Professional Documents
Culture Documents
Las limitaciones en la optimizacin surgen porque un proceso debe describir los lmites fsicos de
las variables, las relaciones empricas y las leyes fsicas que se aplican a un problema especfico,
como se menciona en la Seccin 1.4. El enfoque principal de este captulo es cmo desarrollar
modelos que tengan en cuenta estas limitaciones. Los modelos matemticos se emplean en todas
las reas de la ciencia, la ingeniera y los negocios para resolver problemas, disear equipos,
interpretar datos y comunicar informacin. Eykhoff (1974) defini un modelo matemtico como
"una representacin de los aspectos esenciales de un sistema existente (o un sistema a construir)
que presenta el conocimiento de ese sistema en una forma utilizable". Para el propsito de la
optimizacin, nos ocuparemos del desarrollo de expresiones cuantitativas que nos permitan
utilizar matemticas y clculos informticos para extraer informacin til. Para optimizar un
modelo de proceso puede ser necesario desarrollar para la funcin objetivo5 las restricciones de
igualdad gy las restricciones de desigualdad h. Debido a que un modelo es una abstraccin, el
modelado nos permite evitar la experimentacin repetida y las mediciones. Tenga en cuenta, sin
embargo, que un modelo slo imita la realidad y no puede incorporar todas las caractersticas del
proceso real que est siendo modelado. En el desarrollo de un modelo, debe decidir qu factores
son relevantes y cun complejo debe ser el modelo. Por ejemplo, considere las siguientes
preguntas.
1. Debe el proceso ser modelado en un nivel fundamental o emprico, y qu nivel de esfuerzo
(tiempo, gastos, mano de obra) es requerido para cada enfoque? 2. Puede el proceso ser descrito
adecuadamente usando principios fsicos? 3. Cul es la precisin deseada del modelo y cmo
influye su precisin en su uso final? 4. Qu medidas estn disponibles y qu datos estn
disponibles para la verificacin del modelo? 5. Est el proceso realmente compuesto de
subsistemas ms pequeos y ms sencillos que pueden ser ms fcilmente analizados?
Las respuestas a estas preguntas dependen de cmo se utilice el modelo. A medida que el modelo
de la demanda se vuelve ms complejo, la optimizacin suele ser ms difcil. En este captulo
discutiremos varios factores que deben considerarse al construir un modelo de proceso. Adems,
examinaremos el uso de la optimizacin en la estimacin de los valores de coeficientes
desconocidos en los modelos para obtener una representacin compacta y razonable de los datos
del proceso. Informacin adicional puede encontrarse en libros de texto especializados en
modelado matemtico. Para ilustrar la necesidad de desarrollar modelos de optimizacin,
considere el siguiente ejemplo.
EJEMPLO 2.1 MODELIZACIN Y OPTIMIZACIN DEL FUNCIONAMIENTO DE LOS HORNOS
La optimizacin del funcionamiento del alto horno es importante en todas las grandes fbricas de
acero. Un nmero relativamente grande de variables importantes (varias de las cuales no pueden
medirse) interactan en este proceso de una manera muy compleja, se deben tener en cuenta
numerosas restricciones y la edad y eficiencia de la planta afectan significativamente al ptimo
punto de operacin (Deitz, 1997). En consecuencia, un examen detallado de este problema
demuestra las consideraciones involucradas en el modelado matemtico de un proceso tpico. El
funcionamiento de un alto horno es semicontinuo. Las materias primas son mineral de hierro que
contiene aproximadamente 20 a 60 por ciento de hierro como xidos y una variedad de otros
xidos metlicos y no metlicos. Estos materiales se combinan con coque, que reacciona para
formar gas de alto horno. La piedra caliza es un fundente que ayuda a separar las impurezas del
metal caliente influyendo en el pH. Aparte del gas de alto horno, que puede servir como medio de
calentamiento en otros procesos, la salida del horno consiste en hierro fundido, que incluye
algunas impurezas (notablemente carbono y fsforo) que se deben eliminar en el proceso de
fabricacin de acero, y la escoria, Que contiene la mayor parte de las impurezas y es de poco valor.
