Escolar Documentos
Profissional Documentos
Cultura Documentos
CIEP-FCQ-UASLP
2
Índice general
1. INTRODUCCION A LA SIMULACION 1
1.1. Simulación de Procesos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1. Reseña Histórica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.2. Habilidades Necesarias para la Simulación de Procesos . . . . . . . . 2
1.1.3. Aplicación de la Simulación de Procesos . . . . . . . . . . . . . . . . 2
1.1.4. Simuladores Comerciales de Procesos . . . . . . . . . . . . . . . . . . 4
1.1.5. Limitaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2. Estrategia General para la Simulación de Procesos . . . . . . . . . . . . . . . 6
1.2.1. Definición del Problema . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.2. Modelamiento Matemático del Proceso . . . . . . . . . . . . . . . . . 6
1.2.3. Organización de las Ecuaciones . . . . . . . . . . . . . . . . . . . . . 7
1.2.4. Computación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.5. Interpretación de Resultados . . . . . . . . . . . . . . . . . . . . . . . 9
1.3. Estructura en el Modelamiento Matemático . . . . . . . . . . . . . . . . . . 9
1.4. Grados de Libertad y Variables de Salida y Diseño . . . . . . . . . . . . . . . 11
1.5. Estrategias de solución en el modelado de procesos . . . . . . . . . . . . . . 12
1.5.1. Método Modular Secuencial (orientado al proceso) . . . . . . . . . . . 12
1.5.2. Método Orientado a Ecuaciones . . . . . . . . . . . . . . . . . . . . . 17
1.6. Análisis Estructural . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.6.1. Breve reseña histórica . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.6.2. La Tabla (Matriz) de Incidencias (Ocurrencias) . . . . . . . . . . . . 20
1.6.3. La Matriz (Tabla) de Funcionalidad . . . . . . . . . . . . . . . . . . . 21
1.6.4. Una estrategia de solución óptima . . . . . . . . . . . . . . . . . . . . 22
1.6.5. Ejemplo simple de análisis estructural . . . . . . . . . . . . . . . . . . 24
2. MODELADO DE PROCESOS 35
2.1. MODELOS EN ESTADO ESTACIONARIO . . . . . . . . . . . . . . . . . . 35
2.1.1. Problema de Simulación . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.1.2. Problema de Diseño . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.2. MODELOS EN ESTADO TRANSITORIO . . . . . . . . . . . . . . . . . . . 57
2.2.1. Tanque de Almacenamiento . . . . . . . . . . . . . . . . . . . . . . . 57
2.2.2. Calentador de Tanque Agitado . . . . . . . . . . . . . . . . . . . . . . 60
ÍNDICE GENERAL i
3. OPTIMIZACION 65
3.1. Bases Matemáticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.2. Optimización Univariable: Problemas Max-Min . . . . . . . . . . . . . . . . 66
3.2.1. Métodos Analíticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.2.2. Optimización por medio de Software (Excel) . . . . . . . . . . . . . . 69
3.2.3. Métodos Gráficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.2.4. Métodos Numéricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.3. Optimización Multivariable Sin Restricciones . . . . . . . . . . . . . . . . . . 75
3.3.1. Solución Analítica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
3.3.2. Solución Numérica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
3.4. Optimización Multivariable Con Restricciones . . . . . . . . . . . . . . . . . 77
ii ÍNDICE GENERAL
1. INTRODUCCION A LA SIMULACION
La crisis del petróleo de los años setenta obligó a la industria en general a enfocar sus
esfuerzos en ser enérgicamente más eficientes, iniciándose así una etapa de desarrollo tec-
nológico encaminado a mejorar los procesos existentes y a diseñar otros nuevos más eficientes.
Este fue el caldo de cultivo necesario para motivar el desarrolló en simulación de procesos.
El comienzo fue lento y se dio en forma conceptual, experimental y académica en algu-
nas compañías y universidades en Estados Unidos, Canadá y Europa. Para 1975 se había
generalizado el desarrollo de simuladores con algunas aplicaciones industriales reducidas.
En 1980 empezaron a surgir compañías elaboradoras de software, que desarrollaban pa-
quetes de simulación para su comercialización, pero tenían la desventaja de que la entrada
y salida de la información eran muy rígidas y se presentaban en forma de listados de difícil
interpretación. A finales de los años 80’s se inició el desarrollo de paquetes de simulación in-
teractivos y su comercialización marcó el comienzo de un uso más intensivo y generalizado en
la industria y las universidades. Entre 1991 y 1995 se inicia la comercialización de paquetes
INTRODUCCION A LA SIMULACION 1
de simulación dinámica y de integración de energía.
En los últimos años, la simulación de procesos en estado estacionario ha llegado a ser una
herramienta de apoyo para el diseño de procesos químicos y además su uso se está extendiendo
en las instituciones de formación de ingenieros químicos. La simulación de procesos está
jugando un papel muy importante en la industría química, como una herramienta adecuada
y oportuna para el diseño, caracterización, optimización y monitoreo del funcionamiento de
procesos industriales.
Aun cuando en sus inicios la simulación de procesos estuvo enfocada principalmente a
la industria petroquímica y de refinación del petróleo, su aplicación se ha ido extendiendo a
otras industrias tales como la de combustibles sintéticos, pulpa y papel, cemento, metales,
minerales, alimentos, etc., en donde se involucra la fase sólida.
La simulación de procesos químicos ha involucrado ambos comportamientos de procesos
estacionarios y dinámicos.
2 INTRODUCCION A LA SIMULACION
tales como ingeniería biológica e ingeniería ambiental. Los ingenieros han encontrado que
la simulación ha sido capaz de hacer contribuciones significativas a la sociedad a traves de
simulaciones exitosas de sistemas biológicos y ambientales. Los esfuerzos futuros caerán en
el modelamiento de sistemas políticos y sociales.
La variedad de aplicaciones de los simuladores de procesos es muy grande, anteriormente
sólo los usaban ingenieros que diseñaban procesos, ahora manejan simuladores los ingenieros
ambientales, ingenieros de proceso y hasta ingenieros de planta en su lugar de trabajo; inge-
nieros con poca o ninguna instrucción de programación pueden modelar procesos complejos.
En principio, la simulación de procesos puede ser útil en todas las etapas del desarrollo
de un proyecto industrial. En las diferentes etapas de un proyecto, puede haber necesidad de
realizar simulaciones con diferentes niveles de sofisticación. La simulación de procesos puede
usarse en las siguientes etapas de desarrollo de un proyecto industrial:
1. Investigación y Desarrollo. Una simulación sencilla puede usarse para probar la factibil-
idad técnica y económica del proyecto.
3. Planta Piloto. Simulación con modelos más sofisticados para obtener mejores estima-
ciones de las condiciones de operación a escala industrial. Las simulaciones son una
forma razonable de extrapolar la ejecución y escalamiento de los procesos. Incorporan-
do mecanismos fundamentales en la simulación de procesos, la ejecución de los sistemas
puede ser predicha en regiones de operación nuevas y diferentes.
4. Diseño. La simulación proporciona todos los datos de proceso requeridos para el diseño
detallado de los diferentes equipos.
5. Simulación de Plantas Existentes. Puede ser muy útil cuando es necesario cambiar las
condiciones de operación, o cuando se quiere sustituir materias primas.
7. Caracterización del Proceso. Es una forma conveniente de investigar los efectos de los
parámetros del sistema y las perturbaciones del proceso en operación. Usualmente es
muy fácil desarrollar aproximaciones alternativas de operación y evaluar esas alter-
nativas con un modelo matemático en lugar de hacerlo por métodos experimentales.
Para verificar los resultados de la simulación usualmente algunos experimentos son
realizados, pero solamente los experimentos realmente críticos son necesarios.
SIMULACIÓN DE PROCESOS 3
8. Entendimiento del Comportamiento y Mecanismos Significativos del Proceso. Plante-
ando rigorosamente los modelos matemáticos, el ingeniero aprende mucho a cerca del
proceso que está siendo simulado. Para obtener una simulación exitosa, se deben de-
scribir cualitativamente los mecanismos significativos del proceso. Resolviendo el mod-
elo, relaciones útiles entre el proceso y las variables del equipo son reveladas y pueden
observarse fácilmente.
La simulación de procesos químicos es una herramienta moderna que se ha hecho indis-
pensable para la solución adecuada de los problemas de proceso. Permite efectuar el análisis
de plantas químicas en operación y llevar a cabo las siguientes tareas, las cuales son comunes
en las diversas ramas de la industría química:
Detección de cuellos de botella en la producción.
Predicción de los efectos de cambios en las condiciones de operación y capacidad de la
planta.
Optimización de las variables de operación.
Optimización del proceso cuando cambian las características de los insumos y/o las
condiciones económicas del mercado.
Análisis de nuevos procesos para nuevos productos.
Evaluación de alternativas de proceso para reducir el consumo de energía.
Análisis de condiciones críticas de operación.
Transformación de un proceso para desarrollar otras materias primas.
Análisis de factibilidad y viabilidad de nuevos procesos.
Optimización del proceso para minimizar la producción de desechos y contaminantes.
Entrenamiento de operadores e ingenieros de proceso.
Investigación de la factibilidad de automatización de un proceso, etc.
Existe una gran variedad de simuladores comerciales de procesos, algunos de los cuales
son poderosas herramientas de cálculo en procesos industriales, con enormes bases de datos
y un fuerte respaldo de bibliotecas para cálculos de equipos y bibliotecas de modelos para
cálculos termodinámicos, que le dan al simulador la ventaja de una gran versatilidad. Algunos
de estos simuladores de procesos de propósitos generales son:
4 INTRODUCCION A LA SIMULACION
1. Aspen Plus y Speedup (de Aspen Technology, USA)
La mayoría de ellos son simuladores de procesos en estado estable, que pueden expandirse
a la simulación de procesos en estado transitorio (simulación dinámica) con la adición de un
modulo (el modulo dinámico) que se obtiene por separado.
