Tesis JA Infante

UNIVERSIDAD COMPLUTENSE DE MADRID
Facultad de Ciencias Matemticas

Departamento de Matemtica Aplicada
ANLISIS NUMRICO DE MODELOS
MATEMTICOS Y PROBLEMAS INVERSOS
EN TECNOLOGA DE ALIMENTOS
MEMORIA PRESENTADA POR
D. JUAN-ANTONIO INFANTE DEL RO
PARA OPTAR AL GRADO DE DOCTOR POR LA
UNIVERSIDAD COMPLUTENSE DE MADRID
DIRECTORES:
D. NGEL MANUEL RAMOS DEL OLMO
D. JOS MARA REY CABEZAS
Madrid, octubre de 2009
Para Mamen, Rosa, Ivn
y Adrin: mi familia.
Anlisis numrico de
modelos matemticos y problemas
inversos en tecnologa de alimentos
J.A. Infante
Agradecimientos
Es una obligacin (y un placer) para m comenzar esta seccin citando a quienes, sin duda,
ms me han ayudado en los trabajos de investigacin que han dado lugar a esta memoria: mis
dos directores de Tesis, los profesores ngel Manuel Ramos y Jos Mara Rey. Quiero agradecer
al Prof. Ramos su acertada eleccin de los problemas a estudiar, su inters en los momentos de
trabajo lento pero seguro, sus indicaciones sobre el camino a seguir y su dedicacin en los tiempos
de dicultades. Tambin con el Prof. Rey tengo deuda de agradecimiento: sus acertadas intuiciones
e ideas, la generosidad que ha mostrado en la cantidad de tiempo invertido en este proyecto y su
cercana, fructfera, infatigable y siempre amable colaboracin han aumentado la calidad de este
trabajo.
No quiero dejar de expresar mi agradecimiento a aqullos que tambin han realizado aporta-
ciones, algunas muy concretas, otras ms extensas: el Prof. Jess Ildefonso Daz, con sus suge-
rencias tcnicas y sus tiles consejos bibliogrcos; el Prof. Andrs Fraguela, de la Benemrita
Universidad Autnoma de Puebla, quien me introdujo en el mundo de los problemas inversos y
las estrategias de regularizacin que utilizamos en el Captulo 3, y me acogi en Mxico, donde
perlamos la unicidad de solucin del Captulo 4; el Prof. Javier Gmez Gil, quien me sugiri la
idea de usar las funciones localmente analticas en dicho captulo; el Prof. Jacques Henry (INRIA
Bordeaux-Sud-Ouest) por la conversacin en la que surgi la idea que fue germen del diseo del
experimento ad hoc del Captulo 2; el Prof. Benjamin Ivorra, uno de los coautores del trabajo [34]
y cuya aportacin al Captulo 1 ha sido determinante; nalmente, la Profa. ngeles Prieto, quien
me proporcion ejemplos de perversas funciones oscilatorias.
Un poco de historia . . .
Mi inters por los temas que han dado lugar a esta Tesis Doctoral comenz tras una conferencia
que imparti en nuestro Departamento la Profa. Laura Otero, del Instituto del Fro (CSIC), en el
curso 2002-2003. A raz de ella, me puse en contacto con el Prof. Ramos (su antrin en el
Departamento y coautor suyo) y acometimos las tareas que dieron lugar al trabajo [20]; ste fue el
punto de partida de la investigacin que, posteriormente, se ha materializado en esta memoria.
Pero yo comenc la tesis hace mucho tiempo, y no puedo dejar, en estos momentos, de
recordar y agradecer a quienes han contribuido a mi formacin cientca:
En primer lugar, y por orden cronolgico, quiero citar al Prof. Jos Carrillo, quin dirigi
mi Tesina y me introdujo en el modus operandi de la investigacin. Su empeo como director
y su vala como investigador no fueron sucientes para contrarrestar mi falta de coraje cuando
comenzaron los resultados adversos.
El Prof. Nstor Aguilera, de la Universidad de Santa F (Argentina), con quien trabaj intensa-
mente durante casi dos aos; tras su estancia de seis meses aqu, los cientos de mensajes de correo
V
VI
(a traves de la red DecNet: Internet an no exista en Espaa!) y miles de lneas de programa-
cin, no pudimos plasmar en ningn trabajo el esfuerzo realizado; a pesar de ello, slo me quedan
buenos recuerdos.
El Prof. Rodolfo Bermejo ha sido, hasta el comienzo de esta ltima fase de mis labores de
investigacin, la persona con la que he tenido una colaboracin ms agradable. Con l publiqu
mi primer artculo de investigacin, en una revista de alto impacto. Nunca olvidar la fase de
redaccin de ese trabajo, con discusiones tan apasionadas como fructferas.
. . . y otras historias.
Veinticinco aos de vida (profesional y personal) dan para mucho y para muchos. Por ello, me
gustara escribir aqu unas lneas que se pretenden como una mezcla de agradecimiento, reconoci-
miento y dedicatoria:
En todo este tiempo he tenido la suerte de relacionarme con algunos muy buenos compaeros.
Un primer recuerdo es para los que ya no estn: Jess Esquinas y Chema Fraile; cada uno en
su estilo, contribuyeron a mejorar mi vida en el Departamento. Tambin quiero citar aqu a los
compaeros amigos, los que siguen (Jose, Merche) y los que se exiliaron (Ana a Trento, Julio a la
Carlos III); con ellos he disfrutado de los mejores das dentro y fuera de la Facultad.
No puedo dejar de citar a mi familia, especialmente a los ausentes: mi padre, mi hermano y mi
madre. Estoy seguro de que se habran sentido llenos de orgullo si hubieran podido asistir a este
momento, aunque no fueran totalmente conscientes de su trascendencia. El tiempo transcurrido no
borra el cario que me deja su recuerdo.
Un recuerdo tambin para los compaeros de los equipos decanales durante mis dos pocas
como Secretario de la Facultad (ngel, Carlos, Javier y Raquel, en la primera; Antonio, Javier,
Juan, Luis y Yolanda, en la segunda) con los que compart un trabajo que, aunque fue duro, tena
el motivador aliciente de intentar que nuestro Centro funcionara mejor.
Y, nalmente, mis amigos. Todos, los ms antiguos y los ms nuevos, los matemticos y los
no iniciados, los de los dos hemisferios. Siempre me han brindado su apoyo, tanto personal como
profesional, y siempre he sentido su cercana y afecto. Entre ellos, a la cabeza, Angelines, persona
generosa, considerada, respetuosa y amable (Silvio Rodrguez dixit) como ninguna otra, y con la
que tengo la suerte de estar compartiendo mi vida.
ndice
Introduccin 1
I Tratamiento trmico a altas presiones. Inactivacin enzimtica 5
1. Modelizacin y simulacin del tratamiento trmico a altas presiones y de la inactiva-
cin enzimtica 7
Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1. Modelo matemtico de la inactivacin enzimtica . . . . . . . . . . . . . . . . . 9
1.2. Modelizacin de la transferencia de masa y de calor . . . . . . . . . . . . . . . . 11
1.2.1. Alimentos slidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.2. Alimentos lquidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.2.3. Modelos en consideracin . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.2.4. Anlisis de sensibilidad respecto a los datos . . . . . . . . . . . . . . . 18
1.2.5. Modelos simplicados . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.3. Resultados numricos para los modelos de transferencia de masa y calor . . . . . 20
1.3.1. Modelos completos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.3.2. Anlisis de sensibilidad de los modelos completos . . . . . . . . . . . . 24
1.3.3. Estudio comparativo de los modelos simplicados . . . . . . . . . . . . 25
1.4. Acoplamiento de los modelos de inactivacin enzimtica con los de transferencia
de masa y calor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.4.1. Ecuacin para la actividad enzimtica . . . . . . . . . . . . . . . . . . . 26
1.4.2. Discretizacin de la ecuacin para la actividad enzimtica . . . . . . . . 27
1.5. Resultados numricos para el acoplamiento de la inactivacin enzimtica y la
transferencia de masa y calor . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.5.1. Modelos completos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1.5.2. Anlisis de sensibilidad de la inactivacin en los modelos completos . . . 30
1.5.3. Estudio comparativo de los modelos simplicados . . . . . . . . . . . . 31
1.6. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
II Identicacin de un coeciente de intercambio de calor 35
Introduccin 37
2. Identicacin de un coeciente de intercambio de calor que vara con la presin 41
Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.1. Anlisis cualitativo del problema directo . . . . . . . . . . . . . . . . . . . . . . 42
2.2. Escenarios de planteamiento del problema inverso . . . . . . . . . . . . . . . . . 45
VII
VIII ndice
2.3. Identicacin a partir de un experimento diseado ad hoc . . . . . . . . . . . . . 47
2.4. Un algoritmo numrico para la identicacin . . . . . . . . . . . . . . . . . . . 49
2.4.1. Identicacin a partir de una cantidad nita de valores exactos de la tem-
peratura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.4.2. Identicacin a partir de una funcin que aproxime la temperatura . . . . 52
2.4.3. Identicacin a partir de una cantidad nita de valores aproximados de la
temperatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.5. Adimensionalizacin del problema . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.6. Resultados numricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3. Identicacin de un coeciente de intercambio de calor que vara con la temperatura 81
Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.2. Escenarios de planteamiento del problema inverso . . . . . . . . . . . . . . . . . 85
3.3. Teora de regularizacin. Algoritmos clsicos . . . . . . . . . . . . . . . . . . . 88
3.3.1. Marco funcional del problema inverso . . . . . . . . . . . . . . . . . . . 88
3.3.2. Estrategias de regularizacin . . . . . . . . . . . . . . . . . . . . . . . . 92
3.4. Un algoritmo numrico para la identicacin . . . . . . . . . . . . . . . . . . . 96
3.4.1. Identicacin a partir de una cantidad nita de valores exactos de la tem-
peratura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
3.4.2. Identicacin a partir de una funcin que aproxime la temperatura . . . . 97
temperatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
3.5. Resultados numricos. Comparacin entre los mtodos descritos . . . . . . . . . 103
3.5.1. Sobre la adimensionalizacin del problema . . . . . . . . . . . . . . . . 103
3.5.2. Estudio comparativo de los resultados numricos . . . . . . . . . . . . . 104
III Identicacin de un coeciente de conductividad trmica 119
4. Identicacin del coeciente de conductividad trmica, cuando sta depende de la
distribucin de presiones 121
Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
4.2. Expresin de la solucin en funcin de sus valores en el borde . . . . . . . . . . 127
4.3. Unicidad de solucin del problema inverso . . . . . . . . . . . . . . . . . . . . . 139
4.3.1. Caso k constante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
4.3.2. Caso k arbitraria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
4.4. Resultados numricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
Bibliografa 151
Introduccin
La Tecnologa de Alimentos es una disciplina que se ha desarrollado enormemente en el trans-
curso de los ltimos decenios, especialmente desde mediados del Siglo XX. Obviamente, el ser
humano se ha preocupado desde pocas remotas por la conservacin de los alimentos que produ-
ca, recurriendo a tcnicas tradicionales como la desecacin, el curado, la salazn, el encurtido,
el ahumado, la conservacin en aceite, el enfriamiento, etc. El desplazamiento de la poblacin al
medio urbano, realizado en un breve lapso de tiempo y de forma casi generalizada, hizo necesario
el poder contar con un suministro masivo de alimentos en condiciones de consumo adecuadas. Pa-
ra ello, fue preciso el desarrollo de una industria alimentaria que pudiera garantizar tratamientos
a gran escala y que prolongasen la vida til de los alimentos, con el objeto de facilitar aspectos
logsticos como pueden ser el transporte, el almacenamiento, la distribucin, . . .
Con el tiempo, sin perder de vista algo tan importante como la seguridad alimentaria, se fue
poniendo mayor nfasis en otros aspectos cualitativos, ligados a las propiedades nutricionales y
organolpticas de los alimentos, las cuales podan verse mermadas por los tratamientos a que stos
se vean sometidos. Por otra parte, ya en nuestros das, se detecta una gran preferencia de los con-
sumidores por alimentos naturales (sin conservantes, colorantes u otro tipo de aditivos) e incluso
ecolgicos (vegetales sin pesticidas, animales alimentados sin usar piensos, etc.). Por tanto, es
necesario desarrollar tcnicas que, con el menor manipulado posible, produzcan alimentos segu-
ros, sin prdidas nutricionales y que conserven su sabor, aroma, textura, aspecto, etc. originales.
Una de las tecnologas que, desde el punto de vista industrial, pueden usarse para el trata-
miento de alimentos, y que posee estas buenas propiedades, es el tratamiento a altas presiones.
Su desarrollo a nivel de investigacin arranc a principios de los aos noventa (del siglo pasado),
materializndose sus primeras aplicaciones comerciales ya desde mediados de la misma dcada.
En Espaa est siendo utilizada por diferentes empresas, destacando Espua S.A., una de las enti-
dades colaboradoras del Grupo de Investigacin MOMAT, en el seno del cual se ha realizado todo
el trabajo que se presenta en estas pginas. Mencionemos tambin que una empresa espaola, NC
Hyperbaric, se ha convertido, en apenas diez aos de existencia, en uno de los mayores fabricantes
europeos de equipos de altas presiones para la industria alimentaria. Por otra parte, son varios los
grupos de investigacin que, en todo el mundo, estn avanzando en el estudio de las caractersticas
de esta tecnologa, con vistas a extender su aplicabilidad. Uno de los ms activos tiene su sede en
el Instituto del Fro del Consejo Superior de Investigaciones Cientcas (CSIC); fruto de la cola-
boracin con este grupo fue el trabajo [20], tras el que comenzaron las tareas de investigacin que
han dado lugar a esta memoria.
La exposicin de los resultados se ha estructurado en tres partes. La primera de ellas se centra
en la modelizacin del tratamiento de alimentos mediante altas presiones y su simulacin numri-
ca; la segunda y la tercera versan sobre la identicacin aproximada de sendos parmetros termo-
fsicos que aparecen en los modelos presentados en la primera parte, para versiones simplicadas
de los mismos.
1
2 Introduccin
Nuestro objetivo es la modelizacin de este tipo de procesos, haciendo especial nfasis en los
aspectos numricos, es decir, en su simulacin computacional, con vistas a marcar pautas que per-
mitan disear metodologas que contribuyan a la optimizacin de los tratamientos. Los modelos
que se utilizan en este contexto son complejos (ecuaciones de NavierStokes para uidos dbil-
mente compresibles acopladas con transferencia de calor) y requieren sosticadas herramientas
numricas para su resolucin aproximada. Pero adems, en las ecuaciones aparecen un conjun-
to de coecientes ligados a parmetros fsicos (densidad, calor especco, conductividad trmica,
coeciente de intercambio de calor, coeciente de dilatacin, etc.) caractersticos de los materiales
en los que estn planteadas. Se da la circunstancia de que los valores de estos coecientes, que son
sensibles a los cambios de presin y temperatura, no suelen ser conocidos para presiones distintas
de la atmosfrica.
Esto hace que para aproximar numricamente el comportamiento del modelo haya que pres-
cribir dichos valores mediante argumentos heursticos o basados en metodologas experimentales,
como se hace en el estudio llevado a cabo en el Captulo 1. All se presenta un modelo matem-
tico, que constituye una variante del que en [60] se describe para alimentos de tipo slido, y que
permite trabajar con uidos compresibles. Mediante su simulacin numrica se consigue describir
el comportamiento trmico y uidodinmico de la muestra de alimento, cuando es sometida a un
tratamiento a altas presiones, no slo si se trata de un alimento de tipo slido sino tambin cuando
se trata de un alimento lquido.
Por otro lado, puesto que parte de la degradacin de los alimentos la producen enzimas presen-
tes en ellos, es importante que los tratamientos aplicados consigan reducir al mximo su actividad.
Con la vista puesta en este objetivo, el modelo termouidodinmico citado se acopla con ecuacio-
nes cinticas que modelizan la actividad de diversas enzimas. Mediante su resolucin numrica se
consigue estimar la actividad de estas enzimas tras el uso de diversos tratamientos.
Existen en la literatura otros trabajos con objetivos similares (vanse, v. gr., [10], [24] y [25])
aunque en ninguno se explicitan los modelos en la medida en que aqu se hace; adems, nuestra
forma de acoplar la actividad enzimtica con la transferencia de masa y calor es original, pues se
realiza a posteriori, una vez aproximada la distribucin de temperatura. Asimismo, nosotros pre-
sentamos un estudio comparativo del modelo completo frente a otros modelos ms sencillos; este
estudio es de gran inters, pues puede justicar el uso de modelos simplicados en los primeros
pasos de una eventual optimizacin del diseo de los tratamientos (los resultados obtenidos para
las enzimas estudiadas dan prueba de ello). Finalmente, en esta primera parte llevamos a cabo un
novedoso anlisis de sensibilidad de los modelos respecto a errores en los datos; la conveniencia
de conocer cmo de sensibles se muestran los modelos a estos errores se justica, no slo en la
probable presencia de errores de medicin, sino en la citada metodologa con la que se determi-
nan los parmetros termofsicos que aparecen en las ecuaciones que gobiernan los modelos. Este
anlisis muestra que dicha sensibilidad depende, en gran medida, de la enzima en consideracin.
Fijamos ahora nuestro inters en la mencionada falta de informacin relativa a los parmetros
fsicos de este tipo de problemas, la cual es la motivacin del trabajo que se recoge en las partes
segunda y tercera de esta memoria. Se plantea la posibilidad de identicar los valores que, para
cada material en concreto, toman esos coecientes en un rango de temperaturas y presiones dados.
La idea es realizar una cantidad (lo menor posible) de experimentos en los que se realicen medi-
ciones de la temperatura (magnitud sencilla de medir) y, a partir de ellas, intentar determinar los
valores de algunos de los parmetros. Esto nos coloca en el contexto de los problemas inversos
en los que, a partir de cierto conocimiento de la solucin de un problema, se pretende obtener in-
formacin sobre el modelo que lo gobierna. ste es el contexto en el que se desarrollan las partes
Introduccin 3
segunda y tercera de nuestro trabajo, en las que se disean algoritmos numricos mediante los que
se consigue identicar dos de estos parmetros.
En concreto, en la segunda parte se suponen simplicaciones del modelo que llevarn a plan-
tearlo como un problema de valor inicial en dimensin uno, en el que el parmetro que se pretende
identicar es un coeciente de intercambio de calor que puede depender de la presin (que se
supone conocida) y de la temperatura (que es la incgnita de la ecuacin diferencial ordinaria).
En la tercera parte, el modelo simplicado se plantea como una ecuacin en derivadas parciales
con condiciones de contorno mixtas, siendo el coeciente de conductividad trmica el objeto de la
identicacin.
Hay que destacar que, puesto que el objetivo ltimo es aproximar el comportamiento de las
magnitudes modelizadas (en nuestros casos, la temperatura), la bondad de la identicacin residi-
r, no tanto en que el error en el parmetro identicado sea pequeo como en que lo sea el error
cometido en dicha magnitud, cuando se usa el modelo con el parmetro aproximado.
Es lgico que la estrategia que se utilice para identicar un coeciente dependa de la infor-
macin de la que se disponga sobre l. En determinadas ocasiones se sabe que dicho coeciente
se expresa mediante una frmula en la que aparecen una cantidad nita de parmetros que son
los que hay que determinar. En esta situacin, el mtodo de mnimos cuadrados suele conducir
a una solucin adecuada del problema. ste es el mtodo empleado, por ejemplo, en los traba-
jos [18], [20], [46], [53], [66] y [67], todos ellos planteados en el contexto de la Tecnologa de
Alimentos. Muy distinto es cuando la nica informacin que se tiene sobre el coeciente que se
necesita determinar es meramente cualitativa (continuidad, positividad, . . . ). sta es la situacin
que nosotros abordamos presentando una variada gama de metodologas (experimentos especial-
mente diseados, algoritmos basados en la diferenciacin aproximada, estrategias de regulariza-
cin, mtodos de colocacin) todas ellas originales en este contexto. Se han explorado tambin
otros mtodos (por ejemplo, aplicar mnimos cuadrados a los parmetros que constituyen las coor-
denadas respecto a una base de elementos nitos del coeciente a determinar, como se hace en [12]
y [75], por ejemplo) que no han producido los resultados deseados.
Los mtodos utilizados en esta memoria se han mostrado ecaces para resolver los problemas
planteados. Han proporcionado resultados adecuados para la aproximacin de los coecientes que
se pretenda identicar y proporcionan una muy satisfactoria aproximacin de la temperatura para
las distintas simulaciones que, utilizando tal identicacin aproximada, se han realizado para una
variada gama de datos de partida.
Para una presentacin ms especca del trabajo realizado, remitimos al lector a las intro-
ducciones respectivas de cada parte o captulo.
Parte I
Tratamiento trmico a altas presiones.
Inactivacin enzimtica
Captulo 1
Modelizacin y simulacin del
tratamiento trmico a altas presiones y
de la inactivacin enzimtica
Introduccin
En los ltimos aos se ha producido un incremento constante de la demanda de alimentos
que, habiendo sido sometidos al menor tratamiento y manipulacin posibles, estn listos para su
consumo, tanto en restaurantes como en comedores colectivos (empresas, colegios, hospitales,
residencias, etc.) o en el mbito domstico. Este requisito de mnima manipulacin puede entrar
en conicto con una de las cuestiones que ms preocupan a los ciudadanos de la sociedad actual,
como es la seguridad alimentaria: habida cuenta de que la actividad de diversos microorganismos
y enzimas hace que los alimentos se degraden, empeorando sus propiedades organolpticas o, peor
an, dejando stos de ser seguros desde el punto de vista sanitario, resulta imprescindible un cierto
procesamiento.
Entre las tecnologas que pueden usarse para la preparacin de estos productos destaca la que
se conoce como tratamiento a altas presiones, la cual ya ha probado su vala desde el punto de
vista industrial, mostrndose muy efectiva para prolongar la vida til de algunos alimentos (zumos,
guacamole, ostras, jamn cocido, etc.). Una de las mayores ventajas de este tratamiento es la total
ausencia de aditivos, sustancias que no gozan de las simpatas de los consumidores. Adems, al
contrario de lo que ocurre con procesos como la pasteurizacin, este tipo de tratamientos permiten
eludir el uso de altas temperaturas, con lo que no se producen los correspondientes efectos adversos
sobre las propiedades nutricionales y organolpticas del alimento (vanse, v. gr., [28] y [32]).
En este captulo se modeliza y simula numricamente el efecto que se produce cuando se
combinan tratamiento a altas presiones y tratamiento trmico (a temperaturas moderadas) en el
procesamiento de alimentos, lo que a partir de ahora denotaremos por tratamiento APTM. Se har
un especial nfasis en el aspecto relativo a la disminucin de la actividad de ciertas enzimas. Este
tipo de problemas han sido estudiados por otros autores (por ejemplo, en los trabajos [10], [24]
y [25]).
7
8 Modelizacin y simulacin del tratamiento trmico a altas presiones y de la inactivacin enzimtica
Nomenclatura para el Captulo 1
A Actividad enzimtica
A
1
, A
2
Puntos esquina
AEA Error medio en la actividad
AET Error medio en la temperatura
B
1
, B
2
Puntos sobre la muestra
BSAA Bacillus Subtilis Amylasa
C
p
Calor especco
EA Error en la actividad
ET Error en la temperatura
g Gravedad
H Altura del dominio
h Coeciente de transferencia de calor
k Conductividad trmica
L Anchura del dominio
LB Modelo de Boussinesq simplicado
LCC Modelo simplicado con coecien-
tes constantes para alimento de tipo
lquido
LFull Modelo completo para alimento de
tipo lquido
LOX Lipoxigenasa
M Masa
/(f; D) Valor medio de una funcin f en un
dominio D
n Vector normal unitario exterior
N Nmero de modelos perturbados
P Presin del equipo
p Presin debida a la transferencia de
masa
PME PectinMetilEsterasa
r Coordenada radial
R Constante universal de los gases
RAET Valor relativo de AET
RET Valor relativo de ET
S Entropa
SCC Modelo simplicado con coecien-
tes constantes para alimento de tipo
slido
SFull Modelo completo para alimento de
tipo slido
t Tiempo
t
f
Tiempo nal
T Temperatura
T
0
Temperatura inicial
T
r
Temperatura de refrigeracin o ca-
lentamiento
T
amb
Temperatura ambiente
u Campo de velocidad del uido
V Volumen
X Trayectoria de una partcula de ali-
mento
z Coordenada vertical
Gradiente
Divergencia
2
Laplaciano
Smbolos griegos
Coeciente de dilatacin
Frontera del dominio completo
r
Frontera con dato de temperatura
up
Frontera con transferencia de calor
Factor de compresibilidad
Factor de dilatacin
Viscosidad dinmica
Factor de inactivacin
Densidad
Paso de tiempo
Dominio completo
C
Tapn del contenedor de la muestra
F
Muestra de alimento
P
Medio presurizado
S
Pared de la vasija
ndices
* Dominios rotados
F Muestra de alimento
P Fluido presurizante
per Modelo perturbado
ref Valor de referencia
sim Modelo simplicado
Realizamos la aproximacin numrica del modelo que denominaremos completo (que incluye
ecuaciones de transferencia de calor y de masa, con parmetros relativos a las propiedades ter-
mofsicas dependientes de la temperatura y la presin), la cual tiene una alta complejidad desde
el punto de vista computacional, tanto en su implementacin como en el tiempo de clculo que
1.1 Modelo matemtico de la inactivacin enzimtica 9
requiere. Es por esta razn por lo que tambin introducimos versiones simplicadas del modelo
anterior, las cuales pueden ser de gran utilidad a la hora de disear equipos industriales adecuados
y para optimizar los procesos seguidos en los tratamientos.
La organizacin del captulo es la siguiente:
En la Seccin 1.1 se presentan algunos modelos de inactivacin enzimtica, los cuales nece-
sitan como datos de partida los perles de presin y temperatura en la muestra de alimento. A
continuacin, la Seccin 1.2 contempla el desarrollo de todos los modelos, tanto el completo co-
mo los simplicados, y describe el estudio del anlisis de su sensibilidad respecto a los datos. Los
resultados numricos obtenidos al implementar estos modelos se recogen en la Seccin 1.3. En
la Seccin 1.4 se lleva a cabo el acoplamiento de los modelos de inactivacin enzimtica estudia-
dos en la Seccin 1.1 con los de la Seccin 1.2. Los resultados numricos para el decaimiento de
la actividad de las enzimas consideradas tras dicho acoplamiento se presentan en la Seccin 1.5.
Finalmente, la Seccin 1.6 contiene las conclusiones nales, as como una descripcin de la me-
todologa propuesta para optimizar el tratamiento trmico a altas presiones para cada alimento y
equipo en particular.
El contenido de este captulo est recogido en el trabajo On the Modelling and Simulation of
High Pressure Processes and Inactivation of Enzymes in Food Engineering que fue aceptado en
enero de 2009 para su publicacin en Mathematical Models and Methods in Applied Sciences.
1.1. Modelo matemtico de la inactivacin enzimtica
Nuestro objetivo es predecir el impacto que el tratamiento APTM tiene sobre la actividad de
algunas de las enzimas que estn presentes en distintos tipos de comida. Para ello, consideramos un
modelo cintico de primer orden que describe la evolucin de la actividad y que requiere conocer
la presin y la temperatura a la que se encuentra en cada instante la muestra considerada.
Antes de comenzar con la descripcin del modelo, sealemos que existe una variedad de pro-
tocolos experimentales utilizados para medir la actividad enzimtica; en ellos suele ligarse esta
actividad a una cierta magnitud, siendo su variacin a lo largo del tiempo lo que da cuenta de la
evolucin de la actividad enzimtica. Esta magnitud puede ser, por ejemplo, la concentracin de
oxgeno (como se hace en [33] para la enzima Lipoxigenasa), la densidad ptica (cf. [49] para
la Bacillus Subtilis Amylasa) o el nmero de grupos carboxilos generados (vase [52] para la
PectinMetilEsterasa). De acuerdo con la magnitud elegida, su variacin respecto al tiempo se ex-
presa en las unidades correspondientes: as, para los ejemplos anteriormente citados, las unidades
utilizadas en las referencias mencionadas son, respectivamente, (ppm de O
2
) s
1
, cm
1
min
1
y (mL de 0.01 M NaOH) min
1
.
La evolucin de la actividad A de una enzima se describe, a menudo, mediante la siguiente
ecuacin cintica de primer orden ([54, 69]):
dA
dt
(t) = (P(t), T(t)) A(t), (1.1)
donde t representa el tiempo (min), P(t) la presin (MPa) en el instante t y T(t) la temperatura
(K) en el tiempo t; (P, T) es el factor de inactivacin (min
1
) correspondiente a las condiciones
de presin y temperatura dadas por el par (P, T) y A(t) es la actividad en el instante t de la enzima
que se est modelizando.
Se pueden encontrar en la literatura diversas frmulas que describen el coeciente (P, T), las
cuales suelen basarse en relaciones que modelizan la dependencia de ciertas reacciones qumicas
respecto a la presin y la temperatura, y se pueden elegir en funcin de la enzima en estudio. Aqu
presentamos dos frmulas para (P, T), que son las que usaremos para las simulaciones numricas
de la Seccin 1.4; en [2], [51] y [64], por ejemplo, pueden encontrarse otras modelizaciones para
el factor de inactivacin.
La primera relacin se obtiene (v. gr., en [49]) combinando adecuadamente la ecuacin
de Arrhenius (para modelizar la dependencia respecto a la temperatura) con la ecuacin de
Eyring (para la dependencia respecto a la presin):
(P, T) =
ref
exp
_
B
_
1
T