La operacin del alto horno requiere la determinacin de la cantidad de cada mineral, una tasa de
produccin y un modo de operacin que maximicen la diferencia entre el valor del producto y el
costo de producir la cantidad y calidad requeridas de hierro fundido. La figura E2.1 muestra el flujo
de materiales en el horno de soplado, el cual es parte de un molino mucho ms grande. Una
tonelada de metal caliente requiere alrededor de 1,7 toneladas de materiales que contienen
hierro, 0,5 a 0,65 toneladas de coque y otros combustibles, 0,25 toneladas de flujos y 1,8 a 2,0
toneladas de aire. Adems, por cada tonelada de metal caliente producido, el proceso crea 0,2 a
0,4 toneladas de acero, 0,05 toneladas o menos de polvo de chimenea y 2,5 a 3,5 toneladas de
gases de alto horno. El producto final, el metal caliente, es aproximadamente el 93% de hierro,
con otros ingredientes de la traza, incluyendo azufre, silicio, fsforo, y manganeso. Las variables de
proceso y los modelos conceptuales se identifican en la Figura E2.1 bajo la columna "Anlisis de
procesos", que tiene categoras para la funcin objetivo, restricciones de igualdad y restricciones
de desigualdad. Funcin objetiva
Para formular la funcin objetivo, hay que considerar dos categoras de costos: 1. Costos asociados
con los flujos de materiales (las variables de entrada y salida), como los costos de materiales
comprados. 2. Costes asociados con las operaciones relacionadas con las variables de proceso en
el modelo.
Los trminos que conforman la funcin objetivo (maximizar) se muestran en la figura E.2.1. El
beneficio del alto horno puede expresarse como
Limitaciones de igualdad y desigualdad
El siguiente paso en la formulacin del problema es construir un modelo matemtico del proceso
considerando los fenmenos qumicos y fsicos fundamentales y las limitaciones fsicas que
influyen en el comportamiento del proceso. Para el caso del alto horno, las caractersticas tpicas
son 1. Mineral de hierro: Los minerales de diferentes grados estn disponibles en cantidades
restringidas. Los diferentes minerales tienen porcentajes variables de hierro y diferentes tipos y
cantidades de impurezas. Se supone que la proporcin de cada mineral que se produce en el metal
caliente final se fija por su composicin. Por ejemplo, la cantidad de mineral fino debe limitarse
porque demasiado puede interrumpir el flujo de gas a travs del horno y limitar la produccin. 2.
Coque: La cantidad de coque que se puede quemar en cualquier horno est efectivamente
limitada por el diseo del horno y la temperatura del metal caliente est controlada por la
cantidad
660/5000
FIGURA E.2.1 Componentes de la funcin objetivo y tipos de restricciones para un alto
horno.
De coque (o carbono). La tasa de consumo de coque puede basarse en relaciones empricas
desarrolladas a travs de la regresin de los datos del horno. 3. Escoria: Por razones
tcnicas, el nivel de impurezas en la escoria debe ser controlado. Hay un lmite superior
sobre el porcentaje de magnesio, lmites superiores e inferiores sobre el porcentaje de
silicio y aluminio, y lmites cercanos a la relacin de "basicidad" (CaO + MgO) / (SiO, +
Al, O). La relacin de basicidad controla la viscosidad y el punto de fusin de la escoria, lo
que a su vez afecta a la temperatura del hogar ya la calidad del hierro producido.
La relacin de basicidad puede expresarse en trminos de las alimenta- ciones de alto horno xi
como sigue:
Donde w, ~ = fraccin en peso de CaO en la alimentacin i w, ~ = fraccin en peso de MgO en la
alimentacin i w, ~ = fraccin en peso de SiO, en la alimentacin i wSi = fraccin en peso de Al, O
en la alimentacin i
4. Fsforo: todo el fsforo en la materia prima encuentra su camino en el metal fundido. Hay un
lmite superior en el fsforo permitido, aunque a veces se prescriben cantidades precisas. En
general, es ms barato producir hierro de fsforo ms alto, pero ms caro para refinarlo.
A partir de estas y otras consideraciones puede preparar:
1. Un conjunto de variables de entrada y salida. 2. Un conjunto de materiales de entrada-salida en
estado estacionario y balances de energa (restricciones de igualdad). 3. Un conjunto de relaciones
empricas explcitas (restricciones de igualdad). 4. Un conjunto de restricciones (restricciones de
desigualdad) sobre las variables de entrada y salida como se indica en la Figura E.2.1.