Un aspecto muy importante en los simuladores de procesos, es la disponibilidad de
los diferentes equipos usados en la industría de prosesos, así como la disponibilidad de
propiedades termodinámicas y de transporte de las corrientes del proceso. Las propiedades
son fundamentales para efectuar los balances de materia y energía al grado de que si se
tuvieran buenos datos o buenas correlaciones para las propiedades, entonces los resultados
de la simulación serían altamente confiables.
Los simuladores modernos deben permitir la selección de los modelos de propiedades
termodinámicos adecuados para la naturaleza de los componentes químicos, estado de agre-
gación y condiciones de operación.
1.1.5. Limitaciones
SIMULACIÓN DE PROCESOS 5
1.2. Estrategia General para la Simulación de Procesos
La estrategia general para la simulación de procesos complejos sigue una ruta bien defini-
da que consiste de los pasos de sentido común dados en el diagrama de bloques acompañante.
Note que la información viaja en ambas direcciones, indicando la naturaleza adaptativa del
desarrollo de alguna simulación exitosa.
Esta es una fase muy importante de una simulación exitosa pero desafortunadamente
hay muy pocas reglas generales y precisas que se apliquen. La clave real a la definición
del problema es un ingeniero imaginativo. Lo que se requiere es un pensamiento creativo
basado en entrenamiento ingenieril. El ingeniero debe gastar suficiente tiempo en este aspecto
del problema antes de proceder. Una buena definición del problema viene de responder las
siguientes preguntas:
Despúes de haber definido el problema, el ingeniero está listo para escribir las ecuaciones
de balance y relaciones mecánicas apropiadas para el proceso. Los experimentos críticos de
laboratorio (en caso de haberlos) deben ser diseñados y ejecutados para determinar mecan-
ismos desconocidos y parámetros del modelo. Las descisiones deben hacerse sobre los efectos
6 INTRODUCCION A LA SIMULACION
importantes y sobre los que pueden despreciarse. Un análisis de orden de magnitud ayuda
a simplificarr estas decisiones críticas. Es imperativo que el ingeniero este consciente y no
sobrestime ni olvide las suposiciones hechas en el desarrollo del modelo matemático.
El modelamiento matemático de los procesos se obtiene de aplicar las leyes de conser-
vación, ademas de aplicar relaciones adicionales de todas las áreas afines con la ingeniería de
procesos (termodinámica, cinética, etc.). Estas relaciones se expresan como:
Relaciones de equilibrio.
Otras relaciones.
Una vez que las relaciones matemáticas se han obtenido, tienen que ser arregladas en
una estrategia de solución, eso es, se tienen que tomar decisiones sobre cuál variable debe
ser resuelta con cuál relación. Para problemas pequeños, comúnmente llevamos este trabajo
rutinariamente sin mucho esfuerza mental. Sin embargo, para problemas grandes se debe
tener precaución. Se recomienda arreglar las ecuaciones en una tabla de ocurrencias o en
un diagrama de bloques de flujo de información. Estas herramientas son útiles para
propósitos de organización e ilustran las interrelaciones entre ecuaciones-variables. También
las ecuaciones serán arregladas tal que la estrategia de solución sea paralela a la relación
lógica de causa y efecto del sistema físico. Este ordenamiento natural de las ecuaciones
usualmente tiende a estrategias de solución estables y eficientes.
1.2.4. Computación
Métodos numéricos
Programación
Algunos lenguajes de programación son diseñados para uso científico y también tienen
excelentes capacidades lógicas; esto es, son usados fuertemente por ingenieros de proceso
experimentados. Para facilitar el esfuerzo de la programación, al usar métodos numéricos,
se han escrito subrutinas científicas generalizadas. Muchas de estas subrutinas científicas se
pueden encontrar publicadas en paginas web de internet, en forma libre o bien en venta. Un
conjunto (libre) particularmente útil y bien documentado es la librería IMSL, la cual está
disponible para computadoras personales y estaciones de trabajo. Un conjunto de subrutinas
en venta son las del "Numerical Recipes", las cuales se encuentran disponibles para diferentes
lenguajes de programación (Fortran, C, Matlab, etc.).
Cuando no se tienen disponibles estas rutinas, es necesario programarlas. Para ello se
pueden usar los lenguajes de programación, tales como: Fortran, C (ó C++), Matlab, Math-
Cad, etc.
8 INTRODUCCION A LA SIMULACION
1.2.5. Interpretación de Resultados
Se recomienda que los balances se hagan en forma natural, es decir, se tome todo como
incógnitas y se comience desde las ecuaciones de los principios básicos, dejando las sustitu-
ciones de valores conocidos hasta el final. Se recomienda que solo cuando una variable tenga
valor conocido de cero, mejor no se meta en la ecuación.
En un proceso (un sólo equipo) en el que se involucran componentes y corrientes de
flujo (entradas y salidas), se tendrán las siguientes ecuaciones:
1. de Balance Global: 1
3. de Restricción:
4. de Balance de Energía: 1
6. Relaciones Auxiliares.
A B
1 B
C D
2
E 3 F
2. Si una variable tiene valor de cero, es conveniente que al plantear los balances, se
elimine de las ecuaciones. En caso de que esa variable sea suceptible a estudios más
avanzados, no debe eliminarse.
10 INTRODUCCION A LA SIMULACION
3. En caso de que los valores conocidos pertenezcan, todos, a una misma ecuación, cor-
roborar que esa ecuación se convierta en una IDENTIDAD. Cuando la ecuación no se
hace identidad, se tiene un problema mal especificado.
4. La mayoría de las preguntas que se han abierto, se pueden contestar con un buen
reacomodo de ecuaciones-variables. Este asunto se tratará más adelante con la llamada
Tabla de Incidencias (Ocurrencias o Funcionalidad).
Despúes del modelamiento se tiene un sistema con ecuaciones y variables. Los grados
de libertad del sistema son el número de las variables que sobrepasan a las ecuciones, esto
es:
= −
Este número es conveniente para tomar desiciones sobre que hacer con el sistema.
Cuando los grados de libertad son positivos ( ) significa que tenemos la libertad de
asignar o dar valores a un número de variables, ¿cuáles?. Este puede ser un trabajo
tedioso y cansado cuando se escogen las variables por inspección, aunque la experiencia en
el proceso puede ser de gran ayuda. Las variables escogidas para darles valores se conocen
como variables de diseño (o entrada). El número de posibilidades de escoger variables
de diseño se torna en un problema combinatorial. Por ejemplo, para un problema en el que
se tienen 5 ecuaciones que involucran 7 incógnitas, existen 7 − 5 = 2 grados de libertad, lo
que significa que debemos escoger 2 de las 7 variables para asignarles valores. De aquí que
existen 27 = 21 posibilidades de escoger las dos variables
1 (1 2 · · · ) = 0
2 (1 2 · · · ) = 0
.. ó () = 0
.
(1 2 · · · ) = 0
12 INTRODUCCION A LA SIMULACION
biblioteca de modulos que puede ser usada para simular una gran diversidad de diagramas
de flujo de proceso en una estructura flexible.
En este método, una subrutina de cálculo para una unidad de proceso dada,
calcula las variables de las corrientes de salida de esa unidad de proceso con base
en el modelo matemático correspondiente a ese equipo, conocidas las variables
de las corrientes de entrada y los parámetros de equipo de esa unidad de proceso.
Las corrientes de reciclo en el proceso son resueltas, en este método, mediante un pro-
cedimiento iterativo. Se suponen valores iniciales de las variables de una o varias corrientes
involucradas en el reciclo y se busca la convergencia de los valores de esas variables en el
proceso iterativo. A las corrientes a suponer se les conoce como corrientes de corte o
rompimiento y en la literatura de simulación existen técnicas tanto para detectar reciclos
en el diagrama de flujo de un proceso (Sargent y Westerberg, 1964; Crowe et al., 1971), como
para determinar las corrientes de corte (el número mínimo de ellas) necesarias en la solución
de esos reciclos (Kahat y Shachman, 1973; Pho y Lapidus, 1973; Upadhye y Grens, 1975;
Murthy y Husain, 1983).
Este procedimiento se puede ilustrar con base en el conocido diagrama de flujo de Lee y
Rudd (1966).
1 5
1 3
3 2 4
7
5 2 4
6 8
Obsérvese que en este proceso solamente se tienen corrientes de reciclo. Para resolver este
proceso por el método modular secuencial, se podría comenzar por cualquiera de los equipos
involucrados, sin embargo, debido a los reciclos involucrados, el equipo inicial elegido y la
secuencia que se le siga determinaran en gran medida la cantidad de iteraciones (y el tiempo)
necesarias para resolver el proceso completo hasta un grado de presición establecido. En este
caso, la pregunta a contestar seria ¿cuál es la secuencia de solución para resolver el
problema usando un número mínimo de iteraciones para una presición dada?.
Se pide al lector que anlice diferentes secuencias de solucion y las compare de acuerdo al
número de corrientes de corte obtenidas.
A continuación se presenta un método sencillo, aplicado a este proceso, para obtener una
secuencia de solución óptima de acurdo al número mínimo de corrientes de corte.
2. Se elimina el renglon (con sus correspondientes columnas) que tenga el menor número
de . En caso de que haya dos renglones con el mismo numero de , se eliminará
primero el que tenga el mayor número de . En caso de empate, se elimina el que
tenga el menor + . Encaso de empate, se elimina el que tenga mayor número
+ . En caso nuevamente de empate, se elimina el primero que se encuentre de
arriba a abajo.