1
T
ref
__
exp (C(P P
ref
)) , (1.2)
donde T
ref
y P
ref
son, respectivamente, una temperatura (K) y una presin (MPa) de refe-
rencia,
ref
representa la razn de inactivacin en las condiciones de referencia (min
1
), y
B (K) y C (MPa
1
) son parmetros que expresan la dependencia de respecto a la tempe-
ratura y la presin, respectivamente.
La segunda relacin, propuesta en [31], est basada en una adaptacin de un modelo termo-
dinmico ([27]) que puede convertirse en un modelo cintico mediante la teora de estado
de transicin de Eyring:
(P, T) =
ref
exp
_
V
ref
RT
(P P
ref
)
_
exp
_
S
ref
RT
(T T
ref
)
_
exp
_

2RT
(P P
ref
)
2
_
exp
_
2
RT
(P P
ref
)(T T
ref
)
_
exp
_
C
p
RT
_
T
_
ln
T
T
ref
1
_
+T
ref
_
_
+ trminos de orden superior,
(1.3)
donde R = 8.314 (J mol
1
K
1
) es la constante universal de los gases, V
ref
(cm
3
mol
1
)
y S
ref
(J mol
1
K
1
) representan la variacin del volumen y de la entropa, respectiva-
mente, respecto a las condiciones de referencia, C
p
es la variacin del calor especco
(J mol
1
K
1
), es el factor de dilatacin (cm
3
mol
1
K
1
) y el de compresibilidad
(cm
6
J
1
mol
1
). En funcin de cul sea la enzima en estudio, se pueden aadir otros trmi-
nos de orden superior, con el objetivo de anar la aproximacin que de la dependencia de
la actividad respecto a la presin y la temperatura se est llevando a cabo (as se hace, por
ejemplo, en [52]).
Para determinar los parmetros que aparecen en estas relaciones suelen utilizarse tcnicas de re-
gresin a partir de los datos obtenidos mediante mediciones experimentales de la actividad (un
ejemplo de ello puede verse en [11]). Para los experimentos numricos que hemos llevado a ca-
bo, hemos utilizado las estimaciones que de estos parmetros se consignan en los trabajos [33],
[49] y [52]. Es necesario destacar que, como se reeja en [50], estos valores pueden depender
fuertemente del lote concreto de producto con el que se est trabajando.
Una vez elegida la descripcin del factor de inactivacin, y determinados los parmetros que
en dicha descripcin aparezcan, la solucin de la ecuacin (1.1) vendr, obviamente, dada por la
expresin:
A(t) = A(0) exp
_
_
t
0
(P(), T()) d
_
. (1.4)
1.2 Modelizacin de la transferencia de masa y de calor 11
Por cuestiones prcticas supondremos la condicin inicial A(0) = 100; esto es equivalente a decir
que la actividad A(t) en el instante t es un porcentaje de la actividad en el instante inicial.
Estos modelos de evolucin de la actividad enzimtica han proporcionado resultados exitosos
en el estudio de varias enzimas bajo diferentes condiciones de presin y temperatura (muestra
de ello son los trabajos [33], [49] y [52]). Sin embargo, slo pueden usarse cuando se conoce la
evolucin temporal de la temperatura y la presin (lo que se consigue, tpicamente, a travs de
mediciones experimentales). Esto los convierte en poco prcticos desde el punto de vista de la
optimizacin numrica, situacin en la que no se puede suponer que se disponga de datos experi-
mentales.
Por otra parte, la ecuacin (1.1) (y su correspondiente solucin (1.4)) proporciona una des-
cripcin macro del comportamiento de la actividad enzimtica, por lo que no sirve para capturar la
eventual distribucin no homognea de la actividad que puede aparecer (debida a la distribucin,
a su vez, no homognea de la temperatura) dentro del alimento.
Ambos inconvenientes quedarn solventados en las siguientes secciones, mediante el desa-
rrollo de modelos capaces de describir convenientemente la distribucin de temperaturas en la
muestra de alimento, a lo largo del tiempo (Seccin 1.2), y su posterior acoplamiento con los
modelos aqu descritos (Seccin 1.4).
1.2. Modelizacin de la transferencia de masa y de calor
Cuando se aplican tratamientos a altas presiones en el mbito de la Tecnologa de Alimentos
se hace imprescindible tomar en consideracin los efectos trmicos que aparecen, tanto en la
muestra de alimento como en el uido presurizante, debidos, entre otras posibles causas, a que la
compresin o expansin consiguientes llevarn aparejada una variacin de la temperatura.
Durante el transcurso de la compresin y una vez nalizada sta (incluso antes de ella, si
el proceso no est previamente atemperado) se produce un intercambio de calor entre la cmara
de presin, el lquido que transmite la presin y el alimento. Consecuencia de ello son sendas
distribuciones de temperaturas dependientes del tiempo en estos tres medios. Estas variaciones
temporales de la temperatura generan, en la parte lquida (es decir, en el uido presurizante y,
en caso de que tenga dicho estado, en el alimento), cambios en la densidad que, a su vez, dan
lugar a la aparicin de conveccin libre (vase, v. gr., [43]). Por consiguiente, un modelo able
para este tipo de problemas no puede obviar los fenmenos de conveccin ni de conduccin que
tienen lugar durante el proceso, y debe por ello contemplar la transferencia de masa y de calor. Una
buena referencia sobre este tipo de modelos es el trabajo [8], en el que se aborda extensamente esta
temtica; por otra parte, en [43] tambin puede encontrase un detallado anlisis dimensional para
las ecuaciones que gobiernan fenmenos de conveccin durante el tratamiento de medios lquidos
con altas presiones.
A menudo, los tratamientos APTM tienen lugar en vasijas de presin en las que previamente
se ha introducido la comida empaquetada y el uido presurizante, y en las que el usuario puede
elegir si calentar o enfriar el alimento durante el proceso. Estas vasijas son, tpicamente, cilindros
de acero con una cavidad en su interior. Por otra parte, el ujo en este tipo de procesos suele
permanecer en el rgimen laminar, sin que aparezcan turbulencias ni en el medio que transmite la
presin ni en el eventual alimento lquido. Estas dos condiciones (geometra cilndrica y rgimen
laminar) aseguran la simetra axial del modelo. Utilizando coordenadas cilndricas (y eliminando
la coordenada angular) podremos trabajar en un dominio plano, el cual se corresponder con la
mitad de una seccin axial (es decir, la interseccin del cilindro con un plano que contenga a su
eje).
Vamos a introducir la siguiente notacin, relativa a las regiones donde se plantear el problema:
En primer lugar, consideramos cuatro subdominios planos (cf. la Figura 1.1):
F
: Parte correspondiente a la muestra de alimento
C
: Tapn (tpicamente de caucho) del contenedor de la muestra
P
: Dominio ocupado por el medio presurizante
S
: Pared de acero que rodea los dominios anteriores.
Nuestro dominio en las coordenadas (r, z) (que se corresponden con el radio y la altura de la
geometra cilndrica en consideracin) estar conformado por la unin de los cuatro anteriores; se
trata del rectngulo = [0, L] [0, H] denido por =
F

C

P

S
. El eje de simetra
es la recta prolongacin del segmento 0 (0, H).
En la frontera de , que denotaremos por , distinguimos tres partes:
r
L (0, H), zona en la que se supone conocido el valor de la temperatura.
up
= [0, L] H; en esta parte supondremos que se produce un intercambio de calor
entre el equipo y la sala en la que est situado.