2. Los basados en descripciones estrictamente empricas (los llamados modelos de caja negra).
Los modelos matemticos basados en leyes fsicas y qumicas (por ejemplo, balanzas de masa y
energa, termodinmica, cintica de reaccin qumica) se emplean frecuentemente en aplicaciones
de optimizacin (vanse los ejemplos en los captulos 11 a 16). Estos modelos son
conceptualmente atractivos porque un modelo general para cualquier tamao de sistema se
puede desarrollar incluso antes de que el sistema se construya. Una exposicin detallada de los
modelos matemticos fundamentales en ingeniera qumica est fuera de nuestro alcance aqu,
aunque presentamos numerosos ejemplos de modelos fisicoqumicos a lo largo del libro,
especialmente en los Captulos 11 a 16. Modelos empricos, por otro lado, son atractivos cuando
un fsico Modelo no se puede desarrollar debido a la limitacin de tiempo o recursos. Los datos de
entrada-salida son necesarios para ajustar coeficientes desconocidos en cualquiera de los dos
tipos del modelo.
FIGURA E2.2 Eficacia de recoleccin de ESP en funcin del rea de recoleccin especfica
para un modelo lineal 7 = 0,129A + 85,7 y un modelo no lineal 7 = 100 {1 - [e-0,0264A /
(4,082 - 3,15 X lop6A)]).
EJEMPLO 2.2 MODELOS DE UN PRECIPITADOR ELECTROSTATICO
Se utiliza una planta piloto de combustin de carbn para obtener datos de eficiencia sobre
la recoleccin de materia particulada por un precipitador electrosttico (ESP). El
rendimiento de ESP vara cambiando la superficie de las placas colectoras. La figura E2.2
muestra los datos recopilados para estimar los coeficientes en un modelo para representar la
eficiencia 7 en funcin del rea de recoleccin especfica A, medida como caudal
volumtrico de la placa. Se han propuesto dos modelos de diferente complejidad para
ajustar los datos de rendimiento: Modelo 1: 7 = b, A + b, Modelo 2: 7 = 100 I El modelo 1
es lineal en los coeficientes y el modelo 2 es no lineal en los coeficientes. La estructura
matemtica del modelo 2 tiene una base fundamental que tiene en cuenta las caractersticas
fsicas de la materia particulada, incluyendo el tamao de partcula y las propiedades
elctricas, pero no tenemos el espacio para derivar la ecuacin aqu. Qu modelo es
mejor?
Solucin. Los coeficientes de los dos modelos se ajustaron utilizando MATLAB, obtenindose los
siguientes resultados:
Modell: b, = 0,129 b, = 85,7
Modelo 2: y, = 0,0264 y, = 4,082 y, = -0,00000315
Como puede verse en la Figura E2.2, el modelo 2 proporciona un mejor ajuste que el modelo 1
sobre el rango de reas A considerado, pero el modelo 2 puede presentar algunas dificultades
cuando se utiliza como una restriccin insertada en un cdigo de optimizacin.
Estado estacionario versus estado inestable Otros sinnimos para el estado estacionario son
invariantes en el tiempo, estticos o estacionarios. Estos trminos se refieren a un proceso en el
cual los valores de las variables dependientes permanecen constantes con respecto al tiempo. Los
procesos de estado estacionario tambin se denominan estado no estacionario, transitorio o
dinmico y representan la situacin cuando las variables dependientes del proceso cambian con el
tiempo. Un ejemplo tpico de un procedimiento de estado inestable es la operacin de una
columna de destilacin discontinua, que exhibira una composicin de producto variable en el
tiempo. Un modelo transitorio se reduce a un modelo de estado estacionario cuando d / dt = 0. La
mayora de los problemas de optimizacin tratados en este libro se basan en modelos de estado
estacionario. Los problemas de optimizacin que involucran modelos dinmicos suelen referirse a
un "control ptimo" oa problemas de optimizacin en tiempo real (vase el Captulo 16)
Parmetros distribuidos versus parmetros agrupados En resumen, una representacin de
parmetros agrupados significa que las variaciones espaciales son ignoradas y que las diversas
propiedades y el estado del sistema pueden considerarse homogneos en todo el volumen. Por el
contrario, una representacin de parmetros distribuidos tiene en cuenta las variaciones
detalladas de comportamiento de un punto a otro en todo el sistema. En la Figura 2.1, compare
estas definiciones para un reactor bien agitado y un reactor tubular con flujo axial. En el primer
caso, asumimos que la mezcla es completa para que no haya concentracin o gradiente de
temperatura en el reactor, por lo que sera apropiado un modelo matemtico de parmetros
agrupados. En contraste, el reactor tubular tiene variaciones de concentracin o temperatura a lo
largo de la direccin axial y tal vez en la direccin radial, por lo tanto, se requerira un modelo de
parmetro distribuido. Todos los sistemas reales estn, por supuesto, distribuidos porque algunas
variaciones de estados ocurren a travs de ellos. Debido a que las variaciones espaciales a menudo
son relativamente pequeas, pueden ser ignoradas, lo que conduce a una aproximacin agrupada.
