11.

Mtodos de superficie de respuesta y otros enfoques para la optimizacin de procesos

11-1 INTRODUCCION A LA METODOLOGIA DE SUPERFICIE DE RESPUESTA

La metodologa de superficies de respuesta, o MSR, es una coleccin de tcnicas matemticas y estadsticas tiles en el modelado y el anlisis de problemas en los que una respuesta de inters recibe la influencia de diversas variables y donde el objetivo es optimizar esta respuesta. Por ejemplo, suponga que un ingeniero qumico quiere encontrar los niveles de temperatura (x 1 ) y presin (x 2 ) que maximicen el rendimiento (y) de un proceso. El rendimiento del proceso es una funcin de los niveles de la temperatura y la presin, por ejemplo,
y = f( x1, x2 )+

donde representa el ruido o error observado en la respuesta y. Si la respuesta esperada se entonces a la superficie representada por denota por
= f( x1, x2 )

se le llama superficie de respuesta. Para ayudar a visualizar la forma de una superficie de respuesta, con frecuencia se grafican los contornos de la superficie de respuesta. En la grfica de contornos se trazan las lneas de respuesta constante en el plano x 1 , x 2 . Cada contorno corresponde a una altura particular de la superficie de respuesta. En la mayora de los problemas MSR, la forma de la relacin entre la respuesta y las variables independientes es desconocida. Por lo tanto, el primer paso de la MSR es encontrar una aproximacin adecuada de la verdadera relacin funcional entre y y el conjunto de variables independientes. Por lo general se emplea un polinomio de orden inferior en alguna regin de las variables independientes. Si la respuesta est bien modelada por una funcin lineal de las variables independientes, entonces la funcin de aproximacin es el modelo de primer orden (11-1) Si hay curvatura en el sistema, entonces debe usarse un polinomio de orden superior, tal como el modelo de segundo orden (11-2) En casi todos los problemas MSR se usa uno de estos modelos, o ambos. Desde luego, es probable que un modelo polinomial sea una aproximacin razonable de la verdadera relacin funcional en el espacio completo de las variables independientes, pero para una regin relativamente pequea suelen funcionar bastante bien. El mtodo de mnimos cuadrados se usa para estimar los parmetros de los polinomios de aproximacin. Si la superficie ajustada es una aproximacin adecuada de la verdadera funcin de respuesta, entonces el anlisis de la superficie ajustada ser un equivalente aproximado del anlisis del sistema real. Los parmetros del modelo pueden estimarse de manera ms eficiente cuando se emplean los diseos experimentales apropiados para recolectar los datos. Los diseos para ajustar superficies de respuesta se denominan diseos de superficie de respuesta. Estos diseos se revisan en la seccin 11-4.

Procedimiento Secuencial La MSR es un procedimiento secuencial. Muchas veces, cuando se est en un punto de la superficie de respuesta que est apartado del ptimo, el sistema presenta una curvatura moderada y el modelo de primer orden ser apropiado. El objetivo en este caso es llevar al experimentador de manera rpida y eficiente por la trayectoria del mejoramiento hasta la vecindad general del ptimo. Una vez que se ha encontrado la regin del ptimo, puede emplearse un modelo ms elaborado, como el de segundo orden, y llevarse a cabo un anlisis para localizar el ptimo. El anlisis de una superficie de respuesta puede considerarse como "el ascenso a una colina", donde la cima de sta representa el punto de la respuesta mxima. Si el verdadero ptimo es un punto de respuesta mnima, entonces la situacin puede considerarse como "el descenso a un valle". El objetivo ltimo de la MSR es determinar las condiciones de operacin ptimas del sistema o determinar una regin del espacio de los factores en la que se satisfagan los requerimientos de operacin. Se conducen experimentos sobre la trayectoria del ascenso ms pronunciado hasta que deja de observarse un incremento adicional en la respuesta. Entonces puede ajustarse un nuevo modelo de primer orden, determinarse una nueva trayectoria del ascenso ms pronunciado y el procedimiento contina. En ltima instancia, el experimentador llegar a la vecindad del ptimo. En general, la falta de ajuste del modelo de primer orden indica que se ha llegado a ella. En este momento se realizan experimentos adicionales para obtener una estimacin ms precisa del ptimo. EJEMPLO 11-1 Un ingeniero qumico est interesado en determinar las condiciones de operacin que maximizan el rendimiento de un proceso. Dos variables controlables influyen en el rendimiento del proceso: el tiempo de reaccin y la temperatura de reaccin. El ingeniero opera actualmente el proceso con un tiempo de reaccin de 35 minutos y una temperatura de 155F, que dan como resultado rendimientos de cerca de 40%. Puesto que es improbable que esta regin contenga el ptimo, el ingeniero ajusta un modelo de primer orden y aplica el mtodo del ascenso ms pronunciado. El ingeniero decide que la regin de exploracin para ajustar el modelo de primer orden deber ser (30,40) minutos de tiempo de reaccin y (150,160)F. Para simplificar los clculos, las variables independientes se codificarn en el intervalo usual (-1,1). Por lo tanto, si ^ denota la variable natural tiempo y 2 la variable natural temperatura, entonces las variables codificadas son _ g, - 35 _ g2 -155 X y '~~~5~~ * 2~ 5 El diseo experimental se muestra en la tabla 11-1. Observe que el diseo usado para recabar estos datos es un factorial 22 aumentado con cinco puntos centrales. Las rplicas del centro se usan para estimar el error experimental y permitir la verificacin de la adecuacin del modelo de primer orden. Adems, el diseo est centrado alrededor de las condiciones de operacin actuales del proceso. Es posible ajustar un modelo de primer orden a estos datos por el procedimiento de mnimos cuadrados. Aplicando los mtodos para diseos de dos niveles se obtiene el siguiente modelo en las variables codificadas: = 40.44 + 0.775x1 + 0.325x2

Tabla 11-1

Datos del proceso para ajustar el modelo de primer orden

Variables Naturales tiempo Temperatura 30 150 30 160 40 150 40 160 35 155 35 155 35 155 35 155 35 155

Variables codificadas x1 x2 -1 -1 -1 1 1 -1 1 1 0 0 0 0 0 0 0 0 0 0

Respuesta y 39.3 40.0 40.9 41.5 40.3 40.5 40.7 40.2 40.6