
15.a, este parámetro no es constante, sino que depende de los números
adimensionales Reynolds y Prandtl. A pesar de esta particularidad se
alcanzaron bajos valores de error relativo (inferiores a 3,4 %), en primer lugar
porque C  1 para la mayoría de los valores Re y Pr que fueron evaluados, y
en segundo lugar debido a que la ecuación 4 compensa las desviaciones con
otros parámetros ajustables concebidos en su forma funcional ( c1 , c3 y c4 ),

demostrando así su potencialidad de adaptación.

3.3. Aproximación de correlaciones basadas en la analogía von-Kármán

Debajo se muestran los resultados alcanzados al utilizar los datos generados
mediante la correlación de von-Kármán (tabla 12).

Tabla 12. Estimación de parámetros empleando los datos “von-Kármán”.

Parámetros Corridas del Algoritmo Genético
1 2 3 4 5
Coeficientes b1 1 0 1 1 1
calculados b2 0 1 0 0 0
d1 1/3 2/5 2/5 1/3 2/5
d2 1 2/3 1 1 1
c1 0,029 0,018 0,030 0,030 0,029
c2 0,801 0,837 0,801 0,800 0,801
c3 508,5 61,5 324,0 1083,0 1216,5
c4 0,80 13,46 0,82 0,82 0,80
Desempeño f obj 0,0785 0,2650 0,0785 0,0784 0,0785
del algoritmo i 78 84 100 93 80
Parada* 2 2 2 2 2

El método de solución propuesto en este trabajo identificó correctamente la

forma funcional de von-Kármán en cuatro de cinco corridas efectuadas. Sin
embargo, en la segunda corrida el algoritmo convergió hacia un mínimo local
de la función objetivo que se corresponde con la analogía de Reynolds-
Colburn. Como resultado, al sustituir los coeficientes determinados en la
expresión 4 se obtuvieron dos correlaciones: una similar a la de von-Kármán,
más precisa y desarrollada; y otra semejante a la ecuación de Dittus-Boelter,
pero que logra aproximar en menor grado los resultados obtenidos con los de
la correlación original (tabla 13).

- 15 -
Tabla 13. Aproximación de correlaciones basadas en la analogía von-Kármán.
Correlación inicial Correlaciones obtenidas

0, 0288  Re0,8  Pr 0, 029  Re0,801  Pr

NuvK   J Nu 'vK .1   J
  5 Pr  1     5 Pr  1  
1  0,849  Re0,1   Pr  1  ln   1  0,8  Re0.1   Pr  1  ln  
  6    6 

Nu 'vK .2  0,018  Re0,837  Pr 0,4  J 

Como la población inicial del Algoritmo Genético se genera al azar, pueden

presentarse ocasiones donde no exista concordancia entre todas las
respuestas obtenidas. En estos casos es recomendable realizar varias corridas
del algoritmo y seleccionar aquella solución que proporcione resultados más
precisos. Aunque no forma parte del alcance de este estudio, una forma de
evitar convergencia prematura de la función objetivo hacia un mínimo local
sería incrementar el tamaño de la población inicial.
Al comparar los valores calculados para el número de Nusselt ( Nu ' ) con los
datos teóricos ( Nu ) se observó una correlación aceptable, siendo superior el
grado de asociación entre las variables que logra la forma funcional basada en
la analogía von-Kármán. Aunque con la ecuación Nu 'vK .1 se obtuvieron bajos

índices de error, con la ecuación basada en la analogía de Reynolds Nu 'vK .2 el

error relativo promedio superó el 10 % y por consiguiente se descarta como

solución (tabla 14).

Tabla 14. Índices de error calculados.

Forma funcional
Parámetros
Von-Kármán Reynolds-Colburn
Coeficiente de correlación 0,99851 0,98698
Error relativo medio (%) 3,2600 10,9700
Error relativo máximo (%) 8,5500 28,1900
Error absoluto medio 75,6148 274,4738
3 3
Error absoluto máximo 2,2988·10 7,0395·10

4. CONCLUSIONES
Se propuso una ecuación generalizada del número de Nusselt (ecuación 4) que
integra las analogías entre la transferencia de calor y la cantidad de movimiento
enunciadas por Reynolds-Colburn, Prandtl y von-Kármán, conveniente para
determinar los coeficientes individuales de transferencia de calor bajo

