5.2.

RESULTADOS FASE II: ETAPA EXPERIMENTAL

Para ejemplificar las metodologasen estudio, se tom como base la investigacin

realizada por Arteaga y Colaboradores (2010) sobre el efecto de la temperatura y tiempo en
el rendimiento de biodiesel a partir de grasa refinada de pollo, que pasa por los procesos de
refinacin, esterificacin y transesterificacin. Como el biodiesel es un biocombustible
hecho deproductos naturales renovables y la grasa de pollo es unproducto de desecho, este
trabajo muestrauna opcin en la produccin debiocombustibles, sin utilizar
productosalimenticios agrcolas como materia prima, generando un producto final de
excelente calidad que cumple con todaslas normas establecidas en el rea. Las condiciones
de los parmetros utilizadas como punto de partida del estudio que proponen los autores
son:un tiempo de 90 minutos y una temperatura de 145 F, que permiten obtener
rendimientos promedio de 87,7%.
Los datos que se utilizaron para generar las pruebas experimentales fueron
simulados a travs del mtodo de Montecarlo manteniendo las condiciones establecidas por
la problemtica presentada por Arteaga y Colaboradores (2010). Este mtodo, segn Sbol
(1983) se basa en simular la realidad a travs del estudio de una muestra, que se ha
generado de forma totalmente aleatoria. Resulta, por tanto, de gran utilidad en los casos en
los que no es posible obtener informacin sobre la situacin a analizar, o cuando la
experimentacin no es posibleo es muy costosa.
Montecarlo permite tener en cuenta para el anlisis un elevado nmero de
escenarios aleatorios, ampliando la perspectiva de forma que se pueden hacer anlisis que
se ajusten en mayor medida a la variabilidad real de las variables consideradas. La
aplicacin de esta tcnica se basa en la identificacin de las variables que se consideran
ms significativas, as como las relaciones existentes entre ellas, para explicar la situacin a
estudiar mediante la sustitucin del universo real, por un universo terico utilizando
nmeros aleatorios. (Shannon, 2005)
Para la simulacin de los datos, se tom la funcin de densidad de la distribucin
normal, con media cero y desviacin estndar uno (N(0,1)) para generar el error
experimental del modelo, tomando como muestra 13 datos de la poblacin de 100
elementos (Ver Anexo X), reportndose un promedio de tiempo: 90 7,8 min y de
temperatura: 145 3,9F para alcanzar un promedio de rendimiento de 89 2 % de
biodiesel a partir de grasa refinada de pollo. A continuacin se presenta la muestra
generada (Tabla Nro. 2)
.
Tabla Nro. 2: Datos Simulados
Nro. Variables reales Respuesta
corridas x1 x2 Y
1 80 140 86
2 80 150 90
3 100 140 91
4 100 150 86
5 90 145 89
6 90 145 88
7 90 145 91
8 90 145 90
9 90 145 89
10 76 145 87
11 104 145 88
12 90 138 89
13 90 152 93

5.2.1. Aplicacin de la Metodologa de Superficies de Respuesta para la

optimizacin de procesos a datos simulados.
A continuacin se presenta la aplicacin de la Metodologa de Superficie de
Respuesta (RSM) a los datos simulados, con el objetivo de maximizar el rendimiento (%)
de elaboracin de biodiesel a partir de la grasa de pollo, donde se definen los siguientes
trminos:
X1: Tiempo de reaccin en minutos (min);
X2: Temperatura de reaccin en grados Fahrenheit (F)
Y: Rendimiento en porcentaje (%)
Donde, X1 y X2, corresponden a los factores en estudio y la respuesta esperada est
determinada por la variable Y. Fue utilizado un Diseo Compuesto Central (DCC) Rotable
de segundo orden, que incluye dos factores a cinco niveles, con un valor de alfa igual a
1,4142, considerndose como punto central de la superficie a optimizar para X1= 90
minutos y X2= 145 F.
Para el proceso de codificacin de las variables, se aplic la siguiente frmula:
 (
)
= (Nro.)