Si se van a incluir en un modelo las caractersticas espaciales y transitorias, se requiere una
ecuacin diferencial parcial o una serie de etapas para describir el comportamiento del proceso.
No es fcil determinar si el agrupamiento en un modelo de proceso es una tcnica vlida para
representar el proceso. Una buena regla es que si la respuesta es esencialmente el mismo en
todos los puntos del proceso, entonces el modelo puede agruparse como una sola unidad. Si la
respuesta muestra diferencias instantneas significativas en cualquier direccin a lo largo del vaso,
entonces el problema debe tratarse usando una ecuacin diferencial apropiada o una serie de
compartimentos. En un problema de optimizacin es deseable simplificar un modelo distribuido
utilizando un sistema de parmetros equivalente, aunque debe evitar el enmascaramiento de las
caractersticas sobresalientes del elemento distribuido (construyendo as un modelo inadecuado).
En este texto, consideraremos principalmente las tcnicas de optimizacin aplicadas a los sistemas
aglomerados.
Variables continuas y discretas Las variables continuas pueden asumir cualquier valor dentro de un
intervalo; Las variables discretas pueden tomar solamente valores distintos. Un ejemplo de una
variable discreta es aqul que asume valores enteros solamente. A menudo en la ingeniera
qumica variables discretas y variables continuas ocurren simultneamente en un problema. Si
desea optimizar un sistema compresor, por ejemplo, debe seleccionar el nmero de etapas del
compresor (un nmero entero) adems de la presin de succin y produccin de cada etapa
(variables continuas positivas). Los problemas de optimizacin sin variables discretas son mucho
ms fciles de resolver que aquellos con una sola variable discreta. Consulte el Captulo 9 para
obtener ms informacin sobre el efecto de variables discretas en la optimizacin.
Un ingeniero se esfuerza tpicamente en tratar variables discretas como continuas incluso a costa
de lograr una solucin subptima cuando la variable continua se redondea. Considere la variacin
del costo del aislamiento de varios espesores como se muestra en la Figura E 1.1. Aunque el
aislamiento slo est disponible en 0,5 pulg. Se puede utilizar una aproximacin continua para el
espesor para facilitar la solucin a este problema de optimizacin.
Las relaciones tpicas para los modelos empricos podran ser y = a. + Alxl + a2x2 + ... lineal en las
variables y coeficientes y = a. + Al, x: + a, + lx, + -. Lineal en los coeficientes, no lineal en las
variables (xl, x2) 1 G (s) = no lineal en todos los coeficientes a, + als + a2s2 - @Nu = a (~ e) ~ no
lineal en el coeficiente b (Nu: Nusselt Nmero Reynolds) Cuando el modelo es lineal en los
coeficientes, puede estimarse mediante un procedimiento llamado regresin lineal. Si el modelo
no es lineal en los coeficientes, estimarlos se denomina regresin no lineal. En cualquier caso,
debe usarse el modelo adecuado ms simple (con el menor nmero de coeficientes). La
presentacin grfica de los datos ayuda a determinar la forma de la funcin de una sola variable (o
dos variables). La respuesta y frente a la variable independiente x puede trazarse y la forma
resultante del modelo evaluada visualmente. La Figura 2.4 muestra los datos experimentales de
transferencia de calor trazados en coordenadas log-log. La trama Parece ser aproximadamente
lineal en amplios rangos del nmero de Reynolds (Re). Una lnea recta en la figura 2.4
correspondera a log N = log a + b log Re o Nu = u (R ~) ~. Observe la dispersin de datos
experimentales en la Figura 2.4, especialmente para los grandes valores de la Re. Si dos variables
independientes estn involucradas en el modelo, los diagramas como los mostrados en la Figura
2.5 pueden ser de ayuda; En este caso la segunda variable independiente se convierte en un
parmetro que se mantiene constante en varios niveles. La Figura 2.6 muestra una variedad de
funciones no lineales y sus parcelas asociadas. Estas grficas pueden ayudar a seleccionar
relaciones para funciones no lineales de y en lugar de x. Las funciones empricas de ms de dos
variables deben ser construidas (o podadas) paso a paso para evitar incluir un nmero excesivo de
variables irrelevantes o faltar una importante. Consulte la Seccin 2.4 para los procedimientos
adecuados. Ahora revisemos un ejemplo para seleccionar la forma de un modelo para ajustarse a
los datos experimentales.