- 16 -
condiciones de convección forzada en el interior de tuberías, en régimen de
flujo no laminar, sin cambios de fase.
Para el ajuste de la correlación se utilizó una metodología basada en
Algoritmos Genéticos, comprobada mediante seis juegos de datos teóricos
enmarcados en los siguientes rangos de validez: 2, 4 103  Re  5,0 106 ,
0, 715  Pr  84 101 y 0, 255   / w  5,077 . En todos los casos se identificó

apropiadamente la analogía empleada y se obtuvieron correlaciones del

número de Nusselt similares a las utilizadas para generar los datos sintéticos.
El grado de asociación entre las variables de respuesta fue superior al 99,98 %,
con un error relativo máximo de 8,55 % .
El presente trabajo servirá como base para establecer un procedimiento
tecnológico que genere la correlación apropiada del número de Nusselt en
intercambiadores de calor tubulares, a partir de un diseño experimental pre-
definido que se sustente en lecturas de los flujos másicos y de las temperaturas
de entrada y salida de cada fluido.

5. REFERENCIAS
[1] Nitsche, M. & Gbadamosi, R. O. 2016: Heat Exchanger Design Guide: A
Practical Guide for Planning, Selecting and Designing of Shell and Tube
Exchangers. Oxford, Reino Unido: Butterworth Heinemann / Elsevier.
270 p. ISBN 978-0-12-803764-5
[2] Ҫengel, Y. A. & Ghajar, A. J. 2015: Heat and Mass Transfer:
Fundamentals and Applications. 5 ed. Nueva York, Estados Unidos:
McGraw-Hill Education. 968 p. ISBN 978-0-07-339818-1.
[3] Bazán, F. S. V.; Bedin, L. & Bozzoli, F. 2019: New methods for numerical
estimation of convective heat transfer coefficient in circular ducts.
International Journal of Thermal Sciences, 139(-): 387-402.
[4] Markowski, M. & Trzcinski, P. 2019: On-line control of heat exchanger
network under fouling constraints. Energy, 185(-): 521-526.
[5] Camaraza-Medina, Y. 2017: Introducción a la Termotransferencia. La
Habana, Cuba: Editorial Universitaria. 1150 p. e-ISBN 978-959-16-3286-9.
[6] Ghiaasiaan, S. M. 2018: Convective Heat and Mass Transfer. 2 ed.
Florida, Estados Unidos: CRC Press. 616 p. ISBN: 978-0-8153-6141-1.

- 17 -
[7] Reynolds, O. 1874: On the extent and action of the heating surface for
steam boilers, Proc. Literary and Philosophical Society of Manchester,
14(-): 7-12.
[8] Chilton, T. H. & Colburn, A. P. 1934: Coefficients prediction from data on
heat transfer and fluid friction. Industrial & Engineering Chemistry, 26(-):
1183-1187.
[9] Taler, D. & Taler, J. 2017: Simple heat transfer correlations for turbulent
tube flow. E3S Web of Conferences, 13(-): 1-7.
[10] Prandtl, L. 1928: Motion of fluids with very little viscosity. Washington,
Estados Unidos: National Advisory Committee for Aeronautics, Technical
Memorandum No. 452. 16 p.
[11] von-Kármán, T. 1939: The analogy between fluid friction and heat transfer.
Tansactions of the ASME, 61(-): 705-710.
[12] Wang, Z.; Li, G.; Xu, J.; Wei, J.; Zeng, J; Lou, D. & Li, W. 2015: Analysis of
fouling characteristic in enhanced tubes using multiple heat and mass
transfer analogies. Chinese Journal of Chemical Engineering, 23(11):
1881-1887.
[13] Pacheco-Vega, A.; Sen, M. & Yang, K. T. 2003: Simultaneous
determination of in- and over-tube heat transfer correlations in heat
exchangers by global regression. International Journal of Heat and Mass
Transfer, 46(6): 1029-1040.
[14] Jafari-Nasr, M. R. & Khalaj, A.H. 2010: Heat transfer coefficient and
friction factor prediction of corrugated tubes combined with twisted tape
inserts using Artificial Neural Network. Heat Transfer Engineering,
31(1): 59-69.
[15] Mondal, S. & Field, R. 2018: Theoretical analysis of the viscosity
correction factor for heat transfer in pipe flow. Chemical Engineering
Science, 187(-): 27-32.
[16] Sieder, E. N. & Tate, G. E. 1936: Heat transfer and pressure drop of
liquids in tubes. Industrial and Engineering Chemistry, 28(12): 1429-1435.
[17] Petukhov, B. S. 1970: Heat transfer and friction in turbulent pipe flow with
variable physical properties. Advances in Heat Transfer, 6(-): 503-564.
[18] Torres-Tamayo, E.; Díaz, E. J.; Cedeño, M. P.; Vargas, C. L.; Peralta, S.
G. & Falconi, M. A. 2016: Overall heat transfer coefficients, pressure drop