r

up
, zona con ujo nulo. Esta condicin surge, en la parte correspondiente al eje,
al traducir la simetra axial a dos dimensiones en la frontera articial en que se convierte el
eje de simetra; en el resto, se tiene porque el equipo se supone aislado.
Figura 1.1: Dominio plano en el que, tras utilizar la simetra axial, se plantea el problema.
Finalmente, vamos a utilizar el superndice

para denotar los dominios correspondientes (y
sus fronteras) en la versin del problema en dimensin tres. Es decir, denotamos por
F
,
C
,
P
,
S
,
r
y
up
los dominios (tridimensionales y bidimensionales) que se generan cuando
se rotan, alrededor del eje de simetra, los dominios ,
F
,
C
,
P
,
S
, (0 (0, H)),
r
y
up
, respectivamente.
Una vez establecidos los dominios, en las siguientes secciones vamos a describir las ecuacio-
nes del modelo. Para ello, vamos a distinguir dos casos que deben tratarse de diferente forma:
cuando el alimento es slido (apartado 1.2.1) y cuando es lquido (apartado 1.2.2).
1.2.1. Alimentos slidos
Transferencia de calor mediante conduccin
Cuando se pretende modelizar el tratamiento de alimentos slidos, el punto de partida debe ser
la ecuacin de conduccin de calor para la temperatura T (K)
C
p
T
t
(kT) =
dP
dt
T in
(0, t
f
), (1.5)
donde = (T, P) representa la densidad (kg m
3
), C
p
= C
p
(T, P) denota el calor especco
(J kg
1
K
1
), k = k(T, P) es la conductividad trmica (Wm
1
K
1
) y t
f
el tiempo nal del
proceso (s).
El segundo miembro de la ecuacin se corresponde con la generacin (o reduccin) del calor
interno debida al cambio de presin (cf. [60], trabajo en el que nos basamos para este caso y que
guiar nuestros primeros pasos). La presin P = P(t) (Pa) que aqu aparece es la que se aplica
mediante el equipo (y ser elegida por el usuario, dentro de las limitaciones de la mquina). En
cuanto al coeciente = (T, P), su signicado depende del subdominio que se considere:
=
_
_
coeciente de dilatacin (K
1
) del alimento en
F
coeciente de dilatacin (K
1
) del uido presurizante en
P
0, en el resto de
.
Este trmino tiene su origen en la siguiente ley ([60]), que describe la variacin de la tempera-
tura T debida a la variacin de la presin P, cuando se suponen cambios isoentrpicos de
temperatura (vase, v. gr., [3, pg. 165]) en la fase en que hay cambio de presin:
T
P
=
TV
MC
p
=
T
C
p
. (1.6)
Aqu, V (m
3
) es el volumen y M (kg) la masa.
Para que el modelo pueda resolverse y proporcione la distribucin de temperaturas que se
busca, la ecuacin de transferencia de calor por conduccin (1.5) debe completarse con adecuadas
condiciones de contorno e iniciales, que dependern de la mquina de altas presiones que se est
utilizando. Aqu usaremos las mismas que en el citado trabajo [60], que son adecuadas para la
unidad piloto ACB GECAlsthom (Nantes, Francia), situada en la sede del Instituto del Fro, centro
dependiente del Consejo Superior de Investigaciones Cientcas espaol (vase la Figura 1.2).
Estas condiciones son las siguientes:
_
_
k
T
n
= 0 sobre
up
) (0, t
f
)
k
T
n
= h(T
amb
T) sobre
up
(0, t
f
)
T = T
r
sobre
r
(0, t
f
)
T(0) = T
0
en
.
(1.7)
En estas relaciones n representa el vector unitario normal exterior a la frontera del dominio;
T
0
es la temperatura inicial; T
r
denota la temperatura (de refrigeracin o de calentamiento) que
permanece constante en
r
a lo largo del proceso, enfriando o calentando la muestra de alimento;
Figura 1.2: Unidad piloto de altas presiones (imagen cedida por el Instituto del Fro del CSIC) y
esquema de su funcionamiento.
T
amb
es la temperatura ambiente, que tambin se supone constante; nalmente, h (Wm
2
K
1
)
representa el coeciente de transferencia de calor a travs del borde superior del cilindro.
Como ya se ha comentado, mediante el uso de coordenadas cilndricas y aprovechando la
simetra axial, el sistema (1.5)(1.7) puede reescribirse como el problema en dos dimensiones
_
_
C
p
T
t

1
r
r
_
rk
T
r
_

z
_
k
T
z
_
=
dP
dt
T en (0, t
f
)
k
T
n
= 0 sobre (
r

up
) (0, t
f
)
k
T
n
= h(T
amb
T) sobre
up
(0, t
f
)
T = T
r
sobre
r
(0, t
f
)
T(0) = T
0
en .
(1.8)
Este modelo resulta adecuado cuando la parte del interior de la vasija que ocupa la muestra
de alimento es mucho mayor que la que ocupa el medio presurizante. As puede verse en [60],
donde se lleva a cabo una validacin del modelo a travs de varios estudios comparativos entre los
resultados obtenidos numricamente y los resultados experimentales. Estos autores tambin mues-
tran que, cuando la razn de rellenado entre el alimento y el uido no es sucientemente grande,
los resultados obtenidos a partir de la resolucin numrica del modelo muestran discrepancias
con los experimentales. Para intentar solventar esta disfuncin del modelo pueden plantearse dos
estrategias:
(I) Utilizar el mismo modelo, corrigindolo mediante la adopcin, en el medio presurizante, de
un valor aparente para la conductividad trmica mayor que el real. Con ello se conseguiran
resultados aceptables para la distribucin de temperaturas dentro del alimento pero no para
la temperatura del uido que transmite la presin. sta no ser la va por la que optaremos.
(II) Tomar en consideracin en el modelo el fenmeno de conveccin que tiene lugar en el
medio presurizante. Con ello, como se muestra en [60], se modeliza mejor el problema pues,
aunque se aumenta la complejidad computacional del clculo aproximado de la solucin,
los resultados que se obtienen son ms precisos. Analizamos esta estrategia en el siguiente
epgrafe.
Transferencia de calor mediante conduccin y conveccin
Como se ha comentado al comienzo de esta seccin, la existencia de una distribucin no ho-
mognea de temperaturas induce una distribucin no homognea de la densidad, la cual produce
el movimiento del uido conocido como conveccin libre. Con objeto de contemplar dicha con-
veccin, que puede jugar un papel determinante en la distribucin de la temperatura, usaremos un
modelo de ujo no isotrmico. Supondremos que los uidos con los que se trabaja son newtonia-
nos; adems, a diferencia de lo que se hace en [60], supondremos que son dbilmente compresi-
bles (por lo que deber tenerse en cuenta el segundo coeciente de viscosidad) y que verican la
hiptesis de Stokes, la cual se concreta (vase, v. gr., [1, pg. 110 y ss.]) en suponer que el coe-
ciente viscosidad volumtrica es nulo. Esto equivale a tomar como valor del segundo coeciente
de viscosidad
2
3
, siendo lo que se conoce como primer coeciente de viscosidad o coeciente
de viscosidad dinmica. As, la ecuacin de conservacin del momento u se escribe, en la parte
ocupada por el medio que transmite la presin, como
u
t
(u +u
t
) +(u )u = p
2
3
( u) +g,
siendo g el vector de gravedad. Ntese que en el trmino correspondiente al gradiente de presin
slo aparece la presin p generada por la transferencia de masa en el interior del uido. Esto se
debe a que la presin que aporta el equipo P = P(t) no depende de la variable espacial y, por
tanto, se tiene que (P +p) = p.
La ecuacin de conservacin de la masa viene dada, en el domino correspondiente al uido
presurizante, por
t
+ (u) = 0.
Acoplando las ecuaciones de conservacin de energa y del momento, el transporte debido a
la conduccin y la conveccin se modeliza por la ecuacin, vlida en todo el dominio,
C
p
T
t
(kT) +C
p
u T =
dP
dt
T,
donde se est suponiendo que las variaciones de temperatura producidas por el calor procedente
de la disipacin de energa debida al rozamiento interno que provoca la transferencia de masa son
despreciables (vase, v. gr., [44, pg. 229 y ss.]).
En resumen, el campo de velocidades del uido en cuestin, u (ms
1
) y la temperatura T (K)
verican las ecuaciones de NavierStokes (conservacin del momento y conservacin de la masa)
acopladas con la ecuacin de transferencia de calor, es decir:
_
_
C
p
T
t
(kT) +C
p
u T =
dP
dt
T en
(0, t
f
)
u
t
(u +u
t
) +(u )u
= p
2
3
( u) +g en
P
(0, t
f
)
t
+ (u) = 0 en
P
(0, t
f
).
(1.9)
En este sistema, g es el vector gravedad (ms
2
), = (T, P) representa la viscosidad din-
mica (Pa s), p = p(x, t) denota la presin generada por la transferencia de masa en el interior del
uido y P +p es la presin total (Pa) en el medio presurizante
P
. Como en el epgrafe anterior,
la densidad = (T, P) es una funcin de estado conocida; el resto de los parmetros (C
p
, k, )
juegan tambin el mismo papel que en el mencionado epgrafe.
Con vistas a determinar la solucin, es necesario completar el sistema anterior mediante apro-
piadas condiciones iniciales, de contorno y puntuales, a saber:
_
_
k
T
n
= 0 sobre
up
) (0, t
f
)
k
T
n
= h(T
amb
T) sobre
up
(0, t
f
)
T = T
r
sobre
r
(0, t
f
)
u = 0 sobre
P
(0, t
f
)
T(0) = T
0
en
u(0) = 0 en
P
p = 10
5
sobre A
1
(0, t
f
),
(1.10)
donde el punto A
1
se encuentra situado en la componente exterior de
P
, la frontera de
P
(cf. la
Figura 1.1). El hecho de que la presin p slo aparezca en el sistema (1.9) a travs de su gradiente,
hace que dicha funcin est slo determinada salvo constantes aditivas. Esto explica la necesidad
de jar su valor en algn punto y lo hacemos, al de la presin atmosfrica, en el punto A
1
de la
frontera exterior del dominio ocupado por el presurizante.
De la misma forma que en el epgrafe anterior la ecuacin de conduccin de calor (1.5), junto
con las condiciones (1.7), pueden escribirse como un modelo equivalente en dos dimensiones (1.8),
el sistema (1.9)(1.10) puede tambin reescribirse, mediante el uso de coordenadas cilndricas y
gracias a la simetra axial del problema, como un sistema plano. Destacamos que, para ello, la
seccin axial debe tomarse en el semiplano correspondiente a la coordenada angular constante
que contiene al punto A
1
. Todos los ensayos numricos que se presentan en este captulo se han
realizado sobre esta versin bidimensional del modelo.
1.2.2. Alimentos lquidos
El modelo que proponemos para los alimentos lquidos contempla que se produzca conveccin
tambin en la parte correspondiente al alimento. Supondremos que ambos uidos (presurizante y
alimento) son newtonianos y dbilmente compresibles, y que estn separados por el contenedor
de la muestra, por lo que no pueden mezclarse. Distinguiremos dos campos de velocidades, u
F
y
u
P
, para la comida y el uido presurizante, respectivamente.
De nuevo la conveccin jugar un papel importante, no slo en el medio que transmite la pre-
sin, sino tambin en el alimento. Por ello, despreciar este efecto puede producir unos resultados
muy lejanos del comportamiento trmico real.
El problema se modeliza, como en el apartado 1.2.1, mediante las ecuaciones de Navier
Stokes, aunque ahora se hace necesario aadir una ecuacin de conservacin del momento en el
dominio ocupado por la comida:
_
_
C
p
T
t
(kT) +C
p
u T =
dP
dt
T en
(0, t
f
)
u
F
t
(u
F
+u
t
F
) +(u
F
)u
F
= p
2
3
( u
F
) +g en
F
(0, t
f
)
u
P
t
(u
P
+u
t
P
) +(u
P
)u
P
= p
2
3
( u
P
) +g en
P
(0, t
f
)
t
+ (u
F
) = 0 in
F
(0, t
f
)
t
+ (u
P
) = 0 en
P
(0, t
f
).
(1.11)
Este sistema se completa con las condiciones puntuales, de contorno e iniciales
_
_
k
T
n
= 0 sobre
up
) (0, t
f
)
k
T
n
= h(T
amb
T) sobre
up
(0, t
f
)
T = T
r
sobre
r
(0, t
f
),
u
F
= 0 sobre
F
(0, t
f
)
u
P
= 0 sobre
P
(0, t
f
)
T = T
0
en
u
F
(0) = 0 en
F
u
P
(0) = 0 en
P
p = 10
5
sobre A
1
(0, t
f
)
p = 10
5
sobre A
2
(0, t
f
),
(1.12)
donde
F
denota la frontera de
F
y los puntos A
1
, A
2
son puntos situados en las componentes
exteriores de
P
y
F
, respectivamente (vase la Figura 1.1); nuevamente es necesario jar el
valor de la presin p en un punto de cada dominio, debido a la sola aparicin de su gradiente en
las ecuaciones. Tambin usaremos para este modelo la versin bidimensional (vlida gracias a la
simetra axial) de (1.11)(1.12).
Por ltimo, hay que sealar que si el alimento es un uido no newtoniano la segunda ecua-
cin del sistema (1.11) debe ser reemplazada por la correspondiente ecuacin de conservacin del
momento. Esto complicara en gran medida el modelo y no ser objeto de nuestro estudio.
1.2.3. Modelos en consideracin
Por razones prcticas, en este trabajo focalizaremos el inters en dos situaciones ilustrativas
que renen las caractersticas ms relevantes:
Una muestra de alimento de tipo slido de un tamao suciente como para que la razn de
rellenado de la cmara sea grande. De acuerdo con los resultados de [60] discutidos en el
apartado 1.2.1, el sistema (1.8) ser el modelo matemtico completo (que denominaremos
SFull) considerado.
La muestra es de alimento lquido y de un tamao relativamente pequeo frente al de la
cmara. En este caso, el modelo completo viene dado a travs del sistema formado por las
ecuaciones y condiciones (1.11)(1.12); lo denotaremos LFull.
Los casos de alimento slido con muestra pequea y alimento lquido con muestra grande no
se incluyen debido a que su modelizacin es, o bien ms sencilla (en el primero de los casos, se
utiliza el sistema (1.9)(1.10)) o bien la misma que la del modelo completo LFull.
1.2.4. Anlisis de sensibilidad respecto a los datos
En la prctica, los coecientes involucrados en el sistema (1.8), el sistema (1.9)(1.10) o el
sistema (1.11)(1.12), no son conocidos, sino que se toman aproximaciones de ellos con una des-
viacin estndar que suele ser inferior al 5 % del valor correspondiente (cf., por ejemplo, [70]). Por
otra parte, las eventuales limitaciones del equipo utilizado pueden modicar, siquiera ligeramente,
las condiciones del experimento: la curva de presiones puede presentar una pequea desviacin
respecto a la proyectada, puede haber errores de medicin en la temperatura inicial, etc. Conse-
cuentemente, se hace necesario estudiar el impacto que estas discrepancias pueden causar en la
evolucin, tanto de la temperatura como de la actividad de las enzimas, durante el tiempo que dure
el tratamiento APTM.
Con tal objetivo, realizamos el siguiente anlisis de la sensibilidad respecto a los datos de
los modelos considerados: se perturba el modelo original para generar N N modelos (a cuya
temperatura solucin llamamos T
per
, per = 1, 2, . . . , N). En ellos, los datos , C
p
, k, , , T
0
, T
r
y P han sido modicados de manera aleatoria mediante perturbaciones del orden del 5 %.
Antes de explicar el anlisis realizado, introduzcamos un poco de notacin. Para una funcin
arbitraria f : D R con D R
p
, denimos su valor medio sobre D como
/(f; D) =
1
[D[
_
D
f(z) dz,
donde [D[ es la medida de D. Por ejemplo, el valor medio de la temperatura del modelo completo
vendr dado por /(T; (0, t
f
)).
Nosotros calcularemos, para cada perturbacin, el valor medio de la diferencia entre la tem-
peratura del modelo completo y la del correspondiente modelo perturbado; de estos N valores
medios, calcularemos su media aritmtica. As pues, estamos tomando la media aritmtica de los
valores medios de los errores en temperatura, esto es,
AET =
1
N
N
per=1
/([T T
per
[; (0, t
f
)). (1.13)
Esta cantidad la llamaremos, con un pequeo abuso de lenguaje, error medio en la temperatura,
y lo compararemos con el valor medio de la temperatura del modelo completo, /(T; (0, t
f
)),
para obtener el correspondiente error relativo en trminos porcentuales
RAET = 100
AET
/([T[; (0, t
f
))
, (1.14)
el cual denominaremos error medio relativo en la temperatura.
Hagamos una consideracin nal: Obviamente la actividad enzimtica tiene nicamente lugar
en el alimento; por consiguiente, debemos centrar nuestro inters en lo que ocurra en el dominio
correspondiente
F
. Con tal n, denimos el error medio en la temperatura en el alimento AET
F
y
el correspondiente error relativo porcentual RAET
F
, sin ms que cambiar por
F
en las frmulas
(1.13) y (1.14), respectivamente.
1.2.5. Modelos simplicados
Con objeto de disminuir la complejidad y coste computacional que supone la resolucin num-
rica de los modelos completos (1.8) y (1.11)(1.12), puede ser interesante trabajar con versiones
ms simples de stos (que llamaremos modelos simplicados), que sean ms sencillos de imple-
mentar y proporcionen, de manera rpida, resultados que no disten en demasa de los aportados por
los modelos completos. De hecho, estas simplicaciones muestran plenamente su utilidad cuando
se acometen procesos de optimizacin, los cuales requieren resolver el mismo modelo un nmero
elevado de ocasiones, con diversos juegos de datos distintos.
Aqu sometemos a estudio (e implementamos su resolucin numrica) una versin simpli-
cada del modelo completo SFull para alimento slido, y dos simplicaciones del modelo para
alimento lquido LFull, a saber:
a) Para el caso slido utilizaremos un modelo simplicado con coecientes constantes, reempla-
zando los coecientes C
p
, k, , y por sus valores medios (

C
p
,

k, , y , respectivamente)
en el rango de temperaturas y presiones que se dan en el proceso. Este modelo lo denotaremos
por SCC.
b) Cuando el alimento es lquido estudiamos, en primer lugar, un modelo de coecientes cons-
tantes, similar en todo al anterior, salvo en que la dependencia de la densidad respecto a la
presin y la temperatura se mantiene; esto se hace con objeto de no desestimar el efecto de las
fuerzas gravitacionales. La notacin para este modelo ser LCC.
c) El segundo modelo simplicado para el caso lquido se basa en la aproximacin de Boussinesq.
De forma ms precisa, los coecientes C
p
, k, y se toman, al igual que antes, constantes;
a la densidad se le da tambin un valor constante (de nuevo, el valor medio en el rango
de temperatura y presin), salvo para el trmino que involucra a la fuerza de la gravedad, g
(segunda y tercera ecuaciones de (1.11)) donde se mantiene la dependencia de P y T. Adems,
se trabaja como si ambos uidos fueran incompresibles. Este modelo lo denotaremos como LB
y viene dado por
_
_