14 INTRODUCCION A LA SIMULACION
3. Se sigue el procedimiento hasta eliminar todos los renglones.
E\C 1 2 3 5 7 8 4 6
1 S E S 1
4 S E S 2
3 E E S 3
5 S E E S 4
2 S E E 5
1 1 1 2 2 2 3 4
a) Se comienza resolviendo las ecuaciones del equipo 1. Para ello es necesario conocer
la información de la corriente 2 de entrada. Debido a que esta corriente esta dentro
de un reciclo, se debe estimar por lo que es un acorriente de corte. Con la solución
del equipo 1 se llega a conocer la información de las corrientes 1 y 3.
1 1 2 2 4 3
5 6
Corrirnte 1 Corriente 3
Etanol: 50 lbmol/h Etanol: 100 lbmol/h
Especificaciones Agua: 150 lbmol/h Agua: 50 lbmol/h
75 F 75 F
147 psia 147 psia
16 INTRODUCCION A LA SIMULACION
Por la corriente 4 se va el 30 % de la corriente 3
Por la corriente 7 se va el 60 % de lo que entra en la unidad 2
Determinar los valores de las variables de las diversas corrientes.
Partición de Ecuaciones
1 (1 3 ) = 0
2 (1 ) = 0
3 (2 3 ) = 0
En lugar de resolver todas las tres al mismo tiempo, se puede resolver primero para la
variable 1 de la relación 2 ; entonces, usando este valor de 1 , resolver para la variable 3
de la relación 1 ; y, finalmente, resolver para la variable 2 de la relación 3 . Las ecuaciones
han sido partidas en una estrategia de solución secuencial.
La pregunta es: ¿cómo llevar a cabo este proceso cuando el sistema es grande?
Solución Simultanea
Para conjuntos muy grandes de ecuaciones algebraicas, típicos en problemas de diseño
de plantas, es imperativo buscar esquemas computacionales adecaudos. Como sea, para con-
juntos pequeños de ecuaciones, la solución simultánea puede ser práctica y ventajosa. Esto
es verdad especialmente cuando las ecuaciones son lineales y se pueden aplicar técnicas ma-
triaciales.
La pregunta es: ¿qué hacer para simplificar un sistema grande de ecuaciones?
Es increible que con sólo ordenar las ecuaciones y variables de un sistema de ecuaciones,
provenientes del modelamiento de un proceso, se llega a resolver simultaneamente sólo un
pequeño conjunto de ellas. Este ordenamiento se logra de una manera rápida y eficinete con
el uso de una tabla de incidencias (ocurrencias o funcionalidad).
Las ecuaciones de modelamiento de procesos son predominantemente algebraicas (aunque
tambien las hay diferenciales), a menudo no lineales, y comúnmente dispersas por eso cada
18 INTRODUCCION A LA SIMULACION
ecuación contiene sólo unas pocas de las variables del sistema. La mayor diferencia entre un
estudio de simulación y un estudio de diseño está en el tipo de variables que son especificadas.
En un estudio de simulación deben ser especificadas todas las variables de las corrientes de
entrada y los parámetros del equipo, y las variables de las corrientes de salida deben ser
calculadas. Esto permite que los estudios de simulación sean formulados de una manera
modular. Por otro lado, en un estudio de diseño las variables especificadas pueden cambiar
de un problema a otro, por lo que se pueden conocer variables de las corrientes de entrada,
variables de las corrientes de salida, o una combinación de variables de amabas corrientes.
En los estudios de diseño, el resultado de los cálculos son los parámetros del equipo y las
variables de corrientes de entrada y salida no especificadas.
El análisis de las características de los problemas de diseño demuestra que existe la necesi-
dad de una metodología para el análisis de sistemas de ecuaciones. Esta metodología debe ser
orientada al nivel de ecuaciones, no modular, puesto que la ruta de los cálculos no está fijada
para un problema de diseño. En esta sección se presenta un método de análisis estructural,
el cuál es usado para desarrollar estrategias de solución simplificadas para grandes conjuntos
de ecuaciones.
El análisis estructural es el estudio de las inter-relaciones e interacciones entre las variables
que forman un conjunto de ecuaciones. La meta es encontrar la ruta más simple y más
eficiente de cálculos para el conjunto de ecuaciones. En lo posible, se evitan las variables
iterativas.
Los cálculos de diseño a menudo tienen numerosas rutas paralelas, no todas ellas deben
tomarse. Las rutas paralelas en problemas de diseño surgen de la existencia de los grados de
libertad en las variables de diseño y las ecuaciones redundantes. Cada ruta paralela debe ser
analizada para determinar la que posea la mínima dificultad en los cálculos.
La dificultad del problema de ordenamiento surge cuando todas las variables tienen al
menos un precursor. Esto indica la presencia de una variable iterativa. El algorítmo inicial
desarrollado por Sargent y Westerberg (1964), Lee y Rudd (1966), y Christensen y Rudd
(1969 ) pareció minimizar el número de variables iterativas en una estrategia de solución.
Este reconoció el hecho que los problemas de convergencia tienden a incrementar con el
tamaño del conjunto de variables iterativas.
Steward (1965) y Himmelblau (1967) estudiaron la asignación de conjuntos de salida
admisibles para sistema de ecuaciones algebraicas que no contenían variables de diseño o
ecuaciones redundantes. En el primer intento para desarrollar una base matemática para
la selección de variables de diseño fue la estructura gráfica bipartita de Lee, Christensen y
Rudd (1966). El algoritmo dado en términos de la matriz de ocurrencias más conveniente
es presentado en Rudd y Watson (1968). El algoritmo falla para sistemas de ecuaciones con
ANÁLISIS ESTRUCTURAL 19
iteración persistente. Christensen (1970) desarrolló un algoritmo que maneja la iteración
persistente. El algoritmo de Stadther y colaboradores (1974) tiende a conversión anidada,
lazos iterativos implícitos, ambos de los cuales a ser evitados por los cálculos iterativo usando
sustitución directa. Ramírez y Vestal (1972) presenta algorítmos que son construidos en dos
fases. La primera fase selecciona las variables de diseño para el sistema y determina el número
mínimo de variables iterativas para el sistema. La segunda fase selecciona variables iterativas
para obtener lazos iterativos explícitos si es posible. Algoritmos por Westerberg y Edie (1971)
y Edie y Westerberg (1971) usan el principio del máximo eigenvalor para seleccionar variables
de diseño.
Una de las mayores limitaciones de todos estos algoritmos es que ellos producen una
combinación simple de variables de diseño y variables iterativas. Book y Ramírez (1976)
desarrollaron métodos de expresar todas las secuencias de solución que son acíclicas para
sistema de ecuaciones sin iteración persistente y todas las secuencias de solución con un
número mínimo de variables iterativas en sistema de ecuaciones con iteración persistente.
Friedman y Ramírez (1973 ) mostraron que la convergencia de lazos iterativos explícitos por
el método de sustitución directa es dominado por el orden de solución de las ecuaciones en el
lazo. La convergencia por sustitución directa ocurrirá en la ruta de reversa si la ruta directa
diverge y la ruta de reversa existe.
Una matriz de ocurrencia es una representación implícita en que sólo se expresa la estruc-
tura de ocurrencias de un sistema de ecuaciones. Para ejemplificar el proceso de ordenamiento
con una matriz de incidencias, se trabajará con el siguinete sistema de ecuaciones
20 INTRODUCCION A LA SIMULACION
de ecuaciones, resulta en la tabla siguiente.
E\V x1 x2 x3 x4 x5 x6 x7 x8 x9
1 A A
2 A A A A
3 A A
4 A A A
5 A A A A A
6 A A
7 A A A
La matriz de funcionalidad fue desarrollada por Book y Ramírez (1984) para expresar la
estructura de un sistema de ecuaciones. El requisito primario de un método para expresar
la estructura de un sistema de ecuaciones algebraicas es que la estructura sea expresada
explícitamente. Para remover esta deficiencia, un nuevo tipo de matriz de ocurrencias fue
desarrollado llamado la matriz de funcionalidad. Para expresar la forma funcional de una
ecuación, las diferentes formas funcionales en las cuales una variable puede aparecer en las
ecuaciones debe ser definida. La siguiente tabla muestra las diferentes formas funcionales que
se usarán en este curso (una modificación de la presentada por Book y Ramírez (1984)).
Las , en la tabla, son constantes y () es la función de todas las otras variables del
sistema excepto las variables explícitas. Las formas funcionales de la tabla son aquellas que
predominan en ecuaciones de diseño algebraico. Casi cualquier ecuación original puede ser
manipulada algebraicamente para ajustar estas formas básicas. La matriz de funcionalidad
es, más aún, una matriz de ocurrencias especial que expresa tanto la funcionalidad como la
ANÁLISIS ESTRUCTURAL 21
estructura de las ecuaciones. Aplicando a nuestro sistema de ecuaciones, resulta en la tabla
siguiente.
E\V x1 x2 x3 x4 x5 x6 x7 x8 x9
1 A A
2 A A A A
3 B B
4 A B B
5 A A A A A
6 A A
7 A B B
1. Resolver una ecuación lineal con una sola variable. Si no es posible, ir al paso 2.
2. Resolver el menor número de ecuaciones lineales simultáneas con sus respectivas incóg-
nitas. Si no es posible, ir al paso 3.
3. Resolver una ecuación no-lineal con una sola variable, la mas simple de todas las
posibles. Si no es posible, ir al paso 4.
22 INTRODUCCION A LA SIMULACION
Se buscan variables con grados de libertad (VGL) de 1. La existencia de un 1 indica
que una solución acíclica puede obtenerse. Se localiza la columa que tiene la designación
funcional de valor más simple y se elimina el renglón correspondiente a la incidencia,
marcando la casilla de la incidencia con un número gerárquico de eliminación. En caso de
que no existan variables con grados de libertad 1, entonces se buscarán VGL 2, 3 ó 4, etc., es
decir, variables cíclicas. Se localiza la columa que tiene la designación funcional de valor
más simple y se eliminan todos los renglones correspondientes a las incidencias, marcando
todas las casillas de las incidencias con el siguiente número gerárquico de eliminación. En
seguida, se recalculan los grados de libertad de las variables y se repite el procedimiento
hasta que se han eliminado todadas las incidencias.