- 18 -
 and power demand in plate heat exchangers during the ammonia liquor
cooling process. International Journal of Mechanics, 10(-): 342-348.
[19] Srivastva, U.; Malhotra, R. K.; Ravi-Kumar, K. & Kaushik, S. C. 2019:
Comparative assessment of classical heat resistance and Wilson plot test
thecniques used for determining convective heat transfer coefficient of
thermo fluids. Thermal Science and Engineering Progress, 11(-): 111-124.
[20] Ҫengel, Y. A. & Cimbala, J. M. 2017: Fluid Mechanics: Fundamentals and
Applications. 4 ed. Nueva York, Estados Unidos: McGraw-Hill Education.
1024 p. ISBN: 978-1-259-69653-4.
[21] Şahin, U. 2018: A new non-iterative friction factor correlation for heat
transfer fluids in absorber tube of parabolic trough collector. Engineering
Science and Technology, 21(-): 89-98.
[22] Gosselin, L.; Tye-Gingras, M. & Mathieu-Potvin, F. 2009: Review of
utilization of genetic algorithms in heat transfer problems. International
Journal of Heat and Mass Transfer, 52(-): 2169-2188.
[23] Ullah, A.; Malik, S. A. & Alimgeer, K. S. 2018: Evolutionary algorithm
based heuristic scheme for nonlinear heat transfer equations. PLoS ONE,
13(1): 1-18.
[24] Bergman, T. L.; Lavine, A. S.; Incropera, F. P. & Dewitt, D. P. 2017:
Fundamentals of Heat and Mass Transfer. 8 ed. Massachusetts, Estados
Unidos: John Wiley & Sons. 1050 p. ISBN-13: 978-1-119-32042-5
[25] Dittus, F. W. & Boelter, L. M. K. 1930: Heat transfer in automobile
radiators of the tubular type. University of California (Berkeley)
Publications in Engineering, 2(13): 443-461.
[26] Prandtl, L. 1944: Führer durch die Strömungslehre. Braunschweig,
Alemania: Friedrich Vieweg und Sohn. 782 p. ISBN: 978-3834804303.
[27] Petukhov, B. S. & Kirillov, V. V. 1958: On heat exchange at turbulent flow
of liquids in pipes. Teploenergetika, 4(-): 63-68.
[28] Gnielinski, V. 1976: New equations for heat and mass transfer in turbulent
pipe and channel flow. International Chemical Engineering, 16(2):
359-368.

- 19 -
 NOMENCLATURA

b1 , b2 , c1 , c2 , c3 , c4 , d1 , d 2 : parámetros de ajuste de la expresión (4).

d : diámetro interior del tubo, m.
f : factor de fricción de Darcy-Weisbach.
fobj : valor de la función objetivo al finalizar el algoritmo.
i : cantidad de iteraciones efectuadas.
J  : factor de corrección de la viscosidad.
L : longitud del tubo, m.
m : exponente en ecuación del factor de corrección de la viscosidad.
n : tamaño de la muestra.
Nu : número de Nusselt (valor de referencia).
Nu ' : número de Nusselt (valor teórico calculado).
P : variable binaria que caracteriza el tipo de proceso de intercambio térmico.
Pr : número de Prandtl.
Re : número de Reynolds.
Sc : número de Schmidt.
T : temperatura del bulbo o temperatura media del fluido, K.
Tw : temperatura media de la pared, K.

Letras griegas:
 / d : rugosidad relativa de la superficie interior del conducto tubular.
 : viscosidad dinámica del fluido a la temperatura media, Pa·s.
 w : viscosidad dinámica del fluido evaluada a la temperatura de la pared, Pa·s.

Matrices y vectores:
X : vector con los parámetros a estimar mediante el Algoritmo Genético.
Y : vector con los valores de las variables independientes.
Subíndices:
D  B : referido a la correlación de Dittus-Boelter.
Gn : referido a la correlación de Gnielinski.
i : valor i-ésimo del vector correspondiente.
Pr : referido a la correlación de Prandtl.
Pt : referido a la correlación de Petukhov.
S & T : referido a la correlación de Sieder & Tate.
vK : referido a la correlación de von-Kármán.

- 20 -

View publication stats