C
p
T
t

k
2
T +

C
p
u T =
dP
dt
T en
(0, t
f
),

u
F
t

2
u
F
+ (u
F
)u
F
= p +g en
F
(0, t
f
),

u
P
t

2
u
P
+ (u
P
)u
P
= p +g en
P
(0, t
f
),
u
F
= 0 en
F
(0, t
f
),
u
P
= 0 en
P
(0, t
f
),
aadiendo las condiciones puntuales, de contorno e iniciales (1.12).
Puesto que nuestro inters es evaluar cmo de eciente resulta tomar en consideracin los
modelos simplicados en lugar de los completos, realizaremos una comparacin de los resulta-
dos obtenidos mediante los primeros con los conseguidos utilizando los segundos. En concreto,
denotando por T
sim
la temperatura obtenida al resolver numricamente cualquiera de las simpli-
caciones y llamando T a la anloga del modelo completo asociado, vamos a calcular el error
medio cometido en el dominio completo (espaciotemporal),
ET = /([T T
sim
[; (0, t
f
)), (1.15)
as como el correspondiente error relativo porcentual
RET = 100
ET
/([T[; (0, t
f
))
. (1.16)
Como se ha comentado al nal del apartado 1.2.4, nuestro inters est principalmente centrado
en lo que ocurra en el alimento y, por ello, lo que analizaremos sern las cantidades ET
F
y RET
F
,
denidas mediante la sustitucin de por
F
en (1.15) y (1.16), respectivamente.
1.3. Resultados numricos para los modelos de transferencia de ma-
sa y calor
Esta seccin recoge los resultados numricos obtenidos cuando se resuelven los modelos com-
pletos y sus perturbaciones, y se realiza el consiguiente anlisis de sensibilidad; tambin se resuel-
ven los modelos simplicados y se estudian las discrepancias con los completos correspondientes.
Para los experimentos numricos se ha considerado un dominio cuyo tamao es el de la citada
unidad piloto (Figura 1.2) utilizada tambin en [60]. En concreto, se jan los valores L = 0.09 m,
H = 0.654 m, L
2
= 0.05 m, H
1
= 0.222 m y H
5
= 0.472 m (Figura 1.1).
Se ha trabajado con los dos ejemplos relevantes descritos en el apartado 1.2.3. La altura y po-
sicin del tapn de caucho es la misma, tanto en el caso de alimento slido como en el de alimento
lquido, y viene dada por H
3
= 0.404 m y H
4
= 0.439 m (vase, nuevamente, la Figura 1.1); el
tamao de la muestra viene jado, en el caso slido, por L
1
= 0.045 m y H
2
= H
1
, mientras que
cuando el alimento es lquido se toman L
1
= 0.02 m y H
2
= 0.294 m.
Los ensayos numricos se han implementado sobre COMSOL Multiphysics 3.4, plataforma
que utiliza el mtodo de elementos nitos. La temperatura se ha aproximado mediante elemen-
tos nitos de tipo Lagrange P2. Para la discretizacin espacial de la velocidad y la presin se
han usado elementos nitos mixtos de tipo Lagrange P2P1, con la condicin de estabilidad de
Ladyzhenskaya, Babuska y Brezzi (cf. [5]). La integracin en tiempo se realiza mediante el m-
todo IDA (Implicit DifferentialAlgebraic), el cual se basa en una estrategia de paso adaptativo y
orden variable, determinado ste mediante frmulas regresivas BDF (Backward Differential For-
mulae) de rdenes uno a cinco (vanse [29] y [65]). Los sistemas no lineales se resuelven mediante
el mtodo de Newton amortiguado (damped, vase, v. gr., [57]), mientras que para los sistemas de
ecuaciones lineales se usa el mtodo UMFPACK (mtodo multifrontal para matrices dispersas y
no necesariamente simtricas, cf. [6]) combinado con la tcnica de estabilizacin GLS (Galerkin
Least Squares, vanse [26] y [30]). Todos los clculos se han realizado en una mquina dotada de
cuatro procesadores (quadcore) con 3.4 Ghz por procesador y 8 GB de memoria RAM.
Se ha supuesto que los parmetros fsicos del uido presurizante y de la comida de tipo lquido
son, todos ellos, iguales a los correspondientes del agua, los cuales dependen de la temperatura
1.3 Resultados numricos para los modelos de transferencia de masa y calor 21
y de la presin. De forma ms precisa, la densidad , el calor especco C
p
y la conductividad
k se han evaluado en las distintas presiones haciendo una adecuada traslacin (shifting approach,
cf. [59]) de los valores (conocidos) a presin atmosfrica. Para el coeciente de dilatacin se
ha usado la expresin descrita en [58]. Finalmente, la viscosidad dinmica se calcula mediante
interpolacin lineal de los datos obtenidos gracias al recurso [47].
Por otra parte, se ha elegido la tilosa como ejemplo de alimento de tipo slido. Aunque se trata
de un gel, tiene propiedades similares a las de la carne (cf. [56]). Los valores de los coecientes
a presin atmosfrica se han extrado del trabajo [59]. Para conocer su valor a otros niveles de
presin se ha utilizado, de nuevo, interpolacin lineal, tras haber procedido a un reescalado de los
datos a presin atmosfrica (vanse [25] y [56]).
Llegados a este punto, es pertinente sealar que, en los casos ms generales en que las propie-
dades termofsicas de un alimento en particular sean desconocidas, las herramientas matemticas
del mbito de los problemas inversos pueden ser de utilidad para identicar tales parmetros; por
ejemplo, en [20] los autores estudian cmo identicar el coeciente de transferencia de calor en
un determinado prototipo. Esta identicacin de coecientes dependientes de la temperatura y la
presin es objeto de estudio en los restantes captulos de esta memoria; el trabajo [15] contiene un
planteamiento matemtico riguroso de un problema de esta ndole, en el que se consigue identicar
un parmetro dependiente de la temperatura.
Continuando con la descripcin de los parmetros termofsicos, los relativos al acero y al tapn
se han considerado constantes. Concretamente, para el acero se han tomado = 7833 kg m
3
,
C
p
= 465 J kg
1
K
1
y k = 55 Wm
1
K
1
, mientras que los valores elegidos para el tapn de
caucho han sido = 1110 kg m
3
, C
p
= 1884 J kg
1
K
1
y k = 0.173 Wm
1
K
1
.
En cuanto a los datos sobre la temperatura usados en los experimentos numricos, la de refe-
rencia ha sido T
r
= 40
o
C y la temperatura ambiente T
amb
= 19.3
o
C. Por ltimo, el coeciente
de transferencia de calor utilizado es h = 28 Wm
2
K
1
.
Para cada tipo de comida, simulamos dos tratamientos de alta presin, con temperaturas ini-
ciales y curvas de presin distintas:
(I) Tratamiento P1: Se elige como temperatura inicial
T
0
=
_
40
o
C in
S
22
o
C in
S
y se incrementa la presin linealmente durante los primeros 305 segundos hasta alcanzar
600 MPa, momento a partir del cual se mantiene constante. En otros trminos, la presin
generada por el equipo verica P(0) = 0 y
dP
dt
=
_
_
_
120
61
10
6
Pa s
1
, 0 < t 305
0 Pa s
1
, t > 305.
(II) Tratamiento P2: La temperatura inicial se toma T
0
= 40
o
C, constante en todo el dominio.
La presin aumenta linealmente, con la misma pendiente que en el tratamiento P1, durante
los primeros 183 segundos hasta alcanzar el valor de 360 MPa, en el que permanece cons-
tante posteriormente. En concreto, se tiene que P(0) = 0 y
dP
dt
=
_
_
_
120
61
10
6
Pa s
1
, 0 < t 183
0 Pa s
1
, t > 183.
Para cada uno de estos cuatro casos (slido/lquido, P1/P2) se ha calculado la solucin del
modelo completo descrito en el apartado 1.2.3, se ha llevado a cabo el anlisis de sensibilidad
explicado en el apartado 1.2.4 y se ha hecho el estudio comparativo, descrito en el apartado 1.2.5,
respecto a los modelos simplicados.
1.3.1. Modelos completos
En la Figura 1.3 se muestra la distribucin espacial de temperaturas obtenida, tanto para el caso
slido como el lquido y para ambos tratamientos, transcurridos 15 min. La distribucin espacial
Figura 1.3: Distribucin de la temperatura (
o
C) en el dominio completo en el instante t = 15 min, en el
caso de alimento slido (Arriba) y lquido Abajo), tras los tratamientos P1 (Izquierda) y P2 (Derecha).
de la media temporal de las temperaturas, i. e., la funcin
x /(T(x, ); (0, t
f
)), x ,
para los cuatro casos est representada en la Figura 1.4. Por otra parte, las grcas de la evolucin
de la temperatura media en la muestra, i. e., la funcin
t /(T(, t);
F
), t [0, t
f
],
se dibujan en la Figura 1.5, donde tambin estn representadas las grcas de la evolucin de la
temperatura en dos puntos (Figura 1.1): el primero, B
1
, situado en el centro de la muestra (en el
eje de simetra); el segundo, B
2
, en la supercie de la muestra, a la misma altura que B
1
.
Figura 1.4: Media temporal, durante los primeros 15 minutos, de la distribucin de temperatura (
o
C) en
la muestra de alimento slido (Arriba) y lquido (Abajo), durante los tratamientos P1 (Izquierda) y P2
(Derecha).
Estas guras ilustran cmo el modelo captura la distribucin no homognea de la tempera-
tura en el interior del dominio y el distinto comportamiento entre los casos de alimento slido y
lquido. Por ejemplo, en este ltimo, la distribucin de temperaturas es ms homognea que cuan-
do el alimento es slido, debido a la transferencia de masa. Consecuentemente, el modelo y la
aproximacin numrica de su solucin es consistente con el comportamiento fsico esperado.
Como ya se destacaba en [60] para alimentos de tipo slido, nuestros resultados numricos
para alimentos lquidos apuntan el inters de la estrategia consistente en trabajar con una tem-
peratura inicial inferior a la de referencia, como se hace en el tratamiento P1, con el objeto de
anticiparse al incremento de temperatura resultante de la compresin. Esto conducir a un proceso
ms uniforme, que evitar la aparicin de gradientes de temperatura grandes dentro del alimen-
to, y de temperaturas mucho mayores que T
r
(recurdese que una de las mejores aportaciones de
la tecnologa de altas presiones es permitir tratamientos que eludan el uso de altas temperaturas,
las cuales degradan, en general, la calidad de los alimentos). En la Figura 1.5 se puede observar
claramente cmo, bajo el tratamiento P1, se produce el comportamiento descrito.
0 200 400 600 800
25
30
35
40
45
Time (s)
T
e
m
p
e
r
a
t
u
r
e

(
c
)

Mean
Center
Boundary
0 200 400 600 800
40
42
44
46
48
50
52
54
Time (s)
T
e
m
p
e
r
a
t
u
r
e

(
c
)

Mean
Center
Boundary
0 200 400 600 800
25
30
35
40
45
Time (s)
T
e
m
p
e
r
a
t
u
r
e

(
c
)

Mean
Center
Boundary
0 200 400 600 800
40
42
44
46
48
50
52
54
Time (s)
T
e
m
p
e
r
a
t
u
r
e

(
c
)

Mean
Center
Boundary
Figura 1.5: Evolucin de la temperatura media de la muestra de alimento (), temperatura en el punto me-
dio B
1
(- -) y en el punto de la frontera de la muestra B
2
(...) (vase la Figura 1.1) durante los tratamientos
P1 (Izquierda) y P2 (Derecha) para alimento slido (Arriba) y lquido (Abajo).
1.3.2. Anlisis de sensibilidad de los modelos completos
Siguiendo la metodologa explicada en el apartado 1.2.4, se han generado N = 10 versio-
nes perturbadas de los modelos completos mediante perturbaciones aleatorias del 5 %. En la
Tabla 1.1 se compendian los resultados obtenidos.
Tabla 1.1: MT: Valor medio de la temperatura, /(T; (0, t
f
)) (
o
C); AET: Media de los valores
medios de los errores en temperatura (
o
C) (vase (1.13)); RAET: Relativizacin de AET al tamao de
MT ( %) (vase (1.14)); MT
F
, AET
F
, RAET
F
: dem en la muestra de alimento, cambiando por
F
.
Tratamiento Alimento Dominio completo Muestra
MT AET RAET MT
F
AET
F
RAET
F
P1 Slido 39.39 1.08 2.74 39.37 1.32 3.34
P2 Slido 41.46 1.14 2.75 49.25 1.45 2.93
P1 Lquido 39.77 1.07 2.68 39.06 1.05 2.70
P2 Lquido 40.49 1.15 2.83 43.95 1.17 2.67
La media aritmtica AETde los valores medios de los errores en temperatura, denida en (1.13),
es menor que 1.15
o
C, lo que representa un error relativo REAT (cf. (1.14)) del 2.83 %. Adems,
las cantidades anlogas en la muestra de alimento, es decir, AET
F
y REAT
F
, son menores que
1.45
o
C y 3.34 %, respectivamente. Hay que resaltar que ambos errores porcentuales son del orden
de las perturbaciones a las que han sido sometidos los parmetros, lo cual da cuenta de la robustez
de los modelos.
1.3.3. Estudio comparativo de los modelos simplicados
Fijamos ahora nuestra atencin en el estudio de la eciencia de los modelos simplicados
introducidos en el apartado 1.2.5. Los resultados de la comparacin entre ellos y los modelos
completos se reejan en la Tabla 1.2.
Tabla 1.2: Resultados obtenidos para los modelos completos y simplicados. MT: Valor medio de la
temperatura, /(T; (0, t
f
)) (
o
C); ET: Valor medio del error en temperatura (
o
C) (vase (1.15));
RET: Relativizacin de ET al tamao de MT ( %) (vase (1.16)); MT
F
, ET
F
, RET
F
: dem en la muestra
de alimento; CT: Tiempo de clculo (s) para la resolucin del modelo.
Tratamiento Modelo Dominio completo Muestra CT
MT ET RET MT
F
ET
F
RET
F
P1 SFull 39.39 39.37 53
P2 SFull 41.46 49.25 51
P1 SCC 39.71 0.30 0.77 41.38 1.88 4.77 4
P2 SCC 41.50 0.04 0.10 49.53 0.25 0.52 4
P1 LFull 39.77 39.06 3135
P2 LFull 40.49 43.95 4141
P1 LCC 39.90 0.16 0.41 39.95 0.81 2.07 2459
P2 LCC 40.48 0.03 0.06 43.94 0.09 0.20 2877
P1 LB 39.89 0.15 0.37 39.89 0.77 1.96 2196
P2 LB 40.47 0.03 0.08 43.94 0.10 0.22 2475
Como puede observarse, el valor medio del error en la temperatura es, en todos los modelos
simplicados, mayor cuando se toma slo en la muestra que cuando se toma en el domino com-
pleto. Se trata de un resultado esperado, habida cuenta de que los parmetros termofsicos del
acero y del caucho son los mismos en todos los modelos, por lo que las mayores discrepancias se
sitan en el alimento y en el medio presurizante. En trminos relativos, el porcentaje que supone
el valor medio del error en la temperatura es, para todas las simplicaciones, del mismo orden que
el obtenido al realizar el anlisis de sensibilidad del apartado 1.3.2. Esto asegura la bondad de los
resultados obtenidos.
Cuando se comparan los tratamientos, se percibe que el error cometido en los tres modelos
simplicados (SCC, LCCy LB) es, si se aplica el tratamiento P2, menor que si es el P1 el aplicado.
La explicacin de este hecho se encuentra en que el rango de presin y temperatura en P2 es menor
que en P1 y, por consiguiente, la sustitucin de los coecientes por su valor medio es una mejor
aproximacin en el segundo tratamiento que en el primero.
En la comparacin alimento slido vs. alimento lquido, las discrepancias para el segundo son
menores. El dismil tamao de los rangos de temperatura (mayor en el caso del alimento de tipo
slido) da razn de este comportamiento.
Si, nalmente, atendemos al tiempo de clculo, vemos que en el caso slido ste se ve reducido
en un factor de 13, mientras que para la muestra de comida lquida la reduccin no llega a la
mitad. La explicacin estriba en que el modelo SCC es lineal, mientras que los modelos LCC y
LB mantienen su condicin de no lineales. En cualquier caso, estos dos ltimos generan errores
similares, aunque el segundo es ms rpido y fcil de implementar que el primero.
La reduccin del tiempo de clculo combinada con unos tamaos de error aceptables y del
mismo orden que los errores debidos a la imprecisin de los datos, hace de los modelos simpli-
cados una buena alternativa a los modelos completos, sobre todo cuando se necesitan implementar
procesos de optimizacin.
1.4. Acoplamiento de los modelos de inactivacin enzimtica con los
de transferencia de masa y calor
En esta seccin se lleva a cabo el acoplamiento de los modelos de transferencia de masa y calor
descritos en la Seccin 1.2 con la ecuacin cintica (1.1). Esto nos conducir a un modelo capaz
de describir la distribucin no homognea de la actividad enzimtica que tiene lugar en la muestra
de alimento. Adems, realizaremos un estudio numrico del impacto que los tratamientos P1 y
P2, descritos en el apartado 1.3, provocan en la inactivacin de tres diferentes enzimas: Bacillus
Subtilis Amylasa (BSAA), Lipoxigenasa (LOX) y PectinMetilEsterasa (PME).
1.4.1. Ecuacin para la actividad enzimtica
Estudiamos la actividad enzimtica en el seno de un alimento de distinta forma segn que ste
sea slido (en cuyo caso las partculas se pueden pensar en reposo) o lquido (en cuyo caso se
tendr en consideracin que las partculas se mueven debido a la transferencia de masa).
Alimentos de tipo slido
Para este tipo de alimentos en que las partculas no se mueven, de acuerdo con la ecua-
cin (1.4), la actividad Aen una partcula situada en el punto x
F
en el instante t la suponemos
dada por
A(x, t) = A(x, 0) exp
_
_
t
0
_
P(), T(x, )
_
d
_
. (1.17)
La presin aportada por el equipo P (MPa) es una funcin conocida (suponemos que la presin
p, debida a la transferencia de masa, es despreciable comparada con P) y la temperatura T (K) se
obtiene resolviendo el sistema (1.8).
Alimentos lquidos
Puesto que ahora las partculas se mueven dentro del dominio correspondiente al alimento
F
,
para cada punto x
F
consideramos la trayectoria de una partcula de comida que naliza en el
punto x. Esta trayectoria, que denominaremos X, es la solucin del problema de valor nal
_
_
_
dX
dt
(t) = u
F
(X(t), t), t (0, t
f
)
X(t
f
) = x,
(1.18)
1.4 Acoplamiento de los modelos de inactivacin enzimtica con los de transferencia de masa y calor 27
donde u
F
es el campo de velocidades que se calcula resolviendo el sistema (1.11)(1.12). Con-
secuentemente, de acuerdo otra vez con (1.4), la actividad A en una partcula situada en el punto
x
F
en el instante t se escribe
A(x, t) = A(X(0), 0) exp
_
_
t
0
_
P(), T(X(), )
_
d
_
. (1.19)
Como temperatura T se toma la obtenida al resolver el sistema (1.11)(1.12). Ntese que la
trayectoria X que aparece bajo el signo integral no es la que en el instante t pasa por el punto x
sino, como se ha dicho, la que naliza en el punto x.
1.4.2. Discretizacin de la ecuacin para la actividad enzimtica
Con vistas a resolver de forma aproximada la ecuacin que modeliza la actividad enzimtica,
dado n N, trabajamos con la discretizacin temporal denida por 0 = t
0
< t
1
< < t
n
= t
f
,
con paso uniforme = t
i
t
i1
=
t
f
n
, para i = 1, 2, . . . , n.
Con objeto de evaluar la actividad enzimtica en cualquier punto de la muestra de alimento,
consideraremos un mallado de dicha muestra y calcularemos la actividad en los nodos de esta
malla. La actividad en cualquier punto se obtendr mediante interpolacin de los valores de la
actividad en los citados nodos.
Alimentos de tipo slido
Consideraremos una malla rectangular equiespaciada en el dominio correspondiente al ali-
mento
F
. Para cada nodo x de dicho mallado, denotando
j
(x) =
_
P(t
j
), T(x, t
j
)
_
, se puede
llegar a una aproximacin de (1.17) a travs de, por ejemplo, la frmula de los trapecios:
A(x, t
i
) A(x, 0) exp
_
_
2
i1
j=0
_
j
(x) +
j+1
(x)
_
_
_
, i = 1, 2, . . . , n.
Alimentos lquidos
Dado el mismo mallado de
F
que en el epgrafe anterior, para cada nodo x denotamos por
X la trayectoria de una partcula que satisfaga X(t
f
) = x. Denimos las aproximaciones X
i
de
X(t
i
), con i = 0, 1, . . . , n, mediante la discretizacin de (1.18) con el siguiente esquema implcito
regresivo
_
X
n
= x
X
i
= X
i+1
u
F
(X
i
, t
i
), i = n 1, n 2, . . . , 0.
(1.20)
En cada paso de (1.20) debe resolverse una ecuacin no lineal, tarea que se acomete mediante
la aproximacin numrica de la solucin del problema de minimizacin
mn
y
F
[[X
i+1
y u
F
(y, t
i
)[[
2
.
Para ello, se utiliza el mtodo de mximo descenso tomando como valor inicial el que proporciona
el esquema regresivo explcito
y
(0)
i
= X
i+1
u
F
(X
i+1
, t
i+1
).
La iteracin del mtodo de descenso se detiene cuando se alcanza un punto y
(m)
i