Finalmente, los numeros gerárquicos de eliminación serán usados para ordenar los ren-
glones y las columnas en el orden inverso a como se fueron generando dichos números. Esto,
proporcionará una tabla ordenada en ecuaciones y variables.
Con este algorítmo se pretende clasificar las variables-ecuaciones en grupos (partir las
ecuaciones). Se buscan ecuaciones con grados de libertad (EGL) de 1. Se localiza el renglón
con EGL de 1 y se elimina la columna correspondiente a la incidencia, marcando la casilla de
la incidencia con un número gerárquico de eliminación. En caso de que no existan ecuaciones
con grados de libertad 1, entonces se localiza, de arriba hacia abajo, el primer renglón que
aún no se haya eliminado. De este renglón, se eliminan todos las columnas correspondientes
a las incidencias, marcando todas las casillas de las incidencias con el siguiente número
gerárquico de eliminación. Después de cada eliminación se debe verificar que ninguna otra
ecuación se haya eliminado (EGL de 0), se recalculan los grados de libertad de las ecuaciones
y se repite el procedimiento hasta que se han eliminado todas las incidencias.
Después, se usan los números gerárquicos de eliminación para ordenar los renglones y
las columnas en el orden en que fueron generados. Esto, proporcionará una tabla ordenada
en ecuaciones y variables. Cada grupo se obtiene de esta última tabla cuando al movernos
en dirección diagonal, izquierda-superior hacia derecha-inferior, se encuentra un movimiento
horizontal en las incidencias más externas.
ANÁLISIS ESTRUCTURAL 23
1.6.5. Ejemplo simple de análisis estructural
E\V x1 x2 x3 x4 x5 x6 x7 x8 x9
1 A A
2 A A A A
3 B B
4 A B B
5 A A A A A
6 A A
7 A B B
Ordenamiento de Ecuaciones
24 INTRODUCCION A LA SIMULACION
E\V x1 x2 x3 x4 x5 x6 x7 x8 x9
1 A A
2 A A A A
3 B B
4 A B B
5 A A A A A
6 A A
7 A B B
AGL 2 2 1 3 1 1 2 1 2
BGL 1 0 0 1 0 1 0 2 1
VGL 3 2 1 4 1 2 2 3 3
El algoritmo columnas para las cuales los grados de libertad de las variables (VGL) son
la unidad. Para este ejemplo, estas son las columnas 3 y 5 . Se elimina la columna que
tenga el mayor número de incidencias con funcionalidad tipo . En este caso ambas colum-
nas tienen una sola incidencia del tipo , por lo que cualquiera de las dos puede eliminarse.
Como criterio de desempate se usa la primera ocurrencia (de izquierda a derecha), la cual es
la columna 3 . De esta manera se elimina el renglón 4 con la columna 3. Entonces los grados
de libertad de las variables son recalculados.
E\V x1 x2 x3 x4 x5 x6 x7 x8 x9
1 A A
2 A A A A
3 B B
4 1 X X
5 A A A A A
6 A A
7 A B B
AGL 2 2 0 3 1 1 2 1 2
BGL 1 0 0 0 0 1 0 2 0
VGL 3 2 0 3 1 2 2 3 2
ANÁLISIS ESTRUCTURAL 25
E\V x1 x2 x3 x4 x5 x6 x7 x8 x9
1 A A
2 A A A A
3 B B
4 1 X X
5 A A A A A
6 2 X
7 A B B
AGL 2 2 0 3 0 1 2 1 1
BGL 1 0 0 0 0 1 0 2 0
VGL 3 2 0 3 0 2 2 3 1
E\V x1 x2 x3 x4 x5 x6 x7 x8 x9
1 X 3
2 A A A A
3 B B
4 1 X X
5 A A A A A
6 2 X
7 A B B
AGL 2 2 0 2 0 1 2 1 0
BGL 1 0 0 0 0 1 0 2 0
VGL 3 2 0 2 0 2 2 3 0
En este punto, una columna con frecuencia de 1 no existe. De acuerdo al algoritmo, bus-
camos las columnas con la mínima frecuencia, las cuales son las columnas 2 , 4 , 6 y 7 con
2 grados de libertad. De estas columnas, las que tienen mayor número de incidencias de
son 2 , 4 y 7 . Podemos eliminar cualquiera de estas columnas. Como criterio de desempate
se usa la primera ocurrencia (de izquierda a derecha), la cual es la columna 2 . Obsérvese
que al eliminar la columna 2 tambien se eliminan las ocurrencias de la columna 7 , por lo
que las ocurrencias de la columna 7 tambien deben llevar el mismo número de eliminación
que las incidencias de la columna 2.
26 INTRODUCCION A LA SIMULACION
E\V x1 x2 x3 x4 x5 x6 x7 x8 x9
1 X 3
2 X 4 4 X
3 B B
4 1 X X
5 X 4 X X 4
6 2 X
7 A B B
AGL 0 0 0 1 0 0 0 0 0
BGL 1 0 0 0 0 1 0 2 0
VGL 1 0 0 1 0 1 0 2 0
ANÁLISIS ESTRUCTURAL 27
Se procede a etiquetar los renglones-columnas de acuerdo con los números gerárquicos de
eliminación, para proceder al ordenamiento de ecuaciones/variables, tal como lo muestran
las siguientes tablas:
E\V x1 x2 x3 x4 x5 x6 x7 x8 x9 E\V x1 x2 x3 x4 x5 x6 x7 x8 x9
1 X 3 3 1 A A 3
2 X 4 4 X 4 2 A A A A 4
3 7 7 7 3 B B 7
4 1 X X 1 4 A B B 1
5 X 4 X X 4 4 5 A A A A A 4
6 2 X 2 6 A A 2
7 6 6 X 6 7 A B B 6
7 4 1 6 2 6 4 7 3 7 4 1 6 2 6 4 7 3
Esta tabla se ordena de manera inversa a como fueron eliminados los renglones y
columnas, resultando en
E\V x1 x8 x6 x4 x7 x2 x9 x5 x3
3 B B 7
7 B B A 6
2 A A A A 4
5 A A A A A 4
1 A A 3
6 A A 2
4 B B A 1
7 7 6 6 4 4 3 2 1
Agrupamiento de Variables
Partiendo de la tabla ordenada, se calculan las frecuencias de los renglones. El algorítmo
busca un renglón de frecuencia unidad. En este nivel inicial del problema no existe ninguno
con frecuencia 1. Puesto que no se encuentra una frecuencia unidad, se eliminan todas las
columnas con entradas en el renglón restante más alto. De esta manera, las columnas 1 y
8 son eliminadas del renglón 3 y se etiquetan con 1 (comienza el subgrupo uno). Ahora
las nuevas frecuencias de los renglones son calculadas. No existe frecuencias de 1, por lo
que se eliminan todas las columnas con entradas en el renglón restante más alto. De esta
manera, las columnas 6 y 4 son eliminadas del renglón 7 y se etiquetan con 2 (comienza
el subgrupo dos). Luego, la primera frecuencia unidad es encontrada en el renglón 1, el cual
resulta en la eliminación de la columna 9 que se etiqueta con 3. El siguiente renglón con
frecuencia unidad es el 6, que elimina la columna 5 y se etiqueta con 4. Después el renglón
4 tiene frecuencia unidad y se elimina con la columna 3 , etiquetándose con 5. Finalmente,
no se encuentran renglones con frecuencia unidad, por lo que se eliminan todas las columnas
con entradas en el renglón restante más alto. De esta manera, las columnas 7 y 2 son
28 INTRODUCCION A LA SIMULACION
eliminadas del renglón 2 y se etiquetan con 6 (comienza el subgrupo tres), pero como al
eliminar el renglón 2, tambien se elimina el renglón 5, entonces tambien se etiqueta con 6.
En las siguientes tablas se presenta paso a paso el procedimiento de eliminacion del
algorítmo de agrupamiento de variables.
E\V x1 x8 x6 x4 x7 x2 x9 x5 x3 EGL
3 1 1 0
7 X 2 2 0
2 X X 6 6 0
5 X X X 6 6 0
1 X 3 0
6 X 4 0
4 X X 5 0
ANÁLISIS ESTRUCTURAL 29
ciones/variables, tal como lo muestran las siguientes tablas:
E\V x1 x8 x6 x4 x7 x2 x9 x5 x3 E\V x1 x8 x6 x4 x7 x2 x9 x5 x3
3 1 1 1 3 B B 1
7 X 2 2 2 7 B B A 2
2 X X 6 6 6 2 A A A A 6
5 X X X 6 6 6 5 A A A A A 6
1 X 3 3 1 A A 3
6 X 4 4 6 A A 4
4 X X 5 5 4 B B A 5
1 1 2 2 6 6 3 4 5 1 1 2 2 6 6 3 4 5
Esta tabla se ordena de manera directa a como fueron eliminados los renglones y colum-
nas, resultando en
E\V x1 x8 x6 x4 x9 x5 x3 x7 x2
3 B B 1
7 B B A 2
1 A A 3
6 A A 4
4 B B A 5
2 A A A A 6
5 A A A A A 6
1 1 2 2 3 4 5 6 6
Finalmente, se forman los grupos. Cada movimiento horizontal de las variables más ex-
ternas determinan el comienzo de un nuevo grupo, tal como se muestra en la siguiente tabla.