725/5000
EJEMPLO 2.3 ANLISIS DEL COEFICIENTE DE LA TRANSFERENCIA DE CALOR
Supongamos que el coeficiente global de transferencia de calor de un intercambiador de
calor de casco y tubo se calcula diariamente en funcin de los caudales en ambos lados de
la carcasa y del tubo (w y w ,, respectivamente). U tiene las unidades de ~ tu / (h) ("F) (ft ~)
yw, yw, estn en lbh Las figuras E2.3a y E2.3b ilustran los datos medidos Determine la
forma de un modelo semiemprico De U en funcin de w, yw, sobre la base del anlisis
fsico, Solucin Podramos elegir simplemente ajustar U como una funcin polinmica de
ws y w, parece que hay muy poco efecto de ws en U, pero U parece variar linealmente Con
w, (excepto en el rango superior de w, donde comienza a nivelarse) .Un enfoque ms
cuantitativo Puede basarse en un anlisis fsico del intercambiador. En primer lugar determinar
por qu w, no tiene ningn efecto sobre U. Este resultado se puede explicar por la frmula para el
coeficiente global de transferencia de calor
Donde h, = el coeficiente de transferencia de calor de la envolvente h, = el coeficiente de
transferencia de calor del lado del tubo hf = el coeficiente de ensuciamiento
Si h, es pequea yh, es grande, U est dominado por h, por lo que los cambios en w, tienen poco
efecto, como se muestra en la figura E2.3a. A continuacin examinaremos los datos de U versus w,
en el contexto de la Figura 2.6. Para un rango razonable de w, el patrn es similar a la curva D en la
Ecuacin (3) donde
Que tambin puede escribirse como
Obsrvese la similitud entre las ecuaciones (c) y (a), donde x = hyy = U. A partir de una correlacin
estndar del coeficiente de transferencia de calor (Gebhart, 1971), puede encontrar que h,
tambin vara de acuerdo con Ktwp8, Donde Kt es un coeficiente que depende de las propiedades
fsicas fluidas y de la geometra del intercambiador. Si agrupamos llh y l / hf juntos en una
constante l / hsf, el modelo semiemprico se convierte en
En los ejemplos y figuras anteriores se indic que se pueden seleccionar funciones para dos
variables independientes. Cuando se producen tres (o ms) variables independientes, se requieren
herramientas avanzadas de anlisis, tales como diseo experimental (ver Seccin 2.4) o anlisis de
componentes principales (Jackson, 1991) para determinar la estructura del modelo. Una vez que
se selecciona la forma del modelo, incluso cuando involucra ms de dos variables independientes,
ajustar razonablemente los coeficientes desconocidos en el modelo usando regresin lineal o no
lineal. Discutimos los mtodos de ajuste de coeficientes en la siguiente seccin.