F
tal que
X
i+1
y
(m)
i
u
F
(y
(m)
i
, t
i
)
2
< 10
4
X
i+1
y
(0)
i
2
.
Utilizando la notacin
j
(X) =
_
P(t
j
), T(X
j
, t
j
)
_
, consideramos la siguiente aproxima-
cin de (1.19)
A(x, t
i
) A(X
0
, 0) exp
_
_
2
i1
j=0
_
j
(X) +
j+1
(X)
_
_
_
, i = 1, 2, . . . , n.
1.5. Resultados numricos para el acoplamiento de la inactivacin
enzimtica y la transferencia de masa y calor
Las pruebas numricas se han realizado en el mismo contexto (parmetros termofsicos y
dominio de denicin) que en el apartado 1.3. Se ha tomado como tiempo nal de los tratamientos
t
f
= 15 min, y se ha elegido una discretizacin temporal uniforme con n = 900. Para el alimento
de tipo slido la actividad se evala en una mallado de
F
, rectangular y uniforme, con 10000
nodos; sin embargo, la malla considerada en el alimento lquido, del mismo tipo que la anterior,
tiene tan slo 25 nodos. Esta diferencia se debe a que el coste computacional en el caso slido es
muchsimo menor que en el lquido, por lo que es posible trabajar en el primero con una malla
mucho ms na.
Se muestran resultados relativos a la evolucin de la actividad enzimtica en los cuatro ca-
sos estudiados (alimento lquido / alimento slido, tratamiento P1 / tratamiento P2). Tambin se
analiza la sensibilidad de la actividad enzimtica nal respecto a los datos y a los parmetros ter-
mofsicos de los modelos (1.8) y (1.11)(1.12). Finalmente, se hace el estudio comparativo de
dicha actividad nal cuando se toman, en lugar de los modelos completos, los modelos simplica-
dos del apartado 1.2.5.
Enzimas consideradas en los experimentos numricos
En los ensayos numricos se ha trabajado con las siguientes enzimas, y sus correspondientes
factores de inactivacin:
Bacillus Subtilis Amylase (BSAA): Se trata de una enzima producida por la bacteria Bacillus
Subtilis, la cual est presente en el suelo y puede contaminar los alimentos, pero raramente pro-
duce intoxicaciones. Esta enzima cataliza la hidrlisis del almidn, generando azcares (como la
maltosa) que pueden modicar el sabor de la comida.
El factor de inactivacin se ha considerado dado por la ecuacin (1.2), con P
ref
= 500 MPa,
T
ref
= 313 K,
ref
= 0.092 min
1
, B = 10097 K y C = 8.710
4
MPa
1
. Los detalles sobre
el protocolo experimental y la determinacin de estos parmetros pueden verse en [49].
Lipoxigenasa (LOX): Esta enzima se localiza en diversas plantas y vegetales como las judas
verdes o los guisantes. Es responsable de la aparicin de aromas no deseados en estos productos.
En esta ocasin ser la ecuacin (1.3) la que se use para calcular , tomando P
ref
= 500 MPa,
T
ref
= 298 K,
ref
= 0.0134 min
1
, V
ref
= 308.14 cm
3
mol
1
, S
ref
= 90.63 J mol
1
K
1
,
C
p
= 2466.71 J mol
1
K
1
, = 2.22 cm
3
mol
1
K
1
y = 0.54 cm
6
J
1
mol
1
(vase
el trabajo [33] para ms detalles).
1.5 Resultados numricos para el acoplamiento de la inactivacin enzimtica y la transferencia de masa y calor 29
PectinMetilEsterasa (PME): Comn a muchos vegetales, esta enzima puede estar presente en
los zumos o jugos, disminuyendo el grado de estericacin de las pectinas. Este proceso reduce la
viscosidad de los zumos y afecta a su sabor, color, textura y aroma.
El ejemplo aqu analizado se corresponde con el jugo de zanahoria (cf. [52]). De nuevo
se usa la expresin (1.3) para describir el factor de inactivacin , esta vez con los valores
P
ref
= 700 MPa, T
ref
= 323.15 K,
ref
= 0.0705 min
1
, V
ref
= 44.0124 cm
3
mol
1
,
S
ref
= 168.4 J mol
1
K
1
, C
p
= 1376.6 J mol
1
K
1
, = 0.0339 cm
3
mol
1
K
1
y
= 0.1195 cm
6
J
1
mol
1
.
1.5.1. Modelos completos
Fijemos nuestra atencin en la evolucin de la actividad enzimtica cuando se trabaja con los
modelos completos. Como puede observarse en la Tabla 1.3 y en la Figura 1.6, la eciencia de los
tratamientos P1 y P2 es distinta en funcin de la enzima estudiada:
Tabla 1.3: Actividad nal en los modelos completos y su correspondiente anlisis de sensibilidad, para
las enzimas BSAA, LOX y PME. MA: Valor medio de la actividad para los modelos completos en el
tiempo nal t
f
= 15 min, /(A(, t
f
);
F
) ( %); AEA: Media de los valores medios de los errores en la
actividad nal ( %) (vase (1.21)).
Tratamiento Alimento BSAA LOX PME
MA AEA MA AEA MA AEA
P1 Slido 49.72 4.60 33.54 6.81 87.55 2.28
P2 Slido 26.43 5.01 67.18 6.43 93.86 0.52
P1 Lquido 53.57 4.02 36.95 7.45 88.17 2.40
P2 Lquido 48.18 3.97 83.82 2.51 95.16 0.28
Para la enzima BSAA se puede concluir que el tratamiento P2 es ms eciente, puesto que
la actividad nal es menor. No obstante, la diferencia entre ambos tratamientos en el caso
lquido (5 %) es menos importante que en el slido (23 %). Puesto que la diferencia de los
valores medios de la temperatura entre P2 y P1 (cf. Tabla 1.1) es mayor para el alimento
de tipo slido (10
o
C) que para el de tipo lquido (5
o
C), este comportamiento es consistente
con el hecho (vase [49]) de que esta enzima es sensible a las altas temperaturas.
En cuanto a la enzima LOX, el tratamiento P1 (600 MPa) es claramente ms efectivo que el
P2 (360 MPa) en ambos casos, lo que se explica por la alta sensibilidad de esta enzima a las
altas presiones (cf. [33]).
Finalmente, en lo que atae a la enzima PME, ninguno de los tratamientos es tan eciente
como para las otras dos enzimas. Esta enzima resulta ser bastante resistente a ambos trata-
mientos, si bien se obtienen mejores resultados con el primero.
A la vista de estos resultados, no se puede presumir que ninguno de los dos tratamientos sea
mejor que el otro en un contexto general. De hecho, habr que disear un tratamiento especco
para cada tipo de enzima cuyo efecto se desee minimizar.
En la Figura 1.7 se dibuja la actividad enzimtica nal de la Lipoxigenasa en la muestra de
comida para el alimento de tipo slido y el alimento lquido tras los dos tratamientos propuestos
0 200 400 600 800
20
40
60
80
100
E
n
z
y
m
a
t
i
c

A
c
t
i
v
i
t
y

(
%
)
Time (s)

BSAA
LOX
CPE
0 200 400 600 800
20
40
60
80
100
E
n
z
y
m
a
t
i
c

A
c
t
i
v
i
t
y

(
%
)
Time (s)

BSAA
LOX
CPE
0 200 400 600 800
20
40
60
80
100
E
n
z
y
m
a
t
i
c

A
c
t
i
v
i
t
y

(
%
)
Time (s)

BSAA
LOX
CPE
0 200 400 600 800
20
40
60
80
100
E
n
z
y
m
a
t
i
c

A
c
t
i
v
i
t
y

(
%
)
Time (s)