E\V x1 x8 x6 x4 x9 x5 x3 x7 x2 GR
3 B B 1
7 B B A 2
1 A A 2
6 A A 2
4 B B A 2
2 A A A A 3
5 A A A A A 3
GR 1 1 2 2 2 2 2 3 3
30 INTRODUCCION A LA SIMULACION
es 6 . Finalmente, el tercer grupo consta de 2 ecuaciones y 2 variables, por lo que se pude
resolver simultaneamente para 2 y 7 , o bien se puede tomar una de estas variables como
variable cíclica para resolver el conjunto de 2 ecuaciones iterativamente.
El método de solución es:
15
1 = − (Ec 3)
7
−94 − 36 = 13 (Ec 7)
24 − 129 = 10 (Ec 1)
−55 + 9 = 6 (Ec 6)
133 + 44 9 = 1 (Ec 4)
15
− − 32 + 57 + 2 = 7 (Ec 2)
7
15
− − 22 + 44 − 6 + 77 = 0 (Ec 5)
7
15
1 = − (Ec 3)
7
−94 − 3 = 13 (Ec 7)
24 − 129 = 10 (Ec 1)
−55 + 9 = 6 (Ec 6)
133 + 44 9 = 1 (Ec 4)
15
− − 32 + 57 + 2 = 7 (Ec 2)
7
15
− − 22 + 44 − + 77 = 0 (Ec 5)
7
ANÁLISIS ESTRUCTURAL 31
4. Resolver 4 de la ecuación 7 y sustituir en las ecs. 1, 4 y 5
15
1 = − (Ec 3)
7
1 13
4 = − − (Ec 7)
3 9
2 26
− − − 129 = 10 (Ec 1)
3 9
−55 + 9 = 6 (Ec 6)
µ ¶
4 52
133 − + 9 = 1 (Ec 4)
3 9
15
− − 32 + 57 + 2 = 7 (Ec 2)
7
15 4 52
− − 22 − − − + 77 = 0 (Ec 5)
7 3 9
15
1 = − (Ec 3)
7
1 13
4 = − − (Ec 7)
3 9
1 29
9 = − − (Ec 1)
18 27
1 29
−55 − − = 6 (Ec 6)
18 27
2 142 1508
133 + 2 2 + + = 1 (Ec 4)
27 81 243
15
− − 32 + 57 + 2 = 7 (Ec 2)
7
15 4 52
− − 22 − − − + 77 = 0 (Ec 5)
7 3 9
6. Resolver 5 de la ecuación 6
32 INTRODUCCION A LA SIMULACION
7. Resolver 3 de la ecuación 4
15
1 = − (Ec 3)
7
1 13
4 = − − (Ec 7)
3 9
1 29
9 = − − (Ec 1)
18 27
1 191
5 = − − (Ec 6)
90 135
2 2 2 142 1265
3 = − − − (Ec 4)
351 1053 3159
15
−− 32 + 57 + 2 = 7 (Ec 2)
7
15 4 52
− − 22 − − − + 77 = 0 (Ec 5)
7 3 9
15
1 = − (Ec 3)
7
1 13
4 = − − (Ec 7)
3 9
1 29
9 = − − (Ec 1)
18 27
1 191
5 = − − (Ec 6)
90 135
2 2 2 142 1265
3 = − − − (Ec 4)
351 1053 3159
1 45 + 842 + 70 + 842 + 63
7 = (Ec 2)
231
1 −270 + 8822 − 1267 + 4202 + 315
2 = (Ec 5)
693
Ejemplo 1.4 Resuelva el siguiente problema haciendo uso de una estrategia orientada a
las ecuaciones y compare la solución con la del Ejemplo 1.3. El proceso se muestra en la
figura
ANÁLISIS ESTRUCTURAL 33
7
3
1 1 2 2 4 3
5 6
Corrirnte 1 Corriente 3
Etanol: 50 lbmol/h Etanol: 100 lbmol/h
Especificaciones Agua: 150 lbmol/h Agua: 50 lbmol/h
75 F 75 F
147 psia 147 psia
Por la corriente 4 se va el 30 % de la corriente 3
Por la corriente 7 se va el 60 % de lo que entra en la unidad 2
Determinar los valores de las variables de las diversas corrientes.
34 INTRODUCCION A LA SIMULACION
2. MODELADO DE PROCESOS
22 5 −→ 2 5 2 5 + 2
K L
Donde:
R-2 es Reactor
MODELADO DE PROCESOS 35
2. La corriente G es 2 4 al 93 % (peso) en solución acuosa.
3. En el reactor, la reacción es simple y con una conversión del 87 % (alfa) respecto del
2 5
Para producir 2000 kg h de eter etílico, calcular las otras corrientes y sus composiciones,
sabiendo que se recomienda en la alimentación del proceso, una relación 1 : 1 en peso de
2 4 Alcohol.
Modelando el Proceso
Definiciones para simplificar el proceso:
≡Alcohol
≡Agua
≡ 2 4
≡Eter
D
x F
y M-1 x
G y
y z
z
Balances
() : ++= A
(1) : + = (2.1)
(2) : + + = (2.2)
(3) : = (2.3)
36 MODELADO DE PROCESOS
Restricciones
(4) : + = 1 (2.4)
(5) : + = 1 (2.5)
(6) : + = 1 (2.6)
(7) : + + = 1 (2.7)
Se tienen:
Ecuaciones: 7
⎧ ⎫
⎪
⎪ D G R F ⎪
⎪
⎨ ⎬
Incógnitas: 13
⎪
⎪ ⎪
⎪
⎩ ⎭
F H
x x
y y
z R-2 z
w
Balances
() : = (B)
(8) : = + C (2.8)
(9) : + C = (2.9)
(10) : = (2.10)
(11) : C = (2.11)
(13) = (2.13)
P
1
(14) = (2.14)
2
1
(15) = (2.15)
2
(16) C = P (2.16)
(17) C = P (2.17)
(18) C = P (2.18)
Se tienen:
Ecuaciones: 12
⎧ ⎫
⎪
⎪ F ⎪
⎪
⎪
⎪ ⎪
⎨ H ⎪
⎬
Incógnitas: 19
⎪
⎪ ⎪
⎪
⎪
⎪ C C C ⎪
⎪
⎩ ⎭
P P P
© ª
De estas incógnitas se tienen 4 parámetros P P P , los cuales tam-
bien pueden considerarse como variables. Los parámetros son propiedades físicas bien
definidas y con valor propio.
Si descartamos los parámetros, solamente nos quedan 15 incógnitas
⎧ ⎫
⎪
⎪ F ⎪
⎪
⎨ ⎬
H
⎪
⎪ ⎪
⎪
⎩ ⎭
C C C
GL= 15 − 12 = 3
Se tienen 315 = 455 posibles combinaciones de escoger las variables de diseño.
© ª
Variables de diseño (comunes): F
⎧ ⎫
⎨ H ⎬
Variables de estado:
⎩ ⎭
C C C
38 MODELADO DE PROCESOS
Balances de Material en S-3
J
w
H
x S-3
y
z x
w K y
z
Balances
() : = + (C)
(19) : = (2.19)
(20) : = (2.20)
(21) : = (2.21)
(22) : = (2.22)
Restricciones
(12∗ ) : + + + = 1 (12*)
(23) : + + = 1 (2.23)
Se tienen:
Ecuaciones: 6
½ ¾
H
Incógnitas: 10
J K
GL= 10 − 6 = 4
Se tienen 410 = 210 posibles combinaciones de escoger las variables de diseño.
© ª
Variables de diseño (comunes): H
½ ¾
J
Variables de estado:
K
S-4
K
x
y y
L
z z
Balances
() : =+ (D)
(24) : = (2.24)
(25) : = + (2.25)
(26) : = (2.26)
Restricciones
(23∗ ) : + + = 1 (23*)
(27) : + = 1 (2.27)
(6∗ ) : + = 1 (6*)
Se tienen:
Ecuaciones: 6
⎧ ⎫
⎨ K ⎬
Incógnitas: 10 L
⎩ ⎭
R
GL= 10 − 6 = 4
Se tienen 410 = 210 posibles combinaciones de escoger las variables de diseño.
© ª
Variables de diseño (comunes): K Distribución de
½ ¾
L
Variables de estado:
R
40 MODELADO DE PROCESOS
Resolviendo el Problema: Solución Simultanea
El sistema completo de ecuaciones queda como sigue:
(1) : + = (2.29a)
(2) : + + = (2.29b)
(3) : = (2.29c)
(4) : + = 1 (2.29d)
(5) : + = 1 (2.29e)
(6) : + = 1 (2.29f)
(7) : + + = 1 (2.29g)
(8) : = + C (2.30a)
(9) : + C = (2.30b)
(10) : = (2.30c)
(11) : C = (2.30d)
(12) : + + + = 1 (2.30e)
(13) : = (2.30f)
P
1
(14) : = (2.30g)
2
1
(15) : = (2.30h)
2
(16) : C = P (2.30i)
(17) : C = P (2.30j)
(18) : C = P (2.30k)
(19) : = (2.31a)
(20) : = (2.31b)
(21) : = (2.31c)
(22) : = (2.31d)
(23) : + + = 1 (2.31e)
(24) : = (2.32a)
(25) : = + (2.32b)
(26) : = (2.32c)
(27) : + = 1 (2.32d)
(1) : + = (2.34a)
(2) : + + = (2.34b)
(3) : = (2.34c)
(4) : = + C (2.34d)
(5) : + C = (2.34e)
(6) : = (2.34f)
(7) : C = (2.34g)
(8) : = (2.34h)
(9) : = (2.34i)
(10) : = (2.34j)
(11) : = (2.34k)
(12) : = (2.34l)
(13) : = + (2.34m)
(14) : = (2.34n)
(15) : + = 1 (2.35a)
(16) : + = 1 (2.35b)
(17) : + = 1 (2.35c)
(18) : + + = 1 (2.35d)
(19) : + + + = 1 (2.35e)
(20) : + + = 1 (2.35f)
(21) : + = 1 (2.35g)
(22) : = (2.36a)
P
1
(23) : = (2.36b)
2
1
(24) : = (2.36c)
2
(25) : C = P (2.36d)
(26) : C = P (2.36e)
(27) : C = P (2.36f)
(28) : = (2.36g)
42 MODELADO DE PROCESOS
Se tienen
Ecuaciones: 28
Variables:
⎧ 32 ⎫
⎪ D ⎪
⎪
⎪ ⎪
⎪
⎪
⎪ G ⎪
⎪
⎪
⎪ ⎪
⎪
⎪ F
⎪ ⎪
⎪
⎪
⎪ ⎪
⎪
⎨ H ⎪
⎪ ⎬
J K
⎪
⎪ ⎪
⎪
⎪
⎪ L ⎪
⎪
⎪
⎪ ⎪
⎪
⎪
⎪ R ⎪
⎪
⎪
⎪ ⎪
⎪
⎪ C C C ⎪⎪
⎪
⎩ ⎭
© ª
Parámetros: 4 P P P
GL=32 − 28 = 4
En el enunciado del problema se debe haber dado información de 4 variables de diseño.