2.3.2 Modelos de ajuste por mnimos cuadrados
Esta seccin describe la idea bsica de la estimacin por mnimos cuadrados, que se utiliza para
calcular los valores de los coeficientes en un modelo a partir de datos experimentales. Al estimar
los valores de los coeficientes para un modelo emprico o terico, tenga en cuenta que el nmero
de conjuntos de datos debe ser igual o mayor que el nmero de coeficientes en el modelo. Por
ejemplo, con tres puntos de datos de y contra x, puede estimar como mximo los valores de tres
coeficientes. Examine la Figura 2.7. Una lnea recta puede representar adecuadamente los tres
puntos, pero los datos pueden ajustarse exactamente utilizando un modelo cuadrtico
Al introducir los valores de un punto de datos (Y ,, x) en la ecuacin 2.2, se obtiene una ecuacin
de Y1 en funcin de tres coeficientes desconocidos. El conjunto de tres puntos de datos, por tanto,
produce tres ecuaciones lineales en tres incgnitas (los coeficientes) que se pueden resolver
fcilmente. Para compensar los errores involucrados en los datos experimentales, el nmero de
conjuntos de datos debe ser mayor que el nmero de coeficientes p en el modelo. Los mnimos
cuadrados son slo la aplicacin de optimizacin para obtener la "mejor" solucin de las
ecuaciones, lo que significa que la suma de los cuadrados de los errores entre los valores
predichos y experimentales de la variable dependiente y para cada punto de datos x se minimiza.
Consideremos un modelo algebraico general que es lineal en los coeficientes.
Hay p variables independientes xj, j = 1,. . . , pag. Independiente aqu significa controlable o
ajustable, no funcionalmente independiente. La ecuacin (2.3) es lineal con respecto a Pj, pero xj
puede ser no lineal. Tenga en cuenta, sin embargo, que los valores de xj (basados en los datos de
entrada) son slo nmeros que se sustituyen antes de resolver para las estimaciones Dj, por lo que
las funciones no lineales de xj en el modelo no son de preocupacin. Por ejemplo, si el modelo es
una funcin cuadrtica,
Nosotros especificamos
XI = 1
Y se satisface la estructura general de la Ecuacin (2.3). Al leer la seccin 2.4, aprender que se
debe tener especial cuidado en recolectar valores de x para evitar un alto grado de correlacin
entre los xi. Introduccin de la ecuacin (2.3) en una funcin de objetivo de error de suma de
cuadrados da
Sumatorio en el texto
Las variables independientes se identifican ahora con un subndice doble, el primer ndice
que designa el conjunto de datos (experimento) nmero (i = 1, ..., n) y el segundo las
variables independientes (j = 1, p). Minimizar f con respecto a p implica diferenciar f con
respecto a PI, Pz,. . . , P, y equiparando las p derivadas parciales a cero. Esto produce p
ecuaciones que relacionan los p valores desconocidos de los coeficientes estimados B1,. . . ,
Sp:
Donde Si = el valor estimado de pi x, 's = los valores experimentales de xj Yi = las
variables dependientes medidas
Obsrvese la simetra de los trminos de suma en x, y la numeracin de xu en las sumas
corresponde a ndices de matriz (filas, columnas). Este conjunto de p ecuaciones en p
desconocidos puede ser resuelto en un ordenador usando una de las muchas rutinas
fcilmente disponibles para resolver ecuaciones lineales simultneas. Las ecuaciones (2.5)
se pueden expresar en forma ms compacta si se emplea la notacin matricial (ver
Apndice A). Deje que el modelo se exprese en la matriz de matriz vectorial como
Donde E = el error aleatorio en los datos Y = el vector de las variables dependientes
medidas
Los coeficientes estimados listados para el modelo 2 en el Ejemplo 2.2 se obtuvieron utilizando
mnimos cuadrados no lineales (Bates y Watts, 1988). Como otro ejemplo, considrese el
problema de estimar la ganancia K y las constantes de tiempo ri para los modelos dinmicos de
primer y segundo orden basados en una respuesta de escaln unitario medida del proceso y (t).
Los modelos para la respuesta escalonada de estos dos procesos son, respectivamente (Seborg et
al., 1989),
Donde t = la variable independiente (tiempo) y = la variable dependiente
Aunque K aparezca linealmente en ambas ecuaciones de respuesta, 7, en (2.12) y r1 y r2 en (2.13)
aparecen de manera no lineal, de modo que se deben usar mnimos cuadrados no lineales para
estimar sus valores. Los detalles especficos de cmo llevar a cabo los clculos sern diferidos
hasta que tomemos mtodos numricos de optimizacin sin restricciones en el Captulo 6.