BSAA
LOX
CPE
Figura 1.6: Evolucin de la actividad enzimtica ( %) durante los tratamientos P1 (Izquierda) y P2
(Derecha) para el alimento slido (Arriba) y lquido (Abajo).
(los resultados para las otras dos enzimas son cualitativamente similares). Para las tres enzimas
consideradas podemos concluir que:
Cuando el alimento es de tipo slido aparece una distribucin no homognea de la actividad.
Ms an, para estas enzimas, y en los rangos de presin y temperatura considerados, la me-
dia temporal de la temperatura (cf. la Figura 1.4) est relacionada con la distribucin de la
actividad nal en el siguiente sentido: cuanto ms caliente y con ms presin (en media tem-
poral) est una zona, menor es la actividad nal en ella. No obstante este comportamiento
puede no reproducirse en otras enzimas o en otros rangos de presin y temperatura.
Para el alimento lquido se observa de nuevo una mayor homogeneidad, en este caso de la
actividad enzimtica nal, debida al fenmeno de transferencia de masa.
1.5.2. Anlisis de sensibilidad de la inactivacin en los modelos completos
Presentamos resultados sobre los errores en la actividad enzimtica nal, cuando se utilizan los
modelos perturbados generados en el apartado 1.3.2. Concretamente, vamos a calcular la media
aritmtica de los valores medios de los errores en la actividad nal; estos errores estn constituidos
por la diferencia entre la actividad nal del modelo completo y la del correspondiente modelo
perturbado. Dicha media se expresa como
AEA =
1
N
N
per=1
/([A(, t
f
) A
per
(, t
f
)[;
F
), (1.21)
1.5 Resultados numricos para el acoplamiento de la inactivacin enzimtica y la transferencia de masa y calor 31
Figura 1.7: Distribucin de la actividad nal ( %) en el instante t = 15 min de la enzima LOX en el
alimento slido (Arriba) y lquido (Abajo) tras los tratamientos P1 (Izquierda) y P2 (Derecha).
donde hemos denotado por A
per
la actividad enzimtica para los modelos perturbados.
En el apartado 1.3.2 se ha visto que las perturbaciones del orden del 5 % introducidas en los
parmetros termofsicos generan errores relativos en la temperatura de la muestra de alimento
de este mismo orden. Los resultados recogidos en la Tabla 1.3 ponen de maniesto que dichas
perturbaciones provocan errores absolutos en la actividad nal de hasta 7.45 %. Parece razonable
deducir, por tanto, una cierta sensibilidad de la inactivacin a los citados errores en la temperatura
y a las perturbaciones de la presin. Consecuentemente, cuanto ms sensible a estos cambios sea
la enzima en cuestin, mayor debe ser la precisin con que se toma la curva de presin y los
parmetros termofsicos del modelo.
1.5.3. Estudio comparativo de los modelos simplicados
En este apartado estudiamos el valor de la actividad enzimtica A
sim
de los modelos simpli-
cados descritos en el apartado 1.3.3, tras la aplicacin de los tratamientos descritos. Denimos el
valor medio de la actividad enzimtica nal mediante
EA = /([A(, t
f
) A
sim
(, t
f
)[;
F
). (1.22)
Los resultados que se reejan en la Tabla 1.4 nos indican que, cuando se aplica el tratamiento
P2, los errores son siempre menores que cuando es P1 el tratamiento aplicado. Destaca tambin
el hecho de que los modelos simplicados en el caso lquido, LCC y LB, se ajustan ms al mo-
delo completo de lo que lo hace el correspondiente modelo simplicado SCC en el caso slido.
Todo ello es consistente con los diferentes errores en las distribuciones de temperatura recogidos
en la Tabla 1.2. No obstante, este estudio comparativo permite asegurar que los modelos simpli-
cados resultan adecuados para calcular la inactivacin enzimtica, por cuanto proporcionan una
informacin aceptable sobre ella con un menor coste computacional.
Tabla 1.4: Actividad nal en los modelos completos y simplicados para las enzimas BSAA, LOX y
PME. MA: Valor medio de la actividad en el instante nal t
f
= 15 min, /(A(, t
f
);
F
) ( %); EA: Valor
medio del error en la actividad nal ( %) (vase (1.22)).
Tratamiento Modelo BSAA LOX PME
MA EA MA EA MA EA
P1 SFull 49.72 33.54 87.55
P2 SFull 26.43 67.18 93.86
P1 SCC 42.29 7.44 28.35 5.20 86.22 1.33
P2 SCC 25.47 0.96 66.07 1.11 93.76 0.10
P1 LFull 53.57 36.95 88.17
P2 LFull 48.18 83.82 95.16
P1 LCC 50.76 2.81 35.20 1.75 87.77 0.40
P2 LCC 47.77 1.14 83.55 0.65 95.14 0.06
P1 LB 50.56 3.04 34.97 2.00 87.72 0.45
P2 LB 47.75 2.23 83.55 1.31 95.13 0.12
1.6. Conclusiones
Los modelos matemticos aqu descritos constituyen una til herramienta para el diseo y
optimizacin de tratamientos que, basados en la combinacin de altas presiones y temperaturas
moderadas, son de uso comn en Tecnologa de Alimentos. Se fundamentan en el acoplamiento
de la transferencia de masa y calor con la evolucin de la actividad enzimtica que tienen lugar,
ambas, durante el proceso.
El anlisis de la sensibilidad de la solucin respecto a cambios en los datos termofsicos reali-
zado muestra la robustez del modelo.
Las versiones simplicadas propuestas conducen a distribuciones de temperatura similares a
las de las versiones completas. Por esta razn, y teniendo en cuenta su menor coste computacio-
nal, los modelos simplicados se revelan como un instrumento de utilidad en los procesos de
optimizacin, en los cuales es preciso calcular la solucin de un modelo en un nmero elevado de
ocasiones, para distintos juegos de datos.
Los resultados numricos obtenidos no permiten asegurar que haya un tratamiento que, de
manera general, optimice la inactivacin enzimtica. Para cada tipo particular de alimento, y cada
equipo de altas presiones, proponemos la siguiente metodologa:
(I) Identicar las enzimas cuya actividad es ms importante reducir y, para cada una de ellas,
elegir la apropiada ecuacin cintica que describa la evolucin de su actividad en trminos
de la presin y la temperatura (cf. las Secciones 1.1 y 1.5).
(II) Elegir un modelo adecuado que describa la distribucin de temperatura en el alimento a lo
largo del tratamiento y resolverlo numricamente (vase la Seccin 1.2).
(III) Utilizar la distribucin de temperatura calculada en la etapa anterior como dato de la ecua-
cin cintica de la actividad enzimtica y resolverla. Con ello se obtendr el valor de la
actividad nal tras el tratamiento APTM (cf. la Seccin 1.4).
1.6 Conclusiones 33
(IV) Aplicar tcnicas de optimizacin (las cuales pueden precisar diversos ensayos numricos
modicando la temperatura inicial, la presin aplicada, etc.) con el objeto de reducir la
actividad enzimtica sin usar altas temperaturas (cuyos inconvenientes se han comentado
a lo largo del captulo). Esta tarea puede acometerse con la ayuda del software disponible
como, por ejemplo, Global Optimization Platform, desarrollado en el seno del grupo de
investigacin MOMAT, y que ha sido validado en diferentes problemas modelo (cf. [38]
y [39]) y del entorno industrial (vase [7], [36] y [37]). Este recurso puede encontrarse en la
direccin electrnica http://www.mat.ucm.es/momat/software.htm .
Parte II
Identicacin de un coeciente de
intercambio de calor
Introduccin
La segunda parte de esta memoria la conforman dos captulos. En ellos se aborda el estudio del
problema inverso consistente en identicar, a partir de mediciones experimentales de la tempera-
tura, el coeciente de intercambio de calor de un cierto material con el medio exterior, suponiendo
que dicho coeciente depende de la temperatura del material (algunas aplicaciones prcticas en
cuya modelizacin matemtica aparece este coeciente se recogen, por ejemplo, en [20] y [60]). El
objetivo ltimo de dicha identicacin es poder aproximar las soluciones del modelo para distintos
conjuntos de datos, sin necesidad de realizar nuevos experimentos.
El problema fsico que pretendemos modelizar es el de la evolucin de la temperatura en una
muestra homognea de un material (que, en consonancia con el contexto de la memoria, podemos
suponer que se trata de un alimento), inserta en un equipo que puede comprimirla (lo cual har
que aumente su temperatura) y que, adems, se est calentando (respectivamente, enfriando) de-
bido al intercambio de calor con un medio exterior que est ms caliente (respectivamente, ms
fro). Para describir la distribucin de temperatura dentro de la muestra se suelen utilizar modelos
complejos basados en ecuaciones en derivadas parciales (cf. los Captulos 1 y 4). Estas ecuaciones
(ecuaciones directas) involucran funciones y parmetros que es necesario conocer con anteriori-
dad para poder calcular la solucin. Dichas funciones y parmetros se determinan, habitualmente,
bien mediante protocolos basados en la experimentacin (como hemos hecho en el Captulo 1),
bien (como se har en el resto de esta memoria) mediante la resolucin de problemas inversos
que deben plantearse en un adecuado contexto matemtico (vanse, v.g., [14], [16], [17] y [19]).
Cuando el objetivo es identicar parmetros, el mtodo de mnimos cuadrados constituye una bue-
na herramienta en la resolucin de este tipo de problemas (cf., por ejemplo, [20]). Sin embargo,
cuando de lo que se trata es de identicar una funcin, el problema es mucho ms complicado,
especialmente si dicha funcin depende de la solucin de la ecuacin de estado y los datos expe-
rimentales pueden verse afectados por errores de medida.
Por simplicidad, supondremos que la muestra est compuesta de un material homogneo y
que el gradiente de temperaturas en su interior es despreciable. Un acercamiento sencillo a la
modelizacin de este fenmeno est basado en la Ley de Enfriamiento de Newton y en la ley (1.6)
analizada en el Captulo 1; se formula matemticamente mediante el siguiente problema de valor
inicial (problema directo):
_
_
_
dT
dt
(t) = H(T(t), P(t))(T
e
T(t)) +P
(t)T(t), t t
0
T(t
0
) = T
0
,
(P)
donde T(t) es la temperatura de la muestra en el instante de tiempo t; P(t) representa la presin
(conocida) ejercida por el equipo en el instante de tiempo t; T
e
denota la temperatura del medio
exterior y T
0
la temperatura del proceso en el instante inicial t
0
; el coeciente 0 involucra la
dilatacin, la densidad y el calor especco; nalmente, H representa el coeciente de intercambio
37
38
de calor con el medio exterior, y es la funcin (que suponemos dependiente de la temperatura, de
la presin o de ambas) que se pretende identicar.
El problema (P) modeliza la evolucin de la temperatura de la muestra considerada a lo largo
del tiempo. Para resolver este problema necesitamos conocer los datos que intervienen en el mode-
lo: los valores T
0
, T
e
, R, la curva de presin P y la funcin H : [T
a
, T
b
] [P
mn
, P
m ax
] R,
donde [T
a
, T
b
] es un rango de temperaturas adecuado para el problema que estemos considerando
y [P
mn
, P
m ax
] el rango de valores que toma la presin.
Desde el punto de vista experimental, los valores de T
0
y T
e
pueden obtenerse por medio
de simples dispositivos de medicin de temperatura (termopares), el coeciente lo suponemos
conocido para la muestra dada y la presin es la que aporta el equipo. Sin embargo, la funcin H
puede no ser de obtencin sencilla. Nuestro objetivo es resolver el problema inverso que consiste
en identicar la funcin H asociada a la variacin de temperatura y presin de la muestra, a partir
de mediciones experimentales; y esto lo hacemos para que, a partir de la H identicada, se pueda
aproximar la solucin del modelo (P) con otros datos T
0
, T
e
y P (siempre que se mantengan en los
rangos iniciales de temperatura y presin [T
a
, T
b
] y [P
mn
, P
m ax
], respectivamente) sin necesidad
de realizar nuevas mediciones. Las principales dicultades que surgen en esta tarea son:
La funcin H que se quiere identicar depende de la temperatura T, que es la solucin de
la ecuacin de estado.
Las mediciones de temperatura y presin estn, en general, afectadas de errores provenientes
de las limitaciones de los aparatos de medida.
En ciertos contextos, y bajo ciertas condiciones, se puede suponer que H tiene una forma
conocida (por ejemplo, H es constante o es una funcin en la que tan slo hace falta identicar
uno o varios parmetros reales). Sin embargo, el reto que nos planteamos en nuestro trabajo es
conseguir identicar la funcin H cuando la nica informacin disponible sobre ella es que se
trata de una funcin continua y positiva.
En primer lugar, en el Captulo 2, abordamos el caso ms sencillo de que el coeciente H
dependa slo de la presin (cuyo perl recordamos que suponemos conocido), proponiendo un
experimento especialmente diseado para la determinacin de tal coeciente. Ante la eventualidad
de que el equipo de presin no sea sucientemente verstil como para llevar a cabo el experimento
requerido, proponemos un algoritmo numrico que permite aproximar la solucin H del problema
inverso, incluso con mayor precisin que el mtodo anterior.
A continuacin, en el Captulo 3, se estudia el caso en el que existe dependencia solamente con
respecto a la temperatura, i. e., H = H(T). En tal caso, y con vistas a la identicacin, podemos
suponer que en el experimento la presin se mantiene constante (no necesitamos cambiar la presin
para llevar a cabo la identicacin de H), por lo que no intervendr en nuestro modelo el segundo
sumando del lado derecho de la ecuacin del problema (P). Tras presentar mtodos clsicos de
regularizacin, se adapta a este contexto el algoritmo introducido en el Captulo 2 y se comparan
los resultados obtenidos para diversos ejemplos ilustrativos.
El caso general en el que el coeciente de transferencia de calor depende, simultneamente,
de la temperatura y la presin, no lo abordamos. Para su tratamiento bastara realizar sucesivos
experimentos para valores jos de la presin (en concreto, para los valores de una particin del in-
tervalo [P
mn
, P
m ax
], de dimetro sucientemente pequeo), todos ellos con la misma temperatura
inicial y exterior. En cada uno de esos valores tendramos planteado un problema como el que se
resuelve en el Captulo 3.
39
En esta parte de la memoria desarrollamos, con el rigor matemtico necesario, adecuadas
estrategias para identicar el coeciente de transferencia de calor cuando se trata de una funcin
con los tipos de dependencia comentados. Tambin introducimos el citado algoritmo numrico,
propuesto en un contexto diferente al considerado en la teora clsica.
Captulo 2
intercambio de calor que vara con la
presin
Introduccin
El presente captulo lo dedicamos a la identicacin del coeciente de transferencia de calor
H del problema (P), bajo la hiptesis adicional de que slo depende de la presin. Se trata de un
problema ms sencillo, habida cuenta de que el coeciente que se pretende determinar no involucra
la solucin de la ecuacin. Para jar las ideas, el contexto en que nos movemos es el siguiente:
Supondremos que el equipo aplica un aumento de presin entre los instantes t
0
y t
f
y, a partir de
este ltimo, la presin permanece constante. El problema se plantea como
_
T
(t) = H(P(t))(T
e
T(t)) +P
(t)T(t), t (t
0
, t
f
)
T(t
0
) = T
0
,
(2.1)
donde T(t) es la temperatura en el instante t, P(t) representa la presin ejercida por el equipo en
el tiempo t, T
0
y T
e
denotan la temperatura inicial y del medio exterior, respectivamente, 0
es un coeciente en el que intervienen la dilatacin, la densidad y el calor especco, y la funcin
H que se pretende identicar es el coeciente de intercambio de calor.
Con el objetivo de denir un adecuado marco de trabajo en el que se pueda llevar a cabo esta
identicacin, supondremos que:
La temperatura exterior T
e
es constante.
La temperatura inicial T
0
es mayor que la temperatura exterior T
e
.
La presin P es una funcin conocida, continua, creciente y de clase uno a trozos en el
intervalo temporal [t
0
, t
f
].
La funcin H es continua y positiva en el rango de presiones [P
0
, P
f
] = [P(t
0
), P(t
f
)].
Las mediciones de la temperatura se suponen tomadas durante un experimento en el que se
haya recorrido todo el rango de presiones admisibles en la mquina en la que se est trabajando,
para unas temperaturas T
0
y T
e
dadas. En la prctica, por simplicidad, se puede tomar una presin
41
42 Identicacin de un coeciente de intercambio de calor que vara con la presin
lineal en el tiempo, de forma que la velocidad con la que aumente la presin sea constante; as se
ha hecho en los experimentos numricos que presentamos.
Disearemos estrategias que permitan, a partir de las mediciones de temperaturas que pro-
porcione este experimento (las cuales estarn afectadas por el error inherente a los aparatos de
medida), encontrar una aproximacin de la funcin H. Una vez identicado as el coeciente de
transferencia de calor, se podrn aproximar, sin necesidad de realizar nuevos experimentos, las
temperaturas correspondientes a otros juegos de datos T
0
, T
e
y P.
El captulo se desarrolla con arreglo a la siguiente estructura:
En la Seccin 2.1 se lleva a cabo el anlisis cualitativo del problema directo; la Seccin 2.2
recoge la descripcin de los distintos escenarios en los que se va a tratar el problema inverso, desde
el ms sencillo, en el que se conoce una funcin que proporciona, de forma exacta, la temperatura
en todo instante de tiempo, al ms realista, en el que se slo se conocen, y con un cierto error, un
nmero nito de mediciones de la temperatura; a continuacin, en la Seccin 2.3, se presenta un
experimento ad hoc, especialmente diseado para la identicacin de la funcin H; en caso de
que tal experimento no pueda realizarse en nuestro equipo, dicha identicacin podr conseguirse
mediante un algoritmo como el que se analiza y describe en la Seccin 2.4; la Seccin 2.5 est
dedicada al estudio adimensional del problema, el cual ser de utilidad con vistas a minimizar la
cantidad de experimentos numricos necesarios a la hora de comprobar la ecacia del algoritmo;
nalmente, los resultados obtenidos en estos experimentos se presentan en la Seccin 2.6.
2.1. Anlisis cualitativo del problema directo
El teorema que se enuncia y demuestra a continuacin resume las propiedades cualitativas
que nos interesa destacar del problema directo, como son la existencia y unicidad de solucin, as
como su acotacin (superior e inferior). Previamente, recordamos el conocido Lema de Gronwall,
el cual usaremos en la demostracin de la unicidad de solucin y en la de la dependencia continua.
Lema 2.1.1 (Gronwall) Sean f : [a, b] R, g : [a, b] R
+
e y : [a, b] R funciones
continuas tales que
y(t) f(t) +
_
t
a
g(s)y(s) ds, t [a, b].
Entonces, para todo t [a, b], se verica que
y(t) f(t) +
_
t
a
f(s)g(s) e
_
t
s
g(r) dr
ds.
DEMOSTRACIN. Vase, por ejemplo, [21, Lema 4.4.1, pg. 108].
2
Teorema 2.1.2 Bajo las hiptesis realizadas de que H es una funcin continua y positiva en
[P
0
, P
f
], P es continua, creciente y de clase uno a trozos en [t
0
, t
f
], T
0
> T
e
0 y 0, el
problema (2.1) tiene una nica solucin T que es continua y de clase uno a trozos y est dada por
T(t) = (T
0
T
e
)e
(P(t)P
0
)
e
_
t
t
0
H(P(s)) ds
+T
e
_
1 +
_
t
t
0
P
(s)e
(P(t)P(s))
e
_
t
s
H(P(r)) dr
ds
_
, t [t
0
, t
f
].
(2.2)
2.1 Anlisis cualitativo del problema directo 43
Adems, si denotamos
H
m
= mn
s[P
0
,P
f
]
H(s), H
M
= max
s[P
0
,P
f
]
H(s),
se verican las desigualdades
(T
0
T
e
)e
(P(t)P
0
)
e
H
M
(tt
0
)
+T
e
_
1 +
_
t
t
0
P
(s)e
(P(t)P(s))
e
H
M
(ts)
ds
_
T(t)
(T
0
T
e
)e
(P(t)P
0
)
e
Hm(tt
0
)
+T
e
_
1 +
_
t
t
0
P
(s)e
(P(t)P(s))
e
Hm(ts)
ds
_
,
(2.3)
para todo t [t
0
, t
f
]. En particular, en este intervalo se tienen las acotaciones inferior y superior
(T
0
T
e
) e
H
M
(t
f
t
0
)
+T
e
T(t) T
0
e
(P
f
P
0
)
. (2.4)
DEMOSTRACIN. Puesto que la ecuacin del problema (2.1) es lineal no homognea, mediante
el mtodo de variacin de las constantes podemos expresar su solucin como
T(t) = T
0
e
_
t
t
0
(P
(s)H(P(s))) ds
+T
e
_
t
t
0
H(P(s))e
_
t
s
(P
(r)H(P(r)) dr
ds.
A continuacin escribimos
T(t) = T
0
e
(P(t)P
0
)
e
_
t
t
0
H(P(s)) ds
+T
e
_
t
t
0
(H(P(s) P
(s))e
_
t
s
(P
(r)H(P(r)) dr
ds
+T
e
_
t
t
0
P
(s)e
_
t
s
(P
(r)H(P(r)) dr
ds
= T
0
e
(P(t)P
0
)
e
_
t
t
0
H(P(s)) ds
+T
e
_
t
t
0
d
ds
_
e
_
t
s
(P
(r)H(P(r)) dr
_
ds
+T
e
_
t
t
0
P
(s)e
(P(t)P(s))
e
_
t
s
H(P(r)) dr
ds
= T
0
e
(P(t)P
0
)
e
_
t
t
0
H(P(s)) ds
+T
e
_
1 e
_
t
t
0
(P
(r)H(P(r)) dr
_
+T
e
_
t
t
0
P
(s)e
(P(t)P(s))
e
_
t
s
H(P(r)) dr
ds,
lo cual conduce a la expresin (2.2). La funcin as denida es, obviamente, continua y de clase
uno a trozos (los mismos trozos en que lo sea P).
La unicidad de solucin del problema (2.1) se deduce de la lipschitzianidad respecto a T
del segundo miembro de la ecuacin. Los clculos son sencillos: si suponemos que existen dos
soluciones T
1
y T
2
, tendremos
T
i
(t) = T
0
+
_
t
t
0
_
H(P(s))(T
e
T
i
(s)) +P
(s)T
i
(s)
_
ds, i = 1, 2.
Restando ambas expresiones obtenemos
[T
1
(t) T
2
(t)[
_
t
t
0
[P
(s) H(P(s))[[T
1
(s) T
2
(s)[ ds
_
t
t
0
L[T
1
(s) T
2
(s)[ ds,
siendo L una cota de [P
(t) H(P(t))[ en [t
0
, t
f
]. La aplicacin del Lema de Gronwall (Le-
ma 2.1.1) en [t
0
, t
f
], con
y(t) = [T
1
(t) T
2
(t)[, f(t) = 0 y g(t) = L,
lleva a que T
1
= T
2
.
Finalmente, las desigualdades (2.3) se deducen trivialmente de (2.2). A partir de ellas, la aco-
tacin inferior de (2.4) es evidente, mientras que la superior se obtiene a partir de la desigualdad
T(t) (T
0
T
e
)e
(P
f
P
0
)
+T
e
_
1 +
_
t
t
0
P
(s)e
(P(t)P(s))
ds
_
= (T
0
T
e
)e
(P
f
P
0
)
+T
e
_
1
_
t
t
0
d
ds
_
e
(P(t)P(s))
_
ds
_
= (T
0
T
e
)e
(P
f
P
0
)
+T
e
_
1 1 +e
(P(t)P
0
)
_
.
2
Observacin 2.1.3 La cota inferior que aparece en (2.4) muestra, en primer lugar, que la tem-
peratura siempre permanece por encima de T
e
. Asimismo, indica que el aumento del valor de la
temperatura inicial T
0
lleva aparejado un aumento del valor de la cota inferior de la temperatura
T correspondiente a dicha temperatura inicial. Por tanto, la temperatura se mantendr tanto ms
alejada de T
e
cuanto mayor se tome la temperatura inicial.
2
El siguiente resultado muestra la dependencia continua de la solucin del problema (2.1) res-
pecto a la funcin H. Se trata de un hecho relevante, puesto que esto nos asegura que las tem-
peraturas calculadas a partir de una aproximacin de H (que, en denitiva, es lo que nosotros
encontraremos) estn cerca de las reales (cuanto mejor aproximemos H, mejores sern las apro-
ximaciones correspondientes de T).
Teorema 2.1.4 (Dependencia continua respecto a la funcin H) Bajo las mismas hiptesis que
en el Teorema 2.1.2, sean T la solucin del problema (2.1) y T la solucin del problema
_
T
(t) = H(P(t))(T
e
T (t)) +P
(t)T (t), t (t
0
, t
f
)
T (t
0
) = T
0
,
donde H es una funcin continua y positiva en [P
0
, P
f
] vericando
[[H H[[
C([P
0
,P
f
])
<
para algn > 0. Si denotamos P
M
= max
s[t
0
,t
f
]
P
(s), entonces
[[T T [[
C([t
0
,t
f
])

_
T
0
e
(P
f
P
0
)
T
e
_
e
(H
M
+P
M
)(t
f
t
0
)
1
H
M
+P
M
.
2.2 Escenarios de planteamiento del problema inverso 45
DEMOSTRACIN. Consideremos la funcin z(t) = T(t) T (t). Para todo t [t
0
, t
f
] se verica
que
[z
(t)[ =
H(P(t))
_
T
e
T(t)
_
H(P(t))
_
T
e
T (t)
_
+P
(t)
_
T(t) T (t)
_
[H(P(t)) H(P(t))[[T
e
T (t)[ +H(P(t))[T (t) T(t)[ +P
M
[T(t) T (t)[

_
T
0
e
(P
f
P
0
)
T
e
_
+ (H
M
+P
M
)[z(t)[,
donde hemos usado que para T se tienen anlogas acotaciones a las de T, gracias al Teorema 2.1.2.
A partir de la desigualdad anterior se tiene
[z(t)[ =
z(t
0
) +
_
t
t
0
z
(s) ds
_
t
t
0
(s)
ds

_
T
0
e
(P
f
P
0
)
T
e
_
(t t
0
) +
_
t
t
0
(H
M
+P
M
)[z(s)[ ds.
Llamando C
1
=
_
T
0
e
(P
f
P
0
)
T
e
_
y C
2
= H
M
+ P
M
, y aplicando el Lema de Gronwall en
[t
0
, t
f
], con
y(t) = [z(t)[, f(t) = C
1
(t t
0
) y g(t) = C
2
,
se tiene que
[T(t) T (t)[ C
1
(t t
0
) +
_
t
t
0
C
1
(s t
0
)C
2
e
_
t
s
C
2
dr
ds
= C
1
_
t t
0
+C
2
_
t
t
0
(s t
0
)e
C
2
(ts)
ds
_
= C
1
_
t t
0
+C
2
_
(s t
0
)
e
C
2
(ts)
C
2
t
t
0
+
1
C
2
_
t
t
0
e
C
2
(ts)
ds
__
= C
1
e
C
2
(ts)
C
2
t
t
0
= C
1
e
C
2
(tt
0
)
1
C
2
C
1
e
C
2
(t
f
t
0
)
1
C
2
,
de donde se sigue el resultado.
2
2.2. Escenarios de planteamiento del problema inverso
Dependiendo del conocimiento que se tenga de la solucin T en [t
0
, t
f
], podemos considerar
el problema inverso inmerso en diversos escenarios:
E1) En el caso ms favorable (y, en la prctica, irreal) de que se conociera la funcin T en todo el
intervalo [t
0
, t
f
] (y, por tanto, tambin su derivada) bajo las hiptesis de que H (([P
0
, P
f
])
y sea positiva, la identicacin de H se obtendra de la igualdad
H(P(t)) =
T
(t) P
(t)T(t)
T
e
T(t)
gracias al crecimiento de P. Donde ste sea estricto, P es inversible y se puede despejar
H(s) =
T
(P
1
(s)) P
(P
1
(s))T(P
1
(s))
T
e
T(P
1
(s))
.
Si en un intervalo la presin toma el valor constante P
c
, el cociente
T
(t) P
(t)T(t)
T
e
T(t)
=
T
(t)
T
e
T(t)
ser una funcin constante en tal intervalo, por lo que podemos tomar cualquier instante t
en l para determinar H(P

c
) =
T
(t
)
T
e
T(t
)
unvocamente.
E2) Si existe la posibilidad de evaluar la funcin T, de forma exacta, en un nmero nito de
instantes arbitrarios de tiempo del intervalo [t
0
, t
f
], el problema de identicar H en [P
0
, P
f
]
se puede abordar como un problema estndar de derivacin aproximada (en concreto, para
la evaluacin de T
, la cual es desconocida, a diferencia de lo que ocurra en el escenario

anterior).
E3) El siguiente escenario se plantea cuando se supone conocida una funcin