NOTA: Cuando el número de variables involucradas en una ecuación es menor que los
GL, todo el conjunto de variables de la ecuación no debe escogerse como variables de diseño.
En caso de que todo el conjunto se escoja como variables de diseño, se deberá: (1) checar
que la ecuación sea congruente y (2) eliminar la ecuación y adicionar una nueva variable de
diseño.
Asiganando los valores proporcionados:
= 087
P = 46
P = 18
P = 74
= 095
= 093
= 2000
= 092
44 MODELADO DE PROCESOS
Simplificar el sistema de ecuaciones para resolver simultaneamente el menor número
posible de ecuaciones no lineales. Esta tarea se realiza con la ayuda de la TABLA DE
INCIDENCIAS
E\V D G F H K L R yD yG xF yF zF xH yH zH wH xK yK zK yL zL yR Cx Cy Cw cx cy cw
1 A B A B
2 B B B B B B B B
3 A B B
4 B B B B A
5 B B B B A
6 B B B B
7 B B A
8 B B B B
9 B B B B
10 B B B B
11 B B
12 B A B
13 B B B B B B
14 B B B B
15 A
16 A
17 A
18 A A A
19 A A A A
20 A A A
21 A A
22 B B A
23 A A
24 A A
25 A A
26 A A
27 A A
28 A A
46 MODELADO DE PROCESOS
E\V yR yG yD H wH Cw cw cx cy Cy Cx K zH zK yH yK xK xH R L zL yL F zF G D xF yF EGL O Gr
17 A 1 28 1
16 A 1 27 1
15 A 1 26 1
11 B B 2 25 2
7 B B A 3 24 2
27 A A 2 23 2
24 A A 2 22 2
23 A A 2 21 2
26 A A 2 20 2
25 A A 2 19 2
10 B B B B 4 18 3
9 B B B B 4 17 4
20 A A A 3 16 4
8 B B B B 4 15 4
19 A A A A 4 14 4
12 B B A 3 13 4
14 B B B B 4 12 5
21 A A 2 11 5
13 B B B B B B 6 10 5
6 B B B B 4 9 6
3 B B A 3 8 6
28 A A 2 7 6
1 A B A B 4 6 6
22 A B B 3 5 6
4 B A B B B 5 4 6
18 A A A 3 3 6
2 B B B B B B B B 8 2 6
5 B A B B B 5 1 6
VGL 3 2 2 8 3 2 2 4 2 2 2 6 3 3 3 3 3 3 4 2 2 2 7 3 3 3 4 3
O 28 27 26 25 25 24 23 22 21 20 19 18 18 18 17 17 16 15 13 12 12 11 9 9 8 7 6 3
Gr 1 1 1 2 2 2 2 2 2 2 2 3 3 3 4 4 4 4 4 5 5 5 6 6 6 6 6 6
1. De 17−→ V 13, 2
2. De 16−→ V 2
3. De 15−→ V 2
5. De 7−→ C V 27
6. De 27−→ V 24
8. De 23−→ V 26
9. De 26−→ C V 5
10. De 25−→ C V 4
13. De 20−→ V 8, 12
18. De 21−→ V 13
22. De 28−→ V 1, 2
48 MODELADO DE PROCESOS
23. De 1−→ V 22, 4, 18
24. De 22−→ Usa para Solución Simultanea
25. De 4−→ Usa para Solución Simultanea
26. De 18−→ V 2, 5
27. De 2−→ Usa para Solución Simultanea
28. De 5−→ Usa para Solución Simultanea
= 008
= 007
= 005
2000
=
C = 2000
1000
= = 27027
37
2000
= = 54054
37
1000
= = 27027
37
18 000
C = = 48649
37
92 000
C = = 24865
37
= 2000
=
= − − + 1
= − ( + − 1)
∗ ∗ 0 = + −
= −21739 ( + − 10)
= 2000
= − + 1
∗ ∗ 0 = 2173 9 + 2173 9 − 20000 − 173 91
50 MODELADO DE PROCESOS
Lo cual indica resolver un sistema simultaneo de 2 ecuaciones en 2 incógnitas.
Sustituyendo
⎧ la solución viable, en cada⎫una de las ecuaciones para las incógnitas se tiene:
⎪
⎪ = 26174 = 005 ⎪
⎪
⎪
⎪ = 26737 = 007 ⎪
⎪
⎪
⎪ ⎪
⎪
⎪
⎪ ⎪
⎪
⎪
⎪ = 56949 = 0501 86 ⎪
⎪
⎪
⎪ −2 ⎪
⎪
⎪
⎪ = 56949 = 6 151 7 × 10 ⎪
⎪
⎪
⎪ ⎪
⎪
⎪
⎪ = 36949 = 0436 62 ⎪
⎪
⎪
⎪ ⎪
⎨ = 32910 = 6 524 2 × 10 ⎪ −2
⎬
= 40385 = 0146 94
⎪
⎪ ⎪
⎪
⎪
⎪ C = 24865 = 0436 62 ⎪
⎪
⎪
⎪ ⎪
⎪
⎪
⎪ C = 48650 = 0351 19 ⎪
⎪
⎪
⎪ ⎪
⎪
⎪
⎪ C = 20000 = 0100 56 ⎪
⎪
⎪
⎪ ⎪
⎪
⎪
⎪ = 0244 46 = 0226 48 ⎪
⎪
⎪
⎪ ⎪
⎪
⎪
⎪ = 0755 54 = 0672 96 ⎪
⎪
⎩ ⎭
= 008
Finalmente para = 087 se tiene:
K L
Corrirnte D G F H J K L R C P
Flujo kg h 26174 26737 56949 56949 2000 36949 32910 4039
Alcohol % 950 0 502 65 0 101 0 920 24865 46
Agua % 50 70 62 147 0 226 244 80 4865 18
2 4 % 0 930 437 437 0 673 756 0 0 0
Eter % 0 0 0 351 100 0 0 0 20000 74
E\C D G F H J K L R
M-1 EX EX S E
R-2 E S
S-3 E SX S
S-4 E SE S
E\C D G R F H J K L
M-1 EX EX E S
R-2 E S
S-3 E SX S
S-4 S E SE
52 MODELADO DE PROCESOS
23600 = = 0456 16
2000 + + 500 = = 6 323 5 × 10−2
93 = = 51736
+ + = 1 = 0480 6
, Resolviendo:
19000 = 93 = 20430
95 + = 1 = 005
+ 93 = 1 = 007
92 + = 1 = 008
© ª
3. Los valores F= 51736 = 0456 16 = 0063235 obtenidos del mezclador se
toman como variables de diseño ⎧para resolver simultaneamente
⎫ las ecuaciones B∼2.18
⎨ H ⎬
(en el reactor) para encontrar
⎩ ⎭
C C C
23600 = + C = 5930 1 × 10−2
32715 + C = = 0140 88
(51736) = = 0480 60
C = = 51736
0519 40 + = 1 = 0480 61
+ + + = 1 = 0319 22
, Resolviendo:
= 44635 = 44635
1
= 2 = 22318
= 12 = 22318
C = 46 C = 20532
C = 18 C = 40172
C = 74 C = 16515
© ª
4. Los valores H= 51736 = 5930 1 × 10−2 = 0140 88 = 0480 60 obtenidos
del reactor se toman como variables de diseño para resolver
½ simultaneamente
¾ las ecua-
J
ciones C∼12* (en el separador de eter) para encontrar
K
306 80 = = 8710 8 × 10−2
728 86 = = 0206 94
2486 4 = = 35221
, Resolviendo:
(51736) = J = 16515
0680 78 + = 1 = 0319 22
+ + = 1 = 0705 95
Nota: El valor de J calculado es igual al especificado en el problema? Qué hacer?
© ª
5. Los valores K= 35221 = 8710 8 × 10−2 = 0206 94 obtenidos del sepa-
rador S-3 y se toman como variables de diseño para resolver simultaneamente las
A partir de = 2000 se alcanzó = 3086, porlo que el nuevo valor de para alcanzar
el nuevo valor de = 26173 (correspondiente a = 2000) es
3086
= (26173) = 40385
2000
Con estos valores de y se llega a la solución, despúes de alcanzar convergencia en
el reciclo.
NOTA: En un Problema de balances de material, los Flujos son transparentes (escal-
ables), es decir, si un flujo de entrada se multiplica por un factor entonces los flujos
de salida quedan multiplicados por ese factor. Obsérvese que en este caso solo será
necesario escalar los flujos totales.