2.4. DISEOS FACTORIALES EXPERIMENTALES
Debido a que las variables de los modelos suelen estar altamente correlacionadas, cuando se
recopilan datos experimentales, la matriz xTx en la ecuacin 2.9 puede ser mal condicionada (ver
Apndice A), y por lo tanto las estimaciones de los valores de los coeficientes en un modelo
pueden tener asociaciones considerables incertidumbre. El mtodo de diseo experimental
factorial obliga a que los datos sean ortogonales y evita este problema. Este mtodo permite
determinar la importancia relativa de cada variable de entrada y as desarrollar un modelo
parsimonioso, que incluya slo las variables y efectos ms importantes. Los experimentos
factoriales tambin representan una experimentacin eficiente. Usted planifica y realiza
experimentos sistemticamente en los que todas las variables se cambian simultneamente en
lugar de una a la vez, reduciendo as el nmero de experimentos necesarios. Debido a la propiedad
de ortogonalidad del diseo factorial, las pruebas estadsticas son eficaces para discriminar entre
los efectos de las variaciones naturales de las materias primas, las operaciones unitarias replicadas
(por ejemplo, equipos en paralelo), los diferentes operadores, los diferentes lotes y otros factores
ambientales. Una matriz de diseo ortogonal adecuada para la recopilacin de datos proporciona
estimaciones independientes de las sumas de cuadrados para cada variable, as como
combinaciones de variables. Tambin las estimaciones de los coeficientes tienen una varianza
menor que la que puede obtenerse con un diseo experimental no ortogonal (Montgomery, 1997,
Box et al., 1978). Es decir, usted puede tener ms confianza en los valores calculados para Pi que
ocurrira con un diseo no ortogonal.
FIGURA E2.6 Diseo ortogonal para las variables temperatura, presin y caudal.
Es muy fcil resolver la ecuacin (2.9) ahora porque estas expresiones estn desacopladas; La
inversa de xTx para la ecuacin (2.13) se puede obtener simplemente tomando el recproco de los
elementos diagonales.
EJEMPLO 2.6 IDENTIFICACIN DE VARIABLES IMPORTANTES POR EXPERIMENTACIN UTILIZANDO
UN DISEO FACTORIAL ORTOGONAL
Supongamos que un reactor est funcionando en el estado de referencia de 220 C, presin de 3
atm y un caudal de gas de 200 kgh. Podemos establecer un diseo factorial ortogonal para
modelar este proceso con un modelo lineal Y = P, + Pp2 + P3x3 + P4x4 SO para que los valores
codificados de los xi sean 1, - 1 y 0. Examine la Figura E2.6. Supongamos que seleccionamos los
cambios en las condiciones de funcionamiento de _'20 C para la temperatura, 22 atm para la
presin, y 250 kglh para los caudales. Sea x, = 1; Entonces x ,, x3 y x, las variables codificadas, se
calculan en trminos de las condiciones operativas propuestas de la siguiente manera:
La matriz de coeficientes es
Variables
Ecuaciones (a) 1 -1 -1 (b) -0,4 1 0 (c) -0,6 0 1
Las tres ecuaciones no son independientes. El rango de la matriz de coeficientes es 2, por lo tanto,
slo hay dos variables independientes, y la columna 1 implica un grado de libertad. Columna 2 x2 =
x4 + x5 o x2 - x4 - x5 = 0 (6)
Hay una ecuacin y tres incgnitas, por lo que hay dos grados de libertad. Ms bien, hay cuatro
ecuaciones (a), (b), (c), (d) y cinco variables. La matriz de coeficientes es
Debido a que el rango de la matriz de coeficientes es tres, slo hay tres ecuaciones
independientes, de modo que la Ecuacin (2.14) indica que hay dos grados de libertad. Puede
reducir la dimensionalidad del conjunto de balances de materiales mediante la sustitucin de una
ecuacin por otra y eliminar las dos variables y las ecuaciones. En algunos problemas es ventajoso
eliminar variables dependientes evidentes para reducir el nmero de ecuaciones que deben ser
incluidas como restricciones. Se pueden eliminar las restricciones lineales a travs de la sustitucin
directa, dejando slo las restricciones no lineales, pero las ecuaciones resultantes pueden ser
demasiado complejas para que este procedimiento tenga mrito. El siguiente ejemplo ilustra un
problema de flujo de tubera en el que la sustitucin conduce a una variable independiente.