T que representa el
valor aproximado de la temperatura en todo instante de tiempo.
E4) No obstante, la situacin habitual en la realidad es que tan slo se conocen una cantidad
discreta de valores

T
k
que aproximan los valores de la funcin T en los instantes correspon-
dientes.
Para acometer el tratamiento de los tres ltimos escenarios, buscaremos un mtodo estable
de aproximar T
a partir de los datos y, con ello, obtener una cantidad discreta de valores aproxi-
mados de H en puntos del intervalo [P
0
, P
f
]. Con tal n, habr que asegurarse de que los valores
de la temperatura se encuentran sucientemente lejos de T
e
; en otro caso, en los instantes corres-
pondientes, el coeciente H tendra una inuencia insignicante en la ecuacin, y sera ilusorio
pretender identicarlo para los valores de P correspondientes. La acotacin (2.4) da cuenta de la
separacin respecto a T
e
de los valores exactos de la temperatura (es decir, cuando trabajamos
en el segundo escenario). Para los dos ltimos casos se jar un cierto umbral de la siguiente
forma:
a) En el tercer escenario, dada la funcin

T vericando
T

T
C([t
0
,t
f
])
< ,
consideraremos el umbral
= mT
e
,
donde
m = mn
t[t
0
,t
f
]
T(t). (2.5)
Supondremos siempre que > . En caso de que necesitaramos realizar un experi-
mento que partiera de un valor ms alto de la temperatura inicial T
0
, con vistas a obtener una
temperatura aproximada mayor, segn lo comentado en la Observacin 2.1.3.
2.3 Identicacin a partir de un experimento diseado ad hoc 47
b) En el cuarto escenario, estamos suponiendo que tenemos a nuestra disposicin una serie de
mediciones

T
k
de forma que [T(
k
)
T
k
[ <

, con
> 0, donde
0
= t
0
,
1
,
2
, . . . ,
p
= t
f
es una secuencia de instantes de tiempo. Vamos a denotar por

T a una funcin que interpole
los valores
T
0
,

T
1
, . . . ,

T
p
en los puntos
0
,
1
, . . . ,
p
y a considerar > 0, una cota de la
norma de la diferencia entre T y

T en el intervalo [t
0
, t
f
], esto es,
T

T
C([t
0
,t
f
])
< .
Es decir, (que ser mayor o igual que

) mide el error que se comete al aproximar la tempera-
tura T por una funcin que interpola valores que son, a su vez, aproximaciones de los valores
que toma T en los instantes
k
. El umbral se dene a partir de esta funcin

T como en el
escenario anterior.
2.3. Identicacin a partir de un experimento diseado ad hoc
En esta seccin se presenta un mtodo que servir para identicar la funcin H en el supuesto
de que sea factible realizar un experimento diseado ad hoc y que pasamos a describir.
Supondremos que se van a realizar mediciones de la temperatura en una cantidad par de ins-
tantes t
k
n
k=0
, los cuales forman una particin equiespaciada de [t
0
, t
f
] de paso h. Se elige la
presin aplicada por el equipo como una funcin continua que aumente linealmente, con la misma
pendiente, en los intervalos
[t
2k1
, t
2k
], k = 1, 2, . . . ,
n 1
2
y que permanezca constante en el resto de intervalos
[t
2k
, t
2k+1
], k = 0, 1, . . . ,
n 1
2
(vase la Figura 2.1). En el supuesto de que este especial aumento de presin sea admisible en el
equipo con el que se est trabajando, se tendr que
P(t
2k
) = P(t
2k+1
), k = 0, 1, . . . ,
n 1
2
y, por tanto, los valores P(t
2k
)
n1
2
k=0
constituirn una particin del rango de presiones [P
0
, P
f
].
Si denotamos las mediciones de la temperatura
T
k
n
k=0
, podemos encontrar las aproximacio-
nes
H
k
H(P(t
2k
)), k = 0, 1, . . . ,
n 1
2
utilizando la siguiente metodologa: para cada k
_
0, 1, . . . ,
n1
2
_
consideramos el intervalo
[t
2k
, t
2k+1
]. En este intervalo la presin es constante, por lo que la solucin del problema (2.1)
verica
T
(t) = H(P(t
2k
))(T
e
T(t)), t (t
2k
, t
2k+1
)
y, por tanto,
T(t) = T
e
+ (T(t
2k
) T
e
)e
H(P(t
2k
))(tt
2k
)
, t [t
2k
, t
2k+1
].

t
0
t
f
P
0
P
f
Tiempo
P
r
e
s
i
n
Figura 2.1: Diseo de la curva de presin para el experimento ad hoc.
En particular, haciendo t = t
2k+1
, se obtiene
H(P(t
2k
)) =
1
t
2k+1
t
2k
ln
_
T(t
2k
) T
e
T(t
2k+1
) T
e
_
=
1
h
ln
_
T(t
2k
) T
e
T(t
2k+1
) T
e
_
. (2.6)
Esto sugiere tomar como aproximacin del valor de H en P(t
2k
) la cantidad
H
k
=
1
h
ln
_

T
2k
T
e
T
2k+1
T
e
_
. (2.7)
Introduciendo la notacin T
k
= T(t
k
) y
k
=
T
k
T
k
T
k
T
e
, se tiene el siguiente resultado:
Proposicin 2.3.1 El error que se comete al aproximar los valores de H mediante (2.7) viene
dado por
H
k
H(P(t
2k
)) =
1
h
ln
_
1 +
2k
1 +
2k+1
_
para k = 0, 1, . . . ,
n 1
2
.
DEMOSTRACIN. Teniendo en cuenta la denicin de
k
, escribimos
T
k
T
e
= (1 +
k
)(T
k
T
e
) (2.8)
2.4 Un algoritmo numrico para la identicacin 49
para k = 0, 1, . . . ,
n 1
2
. A partir de aqu, basta restar las ecuaciones (2.7) y (2.6) para obtener
H
k
H(P(t
2k
)) =
1
h
ln
_

T
2k
T
e
T
2k+1
T
e
_
1
h
ln
_
T
2k
T
e
T
2k+1
T
e
_
=
1
h
ln
_

T
2k
T
e
T
2k+1
T
e
T
2k+1
T
e
T
2k
T
e
_
=
1
h
ln
_
(1 +
2k
)(T
2k
T
e
)
(1 +
2k+1
)(T
2k+1
T
e
)
T
2k+1
T
e
T
2k
T
e
_
=
1
h
ln
_
1 +
2k
1 +
2k+1
_
.
2
Observacin 2.3.2 Ntese que si, como en el segundo de los escenarios planteados, las medi-
ciones de la temperatura son exactas (y, en consecuencia, todos los
k
son nulos) entonces este
mtodo proporciona los valores exactos de H.
2
Observacin 2.3.3 De la proposicin anterior tambin se deduce que el error cometido cuando
se aproxima la funcin H mediante este mtodo slo depende del tamao de los errores relativos
entre las mediciones de temperatura (menos T
e
) y la temperatura (menos T
e
) (vase (2.8)). Como
dicho tamao es caracterstico del equipo de medida, se tiene el poco usual hecho de que el error
cometido en la aproximacin de la funcin H es independiente de dicha funcin. Este hecho queda
reejado en las Figuras 2.3 a 2.10 de la Seccin 2.6, en las que puede observarse el mismo valor
del error, para cada perturbacin, en los cuatro ejemplos de funcin H.
2
2.4. Un algoritmo numrico para la identicacin
Puede ocurrir que el equipo compresor con el que se est trabajando no permita realizar un
experimento como el descrito en la Seccin 2.3 o que slo permita hacerlo con un paso temporal
demasiado grande, lo cual conducira a la identicacin en una cantidad muy pequea de valo-
res de la presin. Ante la eventualidad de esta situacin, se describen en esta seccin distintas
estrategias para identicar nuestro coeciente H en funcin del escenario en que nos encontre-
mos inmersos. En primer lugar se aborda el caso ms sencillo, en que se conocen valores exactos
de la temperatura, mediante el uso de un operador de derivacin aproximada de segundo orden.
Este operador nos llevar a denir un algoritmo iterativo que utilizaremos en los escenarios ms
complejos, en los que se considera el posible error en las mediciones.
2.4.1. Identicacin a partir de una cantidad nita de valores exactos de la tempe-
ratura
Supondremos en este escenario que se conocen n N valores de la temperatura T que corres-
ponden a instantes de tiempo t
k
= t
0
+ kh para k = 0, 1, . . . , n, siendo h =
t
f
t
0
n
el tiempo
transcurrido entre dos cualesquiera de esos instantes. Denotaremos
T
k
= T(t
k
) y P
k
= P(t
k
), k = 0, 1, . . . , n.
Puesto que a partir de la ecuacin diferencial del problema (2.1) se obtiene
H(P(t)) =
T
(t) P
(t)T(t)
T
e
T(t)
, t
0
< t < t
f
, (2.9)
el objetivo es encontrar, para cada k = 0, 1, . . . , n, una aproximacin

H
k
del cociente
T
(t
k
) P
(t
k
)T
k
T
e
T
k
o, lo que es lo mismo, de H(P
k
). Con este n, consideramos el operador de diferenciacin apro-
ximada
R
h
: (([t
0
, t
f
]) (([t
0
, t
f
])
dado por
R
h
(v)(t) =
_
_
3v(t) + 4v(t +h) v(t + 2h)
2h
+
h
(v)(t
0
), t [t
0
, t
0
+h]
v(t +h) v(t h)
2h
, t [t
0
+h, t
f
h]
3v(t) 4v(t h) +v(t 2h)
2h
+
h
(v)(t
f
3h), t [t
f
h, t
f
],
donde
h
(v)(t) =
v(t + 3h) 3v(t + 2h) + 3v(t +h) v(t)
2h
.
Observacin 2.4.1 Este trmino
h
(v) que aparece en el primer y ltimo intervalos de denicin
de R
h
(v) se introduce para que la imagen por R
h
de una funcin continua sea una funcin con-
tinua. Este operador de derivacin aproximada proporciona una cota del error ligeramente peor
que la que proporciona el operador habitual de orden 2 (que prescinde del tmino
h
(v) y con el
que tambin se podra haber desarrollado esta parte). Sin embargo, esta denicin de R
h
permite
considerarlo como un operador del espacio de Banach de las funciones continuas con la norma
del supremo, en s mismo; esto servir para establecer la analoga con los mtodos clsicos que se
presentan en la Seccin 3.3.
2
Este operador es de orden dos, como se demuestra en el siguiente resultado:
Lema 2.4.2 Si v (
3
([t
0
, t
f
]) entonces
R
h
(v)
C([t
0
,t
f
])

29
6
h
2
C([t
0
,t
f
])
.
DEMOSTRACIN. Para cada t [t
0
+h, t
f
h], R
h
(v)(t) proporciona la aproximacin estndar
de v
(t)
[v
(t) R
h
(v)(t)[
h
2
6
C([t
0
,t
f
])
. (2.10)
Por otra parte, para t [t
0
, t
f
3h], mediante desarrollos de Taylor, se tiene
v(t + 3h) 3v(t + 2h) + 3v(t +h) v(t) =
h
3
2
_
9v
(
3
) 8v
(
2
) +v
(
1
)
_
para algunos
1
,
2
,
3
(t
0
, t
f
3h) y, por tanto,
[
h
(v)(t)[
9
2
h
2
C([t
0
,t
f
])
, t [t
0
, t
f
3h].
Ahora, para t [t
0
, t
0
+h] es fcil demostrar que
[v
(t) R
h
(v)(t)[
(t)
3v(t) + 4v(t +h) v(t + 2h)
2h
+[
h
(v)(t
0
)[
h
2
3
C([t
0
,t
f
])
+
9
2
h
2
C([t
0
,t
f
])
=
29
6
h
2
C([t
0
,t
f
])
.
(2.11)
De manera anloga, para t [t
f
h, t
f
] se tiene que
[v
(t) R
h
(v)(t)[
(t)
3v(t) 4v(t h) +v(t 2h)
2h
+[
h
(v)(t
f
3h)[
h
2
3
C([t
0
,t
f
])
+
9
2
h
2
C([t
0
,t
f
])
=
29
6
h
2
C([t
0
,t
f
])
.
(2.12)
El resultado se obtiene a partir de las desigualdades (2.10), (2.11) y (2.12).
2
La relacin (2.9) sugiere tomar las aproximaciones de los valores H(P
k
) como
H
k
=
R
h
(T)(t
k
) P
(t
k
)T
k
T
e
T
k
,
para k = 0, 1, . . . , n. Si se hace as, se verica la siguiente acotacin del error:
Proposicin 2.4.3 Si T (
3
([t
0
, t
f
]) entonces
max
k=0,1,...,n
H(P
k
)

H
k

29M
3
6(mT
e
)
h
2
, (2.13)
siendo M
3
= [[T
[[
C([t
0
,t
f
])
y m = mn
k=0,1,...,n
T
k
.
DEMOSTRACIN. Basta aplicar el Lema 2.4.2, teniendo en cuenta que
[T
e
T
k
[ = T
k
T
e
mT
e
.
2
Observacin 2.4.4 Gracias a la acotacin (2.4) sabemos que m > T
e
, por lo que la cota anterior
no explota.
2
Observacin 2.4.5 Ntese que la estimacin del error para H resulta ser del orden que tenga
el mtodo de derivacin aproximada utilizado. Por tanto, si se usara un mtodo de derivacin
aproximado de un orden superior, se obtendran mejores estimaciones.
2
2.4.2. Identicacin a partir de una funcin que aproxime la temperatura
En este contexto, supondremos conocida una funcin

T (([t
0
, t
f
]) que aproxime T en el
sentido de que
T

T
C([t
0
,t
f
])
< (2.14)
para 0 < < = mT
e
, donde mviene dado en (2.5) y suponemos que se han tenido en cuenta
las consideraciones sobre la temperatura inicial realizadas al describir el tercer escenario.
Utilizando nuevamente la expresin (2.9), denimos la funcin
u(t) =
T
(t) P
(t)T(t)
T
e
T(t)
, t
0
< t < t
f
y, basndonos en ella, la aproximacin
u
h
(t) =
R
h
(
T)(t) P
(t)
T(t)
T
e

T(t)
, t
0
< t < t
f
.
Veamos una estimacin del error que se comete en dicha aproximacin:
3
([t
0
, t
f
]) y

T (([t
0
, t
f
]) verica (2.14) con 0 < < , entonces
[[u u
h
[[
C([t
0
,t
f
])

1

_
29M
3
6
h
2
+
4
h
_
M m+ 2
_
_
+
P
M
T
e
( )
, (2.15)
donde
m = mn
t[t
0
,t
f
]
T(t),

M = max
t[t
0
,t
f
]
T(t) y P
M
= max
s[t
0
,t
f
]
P
(s).
DEMOSTRACIN. Antes de comenzar la cadena de desigualdades, destacamos que
_
_
_
[T
e

T(t)[ =

T(t) T
e
mT
e
=
[T
e
T(t)[ = T(t) T
e

T(t) T
e
.
A continuacin, pensando en aplicar la desigualdad triangular, para cada t [t
0
, t
f
] escribimos
[u(t) u
h
(t)[
(t)
T
e
T(t)

R
h
(
T)(t)
T
e

T(t)
+P
T(t)
T
e
T(t)

T(t)
T
e

T(t)
. (2.16)
I) Para acotar el primer sumando del segundo miembro de (2.16), escribimos
(t)
T
e
T(t)

R
h
(
T)(t)
T
e

T(t)
(t) R
h
(T)(t)
T
e
T(t)
R
h
(T)(t)
T
e
T(t)

R
h
(T)(t)
T
e

T(t)
R
h
(T)(t) R
h
(
T)(t)
T
e

T(t)
(t) R
h
(T)(t)
T
e
T(t)
+[R
h
(T)(t)[
T(t)

T(t)
(T
e
T(t))(T
e

T(t))
R
h
(T)(t) R
h
(
T)(t)
T
e

T(t)
.
De estos tres sumandos, el primero puede acotarse, aplicando el Lema 2.4.2, por
29h
2
6 [T
e
T(t)[
C([t
0
,t
f
])

29M
3
6( )
h
2
.
Para los otros dos sumandos distinguimos tres casos, en funcin de la denicin del operador
R
h
:
a) Si t [t
0
+h, t
f
h], puesto que
[R
h
(T)(t)[
T(t
f
) T
0
2h

(
M +) ( m)
2h
=
M m+ 2
2h
,
entonces
R
h
(T)(t)
T(t)

T(t)
(T
e
T(t))(T
e

T(t))
M m+ 2
2h
( )
.
Para el tercer sumando, usando que
R
h
(T)(t) R
h
(
T)(t)

1
2h
_
T(t +h)

T(t +h)
T(t h)

T(t h)

h
,
se llega a
R
h
(T)(t) R
h
(
T)(t)
T
e

T(t)

h
.
b) Para t [t
0
, t
0
+h] se tiene que
[R
h
(T)(t)[
3T(t) + 4T(t +h) T(t + 2h)

2h
+[
h
(T)(t
0
)[
4((
M +) ( m))
2h
+
4((
M +) ( m))
2h
=
4(
M m+ 2)
h
y, por tanto,
R
h
(T)(t)
T(t)

T(t)
(T
e
T(t))(T
e

T(t))
4(
M m + 2)
h
( )
.
El tercer sumando puede ser mayorado usando
R
h
(T)(t) R
h
(
T)(t)
T(t)

T(t)
2h
+
4
T(t +h)

T(t +h)
2h
+
T(t + 2h)

T(t + 2h)
2h
+
h
(T)(t
0
)
h
(
T)(t
0
)
8
h
,
para deducir
R
h
(T)(t) R
h
(
T)(t)
T
e

T(t)
8
h
.
c) En el intervalo [t
f
h, t
f
] se obtienen las mismas cotas que en [t
0
, t
0
+h].
Con estas tres acotaciones se obtiene
(t)
T
e
T(t)

R
h
(
T)(t)
T
e

T(t)
29M
3
6( )
h
2
+
4(
M m+ 2)
h
( )
+
8
h
=
1

_
29M
3
6
h
2
+
4
h
_
M m+ 2
_
_
.
II) La sencilla acotacin del segundo sumando del trmino derecho de (2.16)
P
T(t)
T
e
T(t)

T(t)
T
e

T(t)
= P
T
e
(T(t)

T(t))
(T
e
T(t))(T
e

T(t))
M
T
e

( )
conduce a la desigualdad deseada.
2
En la estimacin (2.15), el paso de tiempo h aparece multiplicando (elevado al cuadrado) en
un sumando y dividiendo en el otro. En consecuencia, la acotacin ptima se obtendr cuando se
elija un h que permita balancear ambos sumandos para conseguir el valor mnimo. El siguiente
resultado indica cmo elegir tal valor de h y cunto vale la cota correspondiente:
3
([t
0
, t
f
]) y

T (([t
0
, t
f
]) verica (2.14) con 0 < < , entonces el
menor valor de la cota en la estimacin (2.15) se obtiene cuando se toma como paso temporal
h
=
_
12(
M m+ 2)
29M
3
_1
3
. (2.17)
Para este valor ptimo del paso de tiempo se tiene que
[[u u
h
[[
C([t
0
,t
f
])