54 MODELADO DE PROCESOS
2.1.2. Problema de Diseño
La figura muestra un sistema de intercambio de calor que se lleva a cabo en dos equipos
en serie y estado estacionario. Las ecuaciones que describen el sistema consisten básicamente
en balances de energía y ecuaciones de diseño para cada intercambiador, y son las siguientes:
T1f T2f
K1 , U 1 , A1 K 2 , U 2, A2
m 1 , c 1 , T 1o m 2 , c 2 , T2o
Para el intercambiador 1:
1 : 1 = ( − ) (1)
1 : 1 = 1 1 (1 − 1 ) (2)
1 : 1 = 1 1 ∆1 (3)
1 = 1 ( 1 1 1 1 ) (4)
( − 1 ) − ( − 1 )
∆1 = ³ ´ (5)
ln −1
−1
Para el intercambiador 2:
2 : 2 = ( − ) (6)
2 : 2 = 2 2 (2 − 2 ) (7)
2 : 2 = 2 2 ∆2 (8)
2 = 2 ( 2 2 2 2 ) (9)
( − 2 ) − ( − 2 )
∆2 = ³ ´ (10)
−2
ln −2
Aplicando el algorítmo
E\V DT2 T2f T2o Thf Thi m2 mh U2 Q2 A2 DT1 T1f T1o Tho Q1 m1 U1 A1 EGL
10 A E E E E 5
9 E E E E E E A 7
6 B B B A 4
7 B B B A 4
8 B B A B 4
5 E A E E E 5
1 B B B A 4
2 B B A B 4
4 E E E E E E A 7
3 B A B B 4
VGL 2 3 3 3 6 2 4 2 3 1 2 3 3 3 3 2 2 1
½ ¾
T2 T2 T T
Variables de diseño: Fijar los valores de las variables
m2 (ó m ) T1 T1 T
Seguir el procedimiento:
56 MODELADO DE PROCESOS
1. De 10−→ ∆2 V 8
2. Simultaneas 9, 6, 7−→ 2 2 V 8, 1, 4
3. De 8−→ 2 V
4. De 5−→ ∆1 V 3
5. De 1−→ 1 V 2, 3
6. De 2−→ 1 V 4
7. De 4−→ 1 V 3
8. De 3−→ 1 V
Balance de material
(1) : = −
MODELOS EN ESTADO TRANSITORIO 57
Ecuaciones auxiliares
(2) : =
(3) : =
(4) : =
(5) : =
Si el fluído sale por gravedad, aplica
√
(6) : =
Si se tiene la suposición de mezclado perfecto:
(7) : =
Para líquidos a temperatura contante se tiene densidad constante:
(8) : =
De esta manera:
Ecuaciones: 8 ⎧ ⎫
⎨ ⎬
Variables: 12
⎩ ⎭
GL= 12 − 8 = 4
La Tabla de Funcionalidad es
E\V m Mi Mo ρ ρi ρo V Fi Fo h A β
1D A A
2A B B
3 A B B
4 A B B
5 A B B
6 A C B
7 A A
8 A A
58 MODELADO DE PROCESOS
Observese que de la tabla de funcionalidad ordenada encontramos que las variables de
diseño se obtienen de los conjuntos { }, { }, { } y { }. En este caso se
escogen, de manera prioritaria, las variables de diseño que tienen la funcionalidad mayor
(orden de prioridad: , , y ). De esta manera, las variables de diseño seleccionadas
serán { }
Aplicando la estrategia de sustitución obtenida de la tabla de funcionalidad. Primero
se ordenaran las ecuaciones de acuerdo a como aparecen en la tabla y depúes se harán las
sustituciones.
Ordenando las ecuaciones
(1) : = −
√
(6) : =
(5) : =
(7) : =
(8) : =
(4) : =
(2) : =
(3) : =
() √
(1) : = −
√
(6) : =
(5) : =
(7) : =
(8) : =
√
(4) : =
(2) : =
(3) : =
Recuérdese que las variables de diseño escogidas fueron { }, sin embargo, de
estas variables de diseño se debe asignar una para resolverse con la ecuación diferencial
(ecuación 1). Las variables apropiadas para resolverse con la ED son las que aparecen in-
volucradas dentro del diferencial, en este caso { }, y de este grupo, la variable de estado
por exelencia es la altura . Ya escogida la variable de estado, se debe hacer un estudio de
las otras variables del grupo de la diferencial (en este caso y ) para ver si dependen o no
√
(1) : = −
Una de las 5 variables de diseño queda asignada con la ecuación 1 (en este caso ), por
lo que ahora las variables de diseño serán { }, pero como no aparece en la EDO,
entonces no es necesaria para resolverla.
Así pues, asignando los valores de las variables de diseño { } y resolviendo la
ecuación 1, se resuelve por completo el problema.
NOTA: Se supone agitación perfecta por lo que las propiedades a la salida son iguales
que en el bulto.
Balance de material
(1) : = −
Balance de energía
(2) : = − + +
60 MODELADO DE PROCESOS
Otras ecuaciones
(3) : =
(4) : =
(5) : =
(6) : =
(7) : =
(8) : =
(9) : = (+ + )
(10) : =
(11) : = −
(12) : = −
(13) : = ( − )
(14) : = ( − )
(15) : = + −
Se tienen:
Ecuaciones: 15⎧ ⎫
⎪
⎪ ⎪
⎪
⎨ ⎬
Variables: 27
⎪
⎪ ⎪ ⎪
⎩ ⎭
GL=27 − 15 = 12
La matriz de funcionalidad es:
E\V m Mi M e εi ε Q W ρ ρi V F Fi E Ei U Ui Ws P Pi H Hi T Ti c ci Tr
1 D A A
2 D A A A A
3 A B B
4 A B B
5 A B B
6 B A B
7 B A B
8 B A B
9 A A
10 A A
11 B A B A
12 B A B A
13 A B B B
14 A B B B
15 A B B A B B
(1) : = −
(2) : = − + +
(14) : = ( − )
(13) : = ( − )
(12) : = −
(10) : =
(11) : = −
(9) : = (+ + )
(15) : = + −
(5) : =
(8) : =
(4) : =
(7) : =
62 MODELADO DE PROCESOS
(3) : =
(6) : =
En este sistema se deben resolver simultaneamente las ecuaciones (EDO) 1 y 2, las cuales
involucran 6 de las 14 variables de siseño { } dentro de la derivada. De estas 6
variables se deben asignar 2 variables de estado para resolverse con las dos EDO. Lo natural
es asignar a la ecuación 1 y a la ecuación 2. De esta manera, se deberá investigar que
pasa con las otras 4 variables de las derivadas { }. De acuerdo al procedimiento se
sabe que y son constantes. Por otro lado, debido a que se tiene un sistema líquido, y
se pueden considerar constantes, y en caso de no serlo se deberán buscar expresiones de
y en función de y (por ejemplo = ).
De esta manera las variables de diseño serían { }.
Tomando esto en cuenta y reacomodando las EDO se tiene
(1) : = −
[ ( − ) − ]
(2) : + ( ( − ) − )
: = ( − ) − ( − ) + +
Simplificando
(1) : = −
µ ¶
(2) : = [ ( − ) − ( − )] + − + +
64 MODELADO DE PROCESOS
3. OPTIMIZACION
() = = 1 2 (3.1)
() ≤ = 1 2 (3.2)
donde es un vector de diseño con dimensiones, () es la función objetivo; () son las
restricciones de desigualdad; () son las restricciones de igualdad, y y son constantes.
2
-10 -8 -6 -4 -2 2 4x6 8 10
0
-2
-4
y-6
-8
-10
Los problemas de optimización se pueden clasificar con base en la forma de () como
OPTIMIZACION 65
Ademas cuando las ecuaciones (3.1) y/o (3.2) estan incluidas en el problema, tenemos
un problema de optimización restringida; de otra forma es un problema de optimización
no-restringida.
Otra manera de clasificar los problemas de optimización, depende del tipo de varibles
que se tenga. Por ejemplo, un problema de optimización que involucre solamente variables
enteras, es decir variables que toman unicamente valores enteros, se denomina programación
entera; un problema que involucra solamente variables reales se denomina de programación
no-entera, mientras que uno que involucre tanto variables enteras como reales se denomina
programación mixta-entera. En este curso trataremos únicamente con problemas de progra-
mación no-entera.
Una manera más en la cual se clasifican los problemas de optimización es mediante la
dimensionalidad, con lo cual se clasifican los problemas en unidimensionales y multidimen-
sionales. Como su nombre lo indica, los primeros involucran funciones que dependen de una
sola variable, = 1, mientras que los problemas multidimensionales involucran funciones
que dependen de dos o más variables, ≥ 2.
Finalmente, el proceso de encontrar un máximo versus encontrar un mínimo es en esencia
idéntico, ya que el mísmo valor, ∗ , minimiza () y maximiza − (). Esta equivalencia se
ilustra en forma gráfica por una función unidimensional en la figura siguiente
0.5
0
-1 -0.5 0.5 x 1
-0.5
-1
66 OPTIMIZACION
6
y4
0
-2 -1 1x 2
Existen otros puntos diferentes a los turning poits donde la línea tangente puede ser
horizontal. Por ejemplo la gráfica = 5( − 1)3 + 2
0
-1 1 x 2 3
-2
De esta manera los puntos críticos, se obtienen resolviendo para ∗ la ecuación anterior.
Evaluando () en los puntos críticos se puede determinar el valor máximo o mínimo de
() sobre los valores preescritos de ∗ .
El encontrar los puntos críticos se puede realizar de diferentes maneras, las cuales se
explican a continuación.
En este caso se tendrá que disponer de la forma explícita de la función objetivo = (),
2
su primera derivada = 0 () y la segunda derivada 00
2 = (). De esta manera se
resolverá para ∗ la ecución no-lineal (3.3) y todos los valores ∗ que cumplan con la identidad
serán los puntos críticos. Para determinar el tipo de punto crítico se sustituirá en la expresión
de la segunda derivada, de acuerdo al siguiente criterio
00 (∗ ) 0 Mínimo
00 (∗ ) 0 Máximo
00 (∗ ) = 0 Punto de Inflexión
Cabe mencionar que cuando ∗ no se puede resolver analíticamente de la ecuación (3.3), se
hace uso de los métodos numéricos para la solución de ecuaciones no-lineales. Tales métodos
son: Bisección, Secante, Newton-Raphson, etc.