EJEMPLO 2.8 ANLISIS DEL FLUJO DE TUBERA
Supongamos que desea disear un sistema de tuberas de hidrocarburos en una planta entre dos
puntos sin cambios en la elevacin y desea seleccionar el dimetro ptimo del tubo que minimice
la combinacin de costos de capital de tubera y costos operativos de la bomba. Prepare un
modelo que pueda ser utilizado para llevar a cabo la optimizacin. Identificar las variables
independientes y dependientes que afectan las condiciones ptimas de operacin. Supongamos
que las propiedades del fluido (p, p) son conocidas y constantes, y se especifican el valor de la
longitud del tubo (L) y del caudal msico (m). En su anlisis utilice las siguientes variables de
proceso: dimetro de la tubera (D), velocidad del fluido (v), cada de presin (Ap), factor de
friccin (f). Solucin. Intuitivamente se espera que se encuentre un dimetro ptimo para
minimizar los costos totales. Est claro que las cuatro variables de proceso estn relacionadas y no
hay Independiente, pero necesitamos examinar de manera organizada cmo las restricciones de
igualdad (mod- els) afectan los grados de libertad. Enumere las restricciones de igualdad:
1. Balance de energa mecnica, suponiendo que no hay prdidas en los accesorios, no hay
cambios en la elevacin, etc.
2. Ecuacin de continuidad, basada en el caudal en condiciones turbulentas.
3. Una correlacin que relaciona el factor de friccin con el nmero de Reynolds (Re).
La grfica del factor de friccin est disponible en muchos manuales, de modo que dado un valor
de Re, se puede encontrar el valor correspondiente desactivado. En el contexto de la optimizacin
numrica, sin embargo, el uso de un grfico es un procedimiento engorroso. Debido a que todas
las restricciones deben expresarse como relaciones matemticas, se selecciona la correlacin de
Blasius para un tubo liso (Bird et al., 1964):
El modelo implica cuatro variables y tres ecuaciones algebraicas no lineales independientes, por lo
tanto existe un grado de libertad. Las restricciones de igualdad pueden ser manipuladas usando la
sustitucin directa para eliminar todas las variables excepto una, digamos el dimetro, que
entonces representara las variables independientes. Las otras tres variables seran dependientes.
Por supuesto, podramos seleccionar la velocidad como la nica variable independiente de
cualquiera de las cuatro variables. Vase el Ejemplo 13.1 para el uso de este modelo en un
problema de optimizacin.
2.6 EJEMPLOS DE INCUMPLIMIENTO DE INEQUIDAD E IGUALDAD EN MODELOS
Como se mencion en el captulo 1, la aparicin de restricciones de desigualdad lineal en los
procesos industriales es bastante comn. Las restricciones de desigualdad no afectan el recuento
de los grados de libertad a menos que se conviertan en restricciones activas. Ejemplos de estas
restricciones son:
Puede ver que el modelo para un proceso realista puede llegar a ser extremadamente complejo;
Lo que es importante recordar es que los pasos 1 y 3 de la tabla 1.1 proporcionan un marco
organizado para identificar todas las variables y formular la funcin objetiva, las restricciones de
igualdad y las restricciones de desigualdad. Despus de esto se hace, no es necesario eliminar las
variables redundantes o ecuaciones. El software de computadora generalmente puede manejar
relaciones redundantes (pero no inconsistentes).
1. Those based on physical theory. 2. Those based on strictly empirical descriptions (so-called black
box models).
Mathematical models based on physical and chemical laws (e.g., mass and energy balances,
thermodynamics, chemical reaction kinetics) are frequently employed in optimization applications
(refer to the examples in Chapters 11 through 16). These models are conceptually attractive
because a general model for any system size can be developed even before the system is
constructed. A detailed exposition of fun- damental mathematical models in chemical engineering
is beyond our scope here, although we present numerous examples of physiochemical models
throughout the book, especially in Chapters 11 to 16. Empirical models, on the other hand, are
attractive when a physical model cannot be developed due to limited time or resources. Input-
output data are necessary in order to fit unknown coefficients in either type of the model.