1

_
522M
3
(
M m+ 2)
2
2

2
_1
3
+
P
M
T
e
( )
.
DEMOSTRACIN. Obviamente, el mnimo de la funcin
g(x) = c
_
ax
2
+
b
x
_
+d, x > 0
con a, b, c, d > 0, se alcanza en
x
mn
=
_
b
2a
_1
3
y el valor mnimo es
g(x
mn
) =
3
2
c
_
2ab
2
_1
3
+d.
El resultado se sigue sin ms que tomar
a =
29M
3
6
, b =
4
M m+ 2), c =
1

y d =
P
M
T
e
( )
.
2
Observacin 2.4.8 El valor h
dado en (2.17) es el que proporciona la mejor acotacin (es decir,

la ms pequea) en la estimacin (2.15). Sin embargo, puede ocurrir que para algn h ,= h
se
tenga que
[[u u
h
[[
C([t
0
,t
f
])
[[u u
h
[[
C([t
0
,t
f
])
.
2
Mediante la Proposicin 2.4.7, tomando como paso de tiempo el valor ptimo h
dado por (2.17),

considerando como n la parte entera
1
de
t
f
t
0
h
, denotando t
k
= t
0
+ kh
y

T
k
=

T(t
k
), y to-
mando como aproximaciones de H(P
k
) los valores
H
k
= u
h
(t
k
) =
R
h
(
T)(t
k
) P
(t
k
)
T
k
T
e

T
k
, (2.18)
para k = 0, 1, . . . , n, se puede obtener el resultado fundamental de esta seccin, que es el siguien-
te:
Teorema 2.4.9 Bajo las hiptesis de la Proposicin 2.4.7, y considerando

H
k
, k = 0, 1, . . . , n,
dados por (2.18), se verica que
max
k=0,1,...,n
H(P
k
)

H
k

1

_
522M
3
(
M m+ 2)
2
2

2
_1
3
+
P
M
T
e
( )
. (2.19)
DEMOSTRACIN. Basta tener en cuenta que
H(P
k
)

H
k
= [u(t
k
) u
h
(t
k
)[
para k = 0, 1, . . . , n y aplicar la Proposicin 2.4.7.
2
Observacin 2.4.10 El orden de error en la estimacin anterior es
2
3
.
2
Observacin 2.4.11 El Teorema 2.4.9 proporciona una cota del error que se comete cuando se
aproxima H tomando como paso temporal el ptimo h
. El problema es que tal valor es des-

conocido, pues depende de M
3
, la norma innito de la derivada tercera de la solucin T. En el
siguiente apartado introducimos un algoritmo iterativo mediante el que, a partir de unas medi-
ciones de temperatura, se calculan los valores dados en (2.18) para sucesivas aproximaciones de
h
.
2
temperatura
La situacin de partida ahora es la de que disponemos de mediciones
T
0
,

T
1
, . . . ,

T
p
co-
rrespondientes a los instantes de tiempo
0
= t
0
,
1
,
2
, . . . ,
p
= t
f
y suponemos que el error
cometido en ellas es de orden

. Consideramos una funcin

T que interpola los valores anteriores
y suponemos que el mtodo de interpolacin utilizado es tal que el error entre T y

T es del orden
del error de medicin

, es decir,
= C
.
Para ello, eventualmente, ser necesario aumentar el nmero de mediciones.
1
Ntese que, en general, tn ser menor que t
f
.
Una vez construida de esta forma la funcin

T nos encontramos en la situacin del apartado
anterior, por lo que basta considerar el umbral = mT
e
, tomar como paso temporal h el dado
por (2.17), como n la parte entera de
t
f
t
0
h
y como

T
k
=

T(t
k
), siendo t
k
= t
0
+ kh para
k = 0, 1, . . . , n. Con todo ello, las cantidades

H
k
dadas en (2.18) proporcionan una aproximacin
de H y se tiene, gracias al Teorema 2.4.9, una cota del error cometido.
En lo que resta de seccin vamos a describir un algoritmo para aproximar los valores de H en
ciertos puntos P
k
del intervalo [P
0
, P
f
], correspondientes a instantes de tiempo t
k
de particiones
equiespaciadas de [t
0
, t
f
]. El paso de estas particiones se denir, de forma iterativa, aproximando
el valor de h
.
Algoritmo para la determinacin de la funcin H
Suponemos conocidas las mediciones aproximadas de temperatura
T
k
p
k=0
y una cota del
error de medicin

> 0. El algoritmo que se propone comienza con la construccin de la funcin
T que interpola los valores
T
k
p
k=0
, tras lo que se determinar una cota > 0 del error cometido
en dicha interpolacin. A continuacin se construye el umbral admisible = m T
e
sujeto a la
restriccin > .
El algoritmo se basa en un proceso iterativo en el que se parte de un valor inicial tentativo h
del paso ptimo. Con este valor de h se denen los instantes t
k
= t
0
+kh, k = 0, 1, . . . , n siendo
n la parte entera de
t
f
t
0
h
, y se obtienen los valores

T
k
=

T(t
k
).
A continuacin, se calcula
3
, aproximacin de la norma innito de la derivada tercera de la
temperatura, como el mximo, en valor absoluto, de las cantidades
_
_
5
T
k
+ 18
T
k+1
24
T
k+2
+ 14
T
k+3
3
T
k+4
2h
3
, k = 0, 1
T
k+2
2
T
k+1
+ 2
T
k1

T
k2
2h
3
, k = 2, 3, . . . , n 2
3
T
k4
14
T
k3
+ 24
T
k2
18
T
k1
+ 5
T
k
2h
3
, k = n 1, n.
(2.20)
Estas frmulas estn basadas en las aproximaciones progresiva, central y regresiva, respectiva-
mente, de orden 2 de la derivada tercera de una funcin regular.
A partir de
3
se calcula un nuevo valor del paso temporal mediante la expresin
h =
_
12(
M m+ 2)
29
3
_1
3
, (2.21)
con el cual se podr repetir la iteracin.
El proceso iterativo se detendr cuando el paso en el tiempo h se estabilice. Con dicho valor
de h de salida de la iteracin, se calculan los nuevos instantes t
k
, la interpolacin de

T en ellos y
los cocientes
H
k
= u
h
(t
k
) =
R
h
(
T)(t
k
) P
(t
k
)
T
k
T
e

T
k
, (2.22)
los cuales aproximan los valores de H en las presiones P
k
= P(t
k
), para k = 0, 1, . . . , n.
2.5 Adimensionalizacin del problema 57
Algoritmo
DATOS
T
k
p
k=0
: mediciones de la temperatura.
> 0: cota del error en las mediciones.

: precisin del test de parada.
h: valor inicial (tentativo) del paso temporal
Paso 1: Determinar

T y en funcin de

de forma que el umbral = mT
e
> .
Paso 2: Mientras que el error relativo en h sea mayor que la precisin :
a) Determinar la particin t
k
y calcular los valores
T
k
.
b) Calcular el valor de
3
como el mximo en k del valor absoluto de los valores
dados por (2.20).
c) Calcular el nuevo valor de h segn la frmula (2.21).
Paso 3: Determinar la particin nal t
k
y los correspondientes valores
T
k
.
Paso 4: Calcular las aproximaciones
H
k
segn la frmula (2.22).
2.5. Adimensionalizacin del problema
Antes de realizar los experimentos numricos con distintos juegos de datos que ilustren el
comportamiento de los mtodos diseados, es conveniente hacer un estudio adimensional del pro-
blema. La idea es escribir el modelo en funcin del menor nmero posible de parmetros adimen-
sionales; tras ello, bastar implementar las diversas pruebas numricas con valores variados de
estos parmetros. En nuestro caso, en lugar de tener que dar valores a todos los datos del problema
(t
0
, t
f
, T
0
, T
e
, P y ), nos bastar jugar con dos parmetros que sern, como se ver ms adelante,
la presin y una relacin entre la temperatura inicial y la temperatura ambiente.
Para llevar a cabo la transformacin adimensional del problema consideraremos las nuevas
variables adimensionales
t
=
t t
0
t
f
t
0
, T
(t
) =
T(t) T
e
T
0
T
e
y P
(t
) =
_
P(t) P
0
_
.
Con objeto de expresar el problema (2.1) en estas nuevas variables tenemos en cuenta que
dT
dt
(t) =
d
dt
_
(T
0
T
e
)T
(t
) +T
e
_
= (T
0
T
e
)
dT
dt
(t
)
dt
dt
=
T
0
T
e
t
f
t
0
dT
dt
(t
)
y
dP
dt
(t) =
d
dt
_
P
(t
+P
0
_
=
1
(t
f
t
0
)
dP
dt
(t
).
Sustituyendo en la ecuacin diferencial del problema (2.1), obtenemos
T
0
T
e
t
f
t
0
dT
dt
(t
) = H
_
P
(t
+P
0
__
T
e
(T
0
T
e
)T
(t
) T
e
_
+
1
t
f
t
0
dP
dt
(t
)
_
(T
0
T
e
)T
(t
) +T
e
_
,
de donde
dT
dt
(t
) = (t
f
t
0
)H
_
P
(t
+P
0
_
T
(t
) +
dP
dt
(t
)
_
T
(t
) +
T
e
T
0
T
e
_
.
De esta forma, denotando por
_
_
H
(s) = (t
f
t
0
)H
_
s
+P
0
_
_
H
(P
(t
)) = (t
f
t
0
)H(P(t))
_
T
ea
=
T
e
T
0
T
e
,
el problema equivalente adimensionalizado se escribe como
_
_
_
dT
dt
(t
) = H
(P
(t
))T
(t
) +
dP
dt
(t
) (T
(t
) +T
ea
) , t
(0, 1)
T
(0) = 1.
(2.23)
ste ser el problema para el que trataremos de identicar el coeciente H
. Una vez que

se haya obtenido su aproximacin, la usaremos para encontrar la distribucin de temperaturas
correspondiente a distintas funciones P
(que se mantengan en el rango de la presin P
original)
y distintos valores del parmetro T
ea
.
Observacin 2.5.1 El valor mximo que puede alcanzar la temperatura adimensionalizada viene
dado por
T
max
=
T
ad
T
e
T
0
T
e
,
siendo T
ad
la temperatura mxima que se puede alcanzar en condiciones adiabticas (i. e., cuando
no hay intercambio de calor con el medio externo). Para determinar este valor, basta considerar el
problema de valor inicial
_
T
(t) = P
(t)T(t), t (t
0
, t
f
)
T(t
0
) = T
0
,
(2.24)
cuya solucin es
T(t) = T
0
e
(P(t)P
0
)
, t [t
0
, t
f
].
Puesto que la funcin P es creciente, se tiene que
T
ad
= T
0
e
(P
f
P
0
)
= T
0
e
P
(1)
,
lo que permite escribir
T
max
=
T
ad
T
e
T
0
T
e
= (1 +T
ea
)e
P
(1)
T
ea
.
Ntese que el valor de T
ad
no es otro que el de la cota superior obtenida en (2.4).
2
Observacin 2.5.2 Una vez identicada la funcin H
del problema adimensionalizado (2.23),

la expresin
H(s) =
1
t
f
t
0
H
((s P
0
)) , s [P
0
, P
f
] (2.25)
conduce a la funcin de partida que se quera identicar. La solucin T
del problema adimensio-

nalizado conduce, deshaciendo el cambio de variable, a la temperatura
T(t) = T
e
+ (T
0
T
e
)T
_
t t
0
t
f
t
0
_
, t [t
0
, t
f
],
solucin del problema de partida.
2
2.5 Adimensionalizacin del problema 59
Observacin 2.5.3 Si el orden de magnitud de la funcin H
en el problema (2.23) es pequeo

frente a
dP
dt
(t
) (T
(t
) +T
ea
) ,
puede ocurrir que este trmino sea muy dominante. Esto implicara que, prcticamente, cualquier
funcin H
de ese orden de magnitud proporcionara las mismas mediciones. Veamos cmo puede
modicarse el experimento de partida de forma que el nuevo d lugar a una funcin H
de un orden
de magnitud mayor. Si la presin del experimento original es
P(t) = a(t t
0
) +P
0
, t [t
0
, t
f
],
debe considerarse un incremento ms suave de presin, durante un tiempo ms largo, de forma
que se recorra el mismo rango de presiones [P
0
, P
f
]. Es decir, se ha de tomar
P
1
(t) = ac(t t
0
) +P
0
, t
_
t
0
, t
0
+
t
f
t
0
c
_
con 0 < c 1. Si T
1
es la temperatura que se obtiene con esta curva de presin, los cambios de
variable
t
1
=
c(t t
0
)
t
f
t
0
, T
1
(t
1
) =
T
1
(t) T
e
T
0
T
e
y P
1
(t
1
) =
_
P
1
(t) P
0
_
conducen a la ecuacin
dT
1
dt
1
(t
1
) =
t
f
t
0
c
H
_
P
1
(t
1
)
+P
0
_
T
1
(t
1
) +
dP
1
dt
1
(t
1
)
_
T
1
(t
1
) +
T
e
T
0
T
e
_
=
1
c
H
_
P
1
(t
1
)
_
T
1
(t
1
) +
dP
1
dt
1
(t
1
) (T
1
(t
1
) +T
ea
) ,
(2.26)
quedando el problema adimensionalizado como
_
_
_
dT
1
dt
1
(t
1
) =
1
c
H
_
P
1
(t
1
)
_
T
1
(t
1
) +
dP
1
dt
1
(t
1
) (T
1
(t
1
) +T
ea
) , t
1
(0, 1)
T
1
(0) = 1.
(2.27)
Puesto que
dP
1
dt
1
(t
1
) = a(t
f
t
0
) =
dP
dt
(t
),
la ecuacin del problema (2.27) es idntica a la del problema (2.23) salvo en que la funcin H
se
ha visto amplicada por el factor
1
c
1.
2
Observacin 2.5.4 El problema adimensionalizado se rige por una ecuacin distinta de la inicial,
y esto habr que trasladarlo a los mtodos que vamos a utilizar:
a) Para el mtodo que se basa en el experimento ad hoc de la Seccin 2.3 basta tener en cuenta
que, en cada intervalo en que la presin es constante, la temperatura verica la misma ecuacin
pero con T
e
= 0. Por tanto, debemos considerar, en lugar de (2.7), las aproximaciones
H
k
=
1
h
ln
_

T
2k
T
2k+1
_
.
b) En cuanto al algoritmo iterativo de la Seccin 2.4, podemos decir que la expresin (2.21) del
paso ptimo h
y las cantidades (2.20) que se usan para el clculo de

3
siguen siendo las
mismas (cambiando, obviamente, el papel de

T por el de la correspondiente

T
), mientras que
la aproximacin (2.22) de

H
k
se transforma en
H
k
=
R
h
(
)(t
k
)
dP
dt
(t
k
)(
k
+T
ea
)
T
k
.
2
2.6. Resultados numricos
En esta seccin vamos a realizar el estudio comparativo de los resultados que se obtienen, en
la resolucin de distintos ejemplos concretos, cuando se utilizan los dos mtodos planteados en
este captulo. Trabajaremos directamente con el problema adimensional aunque, para no recargar
la notacin, eliminaremos el superndice

de todas la variables. El valor de T
ea
y el rango de
presiones estn ligados a una situacin real, aqulla en la que supuestamente se habran tomado
las mediciones experimentales. En concreto, nos basamos en los datos del tratamiento P2 del
Captulo 1 y trabajamos con T
0
= 313
o
K, T
e
= 295
o
K y con un valor del coeciente de
la ecuacin del problema (2.1) de 4.5045 10
5
MPa
1
. La eleccin de la curva de presin
se especica para cada mtodo, aunque en ambos casos su rango va desde la presin atmosfrica
hasta 360 MPa. Con ello, el valor mximo de la presin adimensionalizada ser, tambin en ambos
casos, a = 0.0162.
Vamos a mostrar los resultados numricos obtenidos cuando se trabaja con cuatro tipos de
funcin H, objeto de identicacin: una constante, una oscilante, una creciente y una decreciente.
Estas funciones se explicitarn en el epgrafe correspondiente a cada mtodo. Cabe destacar que,
segn muestra la relacin (2.25), la funcin H del experimento ad hoc debe ser dos veces la del
algoritmo iterativo, si se pretende que ambas se correspondan con la misma funcin de partida;
esto es as porque el experimento del primer mtodo necesita el doble de tiempo de realizacin
que el experimento del segundo.
Los ejemplos de prueba se han generado de la siguiente forma: a partir de una funcin H dada,
se resuelve el problema directo adimensional (2.23), obteniendo la temperatura T. A continuacin,
se evala la funcin T as obtenida en una particin equiespaciada de instantes de tiempo. Supo-
nemos que en ambos experimentos las mediciones se habran realizado con la misma cadencia,
por lo que trabajaremos con el doble de valores en el primer mtodo que en el segundo (en con-
creto, tomamos 200 en el experimento ad hoc y 100 en el algoritmo iterativo). Las mediciones con
error

T
k
se crean a base de perturbar estas evaluaciones T
k
mediante oscilaciones aleatorias de un
tamao del orden del 1 % de T
k
. De forma precisa,
T
k
= T
k
_
1 +
r(t
k
)
75
_
,
donde r(t) = sen(qt) y q es un entero entre 1 y 99, generado aleatoriamente. La funcin

T se
toma como la interpolacin lineal a trozos de los valores

T
k
.
En cada uno de los cuatro casos elegidos para la funcin H se han generado, para posibilitar la
comparacin, las mismas siete perturbaciones de los valores de la temperatura, las correspondien-
tes a los valores q = 3, 14, 27, 42, 65, 84 y 97. De los siete casos ejecutados, hemos seleccionado
en cada ocasin los dos en que se produce, respectivamente, el menor y el mayor error en norma
innito en H.
2.6 Resultados numricos 61
Una vez identicada H de forma aproximada, se calcula la temperatura que resuelve el pro-
blema (2.23) con tal aproximacin, y se compara con la solucin conocida del problema directo.
Asimismo, se prescriben distintos valores a los parmetros del problema adimensional (la curva
de presin y T
ea
) y se calcula, tambin con dicha aproximacin, la solucin correspondiente. sta
es comparada con la temperatura exacta asociada a esos parmetros, con objeto de dar cuenta de
la bondad de la identicacin realizada. En cada situacin mostraremos: la identicacin aproxi-
mada de la funcin H, la temperatura calculada a partir de dicha aproximacin y los perles de
temperatura, calculados usando esta identicacin, para nueve juegos de valores de los parmetros
del problema, siempre junto a las correspondientes soluciones exactas.
Los citados juegos de valores se generan multiplicando por los factores d = 2, d = 1 y d =
1
2
el valor de partida de T
ea
y eligiendo como funciones para la presin (vase la Figura 2.2)
a) P(t) = a sen t
b) P(t) = a(e
2t2
e
2
)
c) P(t) =
a
2
t(3 t).
0 0.2 0.4 0.6 0.8 1
0
0.005
0.01
0.015
Curvas de presin

seno
exponencial
parbola