Donde xci es la variable codificada, xi es la variable real en estudio, con i=12;

es el promedio y es la desviacin estndar de cada variable respectivamente. Los
resultados se presentan en la Tabla Nro. 3:

Tabla Nro. 3: Variables reales y codificadas con base a un diseo Central Compuesto
Variables reales Variables Codificadas Respuesta
Nro. x1 x2 x1 x2 Y
Corridas
1 80 140 -1 -1 86
factoriales
Puntos

2 80 150 -1 1 90
3 100 140 1 -1 91
4 100 150 1 1 86
5 90 145 0 0 89
Centrales

6 90 145 0 0 88
Puntos

7 90 145 0 0 91
8 90 145 0 0 90
9 90 145 0 0 89
10 76 145 -1,41 0 87
Axiales
Puntos

11 104 145 1,41 0 88

12 90 138 0 -1,41 89
13 90 152 0 1,41 93

Se utilizara el siguiente modelo para explicar las variaciones observadas del

rendimiento: Commented [i1]: Qu significa?

= 0 + 1 1 + 2 2 + 3 12 + 4 22 + 5 1 2(5.7x)

Donde y es la respuesta; b0, representa la media general, b1, b2,, b5, son los
coeficientes de regresin a estimar, x1 y x2, representan los dos factores codificados en su
forma lineal, x121 y x22los factores cuadrticos; x1 y x2la interaccin respectivamente, con y
es el error experimental o aleatorio. Una vez obtenido los datos se procede a realizar el
anlisis estadstico respectivo, basado en los lineamientos de la MSR.
 Estudio de las condiciones ptimas utilizando la Metodologa de Superficie de
Respuesta:

Paso 1
En esta fase se procedi a realizar el estudio estadstico correspondiente para
verificar si las variables resultan significativas en la respuesta.
Se gener un modelo de primer orden, utilizando los puntos factoriales y centrales
respectivamente, obtenindose los siguientes resultados:

Anlisis de Regresin para el modelo:

Estimate Std. Error tValue Pr(>|t|)
(Intercept) 88.71429 0.98068 90.4619 8.952e-08 ***
x1 0.25000 1.29732 0.1927 0.8566 ns
x2 -0.25000 1.29732 -0.1927 0.8566 ns
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . ns_no significativa
Multiple R-squared: 0.01823, Adjusted R-squared: -0.4727
F-statistic: 0.03714 on 2 and 4 DF, p-value: 0.9639

Modelo de regresin lineal de primer orden

y = 87,71429 + 0,25x1-0,25x2 (NRO)

Anlisis de Varianza para el modelode primer orden

Df Sum Sq Mean Sq F value Pr(>F)
FO(X1, X2) 2 0.5000 0.2500 0.0371 0.9639
Residuals 4 26.9286 6.7321
Lack of fit 2 22.2619 11.1310 4.7704 0.1733
Pure error 2 4.6667 2.3333
Corresponding increment in original units:
x1 =0.7071068 x2= -0.7071068

Los resultados muestran que la falta de ajuste del modelo no es significativa. A su

vez, coeficiente de determinacin (R2) fue de 0,01823, indicando que del 100%, el modelo
lineal explica la variabilidad dela respuesta (rendimiento) en un 1,82%, .completar Commented [i2]: redaccin
Paso 2:
Se procede a evaluar los efectos cuadrticos, realizando el anlisis de regresin para
generar el modelo de 2doorden, incluyendo los puntos axiales, a travs del respectivo
Anlisis de Varianza.

Anlisis de Regresin para el modelo de 2do. Orden:

Estimate Std. Error t Value Pr(>|t|)

(Intercept) 89.40012 0.60381 148.0603 1.692e-13 ***
x1 0.30180 0.47739 0.6322 0.54735 ns
x2 0.58209 0.47739 1.2193 0.26221 ns
x1: x2 -2.25000 0.67508 -3.3329 0.01254 *
2
x1 -1.20041 0.51201 -2.3445 0.05150 *
2
x2 0.55012 0.51201 1.0744 0.31827 ns

Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . ns: no significativa

Multiple R-squared: 0.7428, Adjusted R-squared: 0.5625
F-statistic: 4.086 on 5 and 7 DF, p-value: 0.04682

Modelo de regresin lineal de segundo orden

y = 89.40012 + 0.3018x1 +0.58209x2-1.20041 x12+ 0.55012x22 -2.25x1x2(Nro)
 Anlisis de Varianza para para el modelode segundo orden
Df Sum Sq Mean Sq F value Pr(>F)
FO(X1, X2) 2 3.4387 1.7194 0.9432 0.43382
TWI(X1, X2) 1 20.2500 20.2500 11.1085 0.01254
PQ(X1, X2) 2 13.5508 6.7754 3.7168 0.07944
Residuals 7 12.7605 1.8229
Lack of fit 3 7.5605 2.5202 1.9386 0.26517
Pure error 4 5.2000 1.3000

