Escolar Documentos
Profissional Documentos
Cultura Documentos
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
= 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:
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
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??
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
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.
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
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?
TIEMPO DE EJECUCIN AE
usersystemelapsed
1.00 0.11 1.45