Ejemplo 3.1 Se desea enfriar un gas ( = 03
) desde 195 a 90 F, usando agua de
enfriamiento a 80 F. El agua cuesta $0021000 lb, y los cargos fijos anuales para el inter-
cambiador son $050ft2 de superficie interna, con un diametro de 00875ft. El coeficiente de
transferencia de calor es = 8 ·
2 ·
para un flujo de gas de 3000lb/h. Optimice los costos
del intercambiador suponiendo un intercambiador de tubos concéntricos a contracorriente.
Ejemplo 3.2 Minimizar el costo de una caja de un volumen dado: Una caja de base
cuadrada en el fondo y domo se mantendrá en 250 in3 . Si el material de los lados tiene un
costo de $003 por in2 mientras que el material para el fondo y el domo tiene un costo de
$008 por in2 , determine las dimensiones de la caja para las cuales el costo es mínimo. ¿cuál
es el mínimo costo en pesos?
x
x
68 OPTIMIZACION
Ejemplo 3.3 Maximizar el área de un rectángulo inscrito en una elipse: Determine las di-
mensiones (base y altura) del rectángulo de mayor área inscrito en la elipse 42 + 9 2 = 36.
¿cual es el área del rectángulo más grande?
Hoy en día es común el uso de la computadora para resolver problemas por medio de
software especializado. En este apartado se explicará la manera en que se puede usar el
paquete de software Excel para resolver problemas de Optimización.
Excel cuanta con una herramienta de cálculo llamada Solver. El Solver es un add-in a
Excel con el cual se pueden resolver sistemas de ecuaciones o bien se pueden resolver proble-
mas de optimización multivariable con restricciones. El punto clave para resolver problemas
de optimización con Excel es plantear la función objetivo y las restricciones (sobre todo las
de igualdad) adecuadamente sobre la hoja.
Para hacer uso de Solver sobre Excel se obtiene desde: Herramientas-Solver..., tal como
se muestra en la figura
70 OPTIMIZACION
En Cambiando las celdas se llena con las celdas de la hoja que contienen los cálculos
de la Variables de Diseño
Ejemplo 3.6 Minimizar el costo de una caja de un volumen dado: Resolver el prob-
lema del Ejemplo 3.2 con Excel.
Ejemplo 3.7 Maximizar el área de un rectángulo inscrito en una elipse: Resolver el prob-
lema del Ejemplo 3.3 con Excel.
En los casos en que se disponga de una función objetivo explícita = (), a menudo,
con su representación gráfica, se puede determinar de forma aproximada la posición de los
puntos críticos. Además, se puede ver lo que esta pasando en los puntos críticos y determinar
cuales son máximos locales y cuales son mínimos locales.
2
Ejemplo 3.9 Encontrar de forma gráfica los puntos críticos de la función () = 2 sin − 10
El método comienza con dos valores iniciales, y , que contienen un extremo local de
(). Después, dos puntos interiores 1 y 2 se escogen de acuerdo con la razón dorada,
√
5−1
= ( − ) = 0618 03 ( − )
2
1 = −
2 = +
La función se evalúa en estos dos puntos interiores. Dos resultados pueden ocurrir:
Ahora, éste es le beneficio real del uso de la razón dorada. Debido a que los 1 y 2
originales se han escogido mediante la razón dorada, no se tiene que recalcular los valores de
la función para la siguiente iteración.
Como las iteraciones se repiten, el intervalo que contiene el extremo se reduce rápida-
mente. De hecho en cada vuelta el intérvalo se reduce por un factor de la sección dorada
72 OPTIMIZACION
(aproximadamente el 618 %). Esto significa que después de 10 vueltas el intérvalo se acorta
a 061810 = 0008 o 08 % de su longitud inicial.
Un criterio útil para probar la convergencia en cada iteración, esta definido en porcentaje
como à √ !¯ ¯
3 − 5 ¯¯ − ¯¯
= 100 ¯ ¯
2
donde es el mejor valor de 1 y 2 en la iteración actual.
Ejemplo 3.10 Use la búsqueda de la sección dorada para encontrar el máximo de () =
2
2 sin () − 10 dentro del intervalo = 0 y = 4.
así como existe sólo una línea recta para conectar dos puntos, hay únicamente una
cuadrática o parábola para conectar tres puntos. De esta forma, si se tienen tres puntos
que juntos contienen un óptimo, se puede ajustar una parábola a los puntos. Después se
puede diferenciar e igualar el resultado a cero, y resolver para una estimación de la óptima
. Se puede demostrar que después de un manejo algebraico es
(0 ) (21 − 22 ) + (1 ) (22 − 20 ) + (2 ) (20 − 21 )
3 =
2 (0 ) (1 − 2 ) + 2 (1 ) (2 − 0 ) + 2 (2 ) (0 − 1 )
donde 0 , 1 y 2 son los valores que fijan el extremo, y 3 es el valor de que corresponde
al máximo valor del ajuste cuadrático a los valores iniciales. Después de esta estimación del
óptimo, se puede eliminar cualquiera de los tres puntos iniciales. Sin embargo, la manera más
apropiada de reducir el espacio de búsqueda y obtener convergencia rápida, es eliminando el
punto que se encuentre más alejado de 3 .
Ejemplo 3.11 Use la interpolación cuadrática para aproximar el máximo de () = 2 sin ()−
2
10
con valores iniciales 0 = 0, 1 = 1 y 2 = 4.
( )
+1 = −
0 ( )
0 (∗ ) = (∗ ) = 0
( ) 0 ( )
+1 = − = −
0 ( ) 00 ( )
como una técnica para encontrar los puntos críticos de (). El método de Newton es
abierto y similar al de Newton-Raphson porque no requiere de valores iniciales que encierren
el óptimo. Además, también comparte la desventaja de poder ser divergente. Por último, es
una buene idea verificar que la segunda derivada tenga usualmente el signo correcto para
confirmar que la técnica converge sobre el resultado deseado.
2
Ejemplo 3.12 Use el método de Newton para encontrar el máximo de () = 2 sin () − 10
con un valor inicial 0 = 25.
74 OPTIMIZACION
3.3. Optimización Multivariable Sin Restricciones
Aquí se describen las técnicas para encontrar el mínomo o máximo de una función de
varias variables. Recuerde que nuestra imagen visual de una búsqueda unidimensional fue
como una montaña rusa. Para el caso en dos dimensiones, la imagen es ahora como la de
montañas y valles (véase la figura). Para problemas de grandes dimensiones, no son posibles
imágenes adecuadas.
En el caso de problemas multidimensionales, los puntos críticos se encuentran en los
lugares en los que la derivada de la función () con respecto a cualquier dirección
( = 1 2 ) es exactamente igual a cero. Esto implica que en los puntos críticos el
gradiente de la función sea igual a cero
⎡ ⎤ ⎡ ⎤
()
1
⎢ ⎥ ⎢ ()
1
⎥
⎢ 2 ⎥ ⎢ ⎥
∇ () = ⎢ . ⎥ () = ⎢
⎢ . ⎥=0
.
2 ⎥
⎣ .. ⎦ ⎣ . ⎦
()
De esta manera, los puntos críticos son los valores de que cumplen con las ecuaciones
anteriores.
3. Método simplex
3. Método cuasi-Newton
Método de Newton
0
+1 = −
00
Ejemplo 3.14 Realice dos iteraciones del método Newton para localizar el máximo de
76 OPTIMIZACION
3.4. Optimización Multivariable Con Restricciones
Ejemplo 3.15 Una planta química fabrica tres productos (, , ) y utiliza tres materias
primas (, , ) en cantidad limitada. Cada uno de los productos es producido en diferente
proceso (1, 2, 3); un esquema de la planta se muestra en la figura.
A
1 E
2
F
B
3
G
C
Formular el problema de optimización para maximizar el beneficio total por dia en $/dia.
La siguiente tabla es útil para seleccionar el modelo apropiado para la operación unitaria
deseada:
Tipo Modelo Descripción
Mezcladores/Divisores Mixer Mezclador de corrientes
(Mixer/Spliters) FSplit Partidor de corrientes
SSplit Partidor de subcorrientes
Separadores Flash2 Flash de dos salidas
(Separators) Flash3 Flash de tres salidas
Decanter Decantador líquido-líquido
Sep Separador de componentes en multiples salidas
Sep2 Separador de componontes en dos salidas
Intercambiadores de calor Heater Calentador/enfriador
(Heat Exchangers) HeatX Intercambiador de calor de dos corrientes
MheatX Intercambiador de calor multicorriente
HxFlux Transferencia de calor entre una fuente y un consumidor de calo
Hetran Interface a Aspen Hetran de inter. de calor de concha y tubos
Aerotran Interface a Aspen Aerotran de inter. enfriados por aire
HTRI-Xist Interface al programa Xist
Columnas DSTWU Diseño de CD por métodos cortos
(Columns) Distl Simulación de CD por métodos cortos
RadFrac Destilación por métodos rigurosos
Extract Extracción líquido-líquido por métodos rigurosos
MultiFrac Columnas complejas de destilación por métodos rigurosos
SCFrac Columnas de destilación de petróleo por métodos cortos
PetroFrac Columnas de destilación de petróleo por métodos rigurosos
RateFrac Destilación rate-based"
BatchFrac Destilación Batch por métodos rigurosos
Reactores RStoic Reactor estequiométrico
(Reactors) RYield Reactor de conversión
REquil Reactor de equilibrio
RGibbs Reactor de equilibrio
RCSTR Reactor continuo de tanque agitado
RPlug Reactor de flujo pistin
RBatch Reactor batch