FO=Efecto lineal, TWI=Efecto interaccin, PQ=Efecto cuadrtico

Los resultados muestran que la falta de ajuste del modelo no es significativa. A su

vez, coeficiente de determinacin (R2) fue de 0.7428, indicando que del 100%, el modelo
lineal explica la variabilidad dela respuesta (rendimiento) en un 74,28%. En el modelo se Commented [i3]: Redaccin

incluyen las variables x1 y x2, tiempo y temperatura respectivamente con su aporte lineal,
sin embargo, los efectos de interaccin y cuadrticos no son significativos. A continuacin,
se somete el modelo de 2do orden al Anlisis Cannico y Ridge para determinar las
condiciones ptimas de operacin del proceso de elaboracin de biodiesel. Commented [i4]: Debes tener cuidado que modelo utilizas,

Paso 3:
A continuacin se procede a explorar la regin experimental, a travs del modelo
de 2do orden, para caracterizar la superficie y determinar las coordenadas del punto
estacionario y el tipo de punto.

Anlisis Cannico
Stationary point of response surface:
$xs
x1 x2
0.21310364 -0.09325715

$eigen$values
[1] 1.100234 -1.750529
$eigen$vectors
[,1] [,2]
x1 0.4392857 -0.8983474
x2 -0.8983474 -0.4392857

Los resultados muestran ..

El tipo de punto estacionario viene determinado por los signos de los valores
propios o caractersticos (eingevalores), en este caso hay ambos signos, 1=0.2804215 y
2=-0.7803988 lo que indica que se est en presencia de un punto de silla. Commented [i5]: redaccin

Paso 4:
En este paso se procede a ir en bsqueda del mejor punto posible dentro de la
regin experimental, lo cual se realiza a travs del Anlisis Ridge. Se establece la regin
entre (-1.41; 1.41) a un paso de 0.25 unidades. Commented [i6]: Quin se establece dentro de ese intervalo??

Anlisis Ridge Commented [i7]: No entiendo como aplicas el ridge=

Path of steepest ascent from ridge analysis:

dist x1 x2 | yhat
1 1.41 -0.539 1.303 | 92.161
2 1.16 -0.430 1.077 | 91.355
3 0.91 -0.321 0.852 | 90.690
4 0.66 -0.212 0.625 | 90.159
5 0.41 -0.106 0.396 | 89.766
6 0.16 -0.008 0.160 | 89.508
7 0.09 0.010 0.089 | 89.457
8 0.34 -0.077 0.331 | 89.680
9 0.59 -0.182 0.561 | 90.035
10 0.84 -0.290 0.788 | 90.526
11 1.09 -0.399 1.014 | 91.155
12 1.34 -0.508 1.240 | 91.922

Corregir:
Se observa que el punto candidato a ptimo est en el paso 5, es decir, en el origen,
para X1=0y X2= 0, respectivamente, obtenindose una respuesta estimada igual a Y=88, Commented [i8]: Por qu?, no lo veo as

toda vez que se observa variacin o inestabilidad en la respuesta al alejarse de este punto.
En trminos de los valores reales de las variables en estudio son: X 1=90min y X2=145F,
respectivamente, para generar un rendimiento en la produccin de biodiesel igual a
y=87,99994%. Commented [i9]: No tiene sentido

Grficas del modelo

A continuacin se presentan las grficas del modelo en estudio,
Grafica Nro. XX: Superficie de Respuesta para el Rendimiento en funcin de la temperatura y tiempo
Grfica Nro. XX: Curvas de nivel y contorno para el Rendimiento en funcin de la temperatura y
tiempo.

Interpretacin de las grficas

 5.2.2. Utilizacin de los Algoritmos Evolutivos en la Metodologa de Superficies
de Respuesta para la optimizacin de procesos a datos simulados.
Una vez obtenido el modelo de segundo orden, a travs de la aplicacin de la
Metodologa de Superficie de Respuesta, se incorpora el Algoritmo Evolutivo (AE), en R,
para realizar la optimizacin del proceso.

Estudio de las condiciones ptimas utilizando Algoritmos Evolutivos:

Paso 1:
Se define la funcin Fitness (funcin de aptitud o de adecuacin), representada por el
modelo de 2do. Grado generado en la aplicacin de la Superficie de Respuesta a los datos
simulados.

y = 89.40012 + 0.3018x1 + 0.58209x2 -1.20041 x12+ 0.55012x22 -2.25x1x2(Nro)

Paso 2:
Se establecen las condiciones de operacin del algoritmo, segn se muestran a
continuacin:
Tipo de Algoritmo (Real): real_valued
Tipo de Seleccin (Por torneo): geareal_tourselection
Tipo de Cruce (Un Punto): gareal_spCrossover
Tipo de Mutacin (Uniforme): gareal_raMutation
Grado de entrecruzamiento (80%): pcrossover = 0.8
Grado de mutacin por generacin (1%): pmutation = 0.01
Tamao mximo de la poblacin (100): popSize = 100
Mximo nmero de Interacciones (100): maxiter = 100

Paso 3:
Se generan los resultados y la grfica correspondiente: Ver programa en el Anexo X
ALGORITMO EVOLUTIVO
RESULTADOS

GA settings:
Type = real-valued
Population size = 100
Number of generations = 100
Elitism = 5
Crossover probability = 0.8
Mutation probability = 0.01
Search domain =
x1 x2
Min -1 -1
Max 1 1

GA results:
Iterations = 100
Fitness function value = 38079.85
Solution =
x1 x2
[1,] 1 -1

El punto candidato ptimo generado por el AE es para X1= 1 y X2= -1,

respectivamente. En trminos de los valores reales de las variables en estudio son:
X1=XXmin y X2=XXXF, respectivamente, para generar un rendimiento en la produccin
de biodiesel igual a y=XXX%.

GRFICA
5.2.3 Comparacin de los resultados obtenidos en la aplicacin de las metodologas en
estudio en la optimizacin de procesos.
El potencial y las limitaciones tanto de la Metodologa Superficie de Respuesta
(MSR) como de los Algoritmos Evolutivos (AE) fue presentado en esta investigacin a
travs del anlisis terico y experimental, este proceso permiti realizar una comparacin
entre ambas metodologas aplicadas en la optimizacin de procesos con la finalidad de
determinar sus ventajas y desventajas al momento de que el investigador deba tomar una
decisin del mejor camino a seguir. Commented [i10]: Hay que tener cuidado, recuerda que se esta
introduciendo un nuevo mtodo de optimizacin en la MSR.
En tal sentido, a continuacin se presenta el proceso de evaluacin y anlisis
utilizado, tomando en cuenta la naturaleza estocstica de las metodologas estudiadas y
estableciendo como medidas de desempeo los criterios que se describen a continuacin:
1. La Varianza de las funciones analticas se utiliz para medir precisin y estabilidad
de los mtodos. Para un mtodo heurstico de optimizacin, se dice, que es estable si este
estadstico es bajo.Se cataloga la precisin en el mtodo cuando, la diferencia entre la
media de las pruebas y el valor optimo analtico es pequeo. Commented [i11]: Puedes obtenerlo para ambos mtodos?

2. La metodologa es descrita como robusta, cuando se prueba en diferentes problemas Commented [i12]: cul?

y ofrece precisin y estabilidad.

3. Se estim el tiempo empleado por las metodologas en estudio, como el promedio
de la duracin de la ejecucin de las corridas realizadas y fue expresado en segundos.
En funcin de los resultados de la fase experimental, se establece la comparacin
entre la respuesta de la variable en estudio, en este caso, rendimiento (y) medido en
porcentaje rendimiento de biodiesel a partir de grasa refinada de pollo, generados a travs
de la simulacin y los obtenidos a travs de la aplicacin del Anlisis Ridge de la
Superficie de Respuesta y del Algoritmo Evolutivo. Las respuestas son las siguientes: Commented [i13]: Trabajar en base a lo conversado
 Rendimiento (y) %
Simulados Ridge AE
85 88,855 87,719
88 88,429 87,365
89 88,000 87,156
89 88,429 86,936
88 88,855 86,789
87 89,400 86,568
88 90,079 86,591
89 90,897 86,541
88 91,855 86,491
86 92,951 86,466
87 94,189 86,433
87 95,564 86,407
89 97,079 86,394 Commented [i14]: Es importante indicar los niveles de X1 y X2
donde se obtienen esos valores.

TIEMPO DE EJECUCIN AE

usersystemelapsed
1.00 0.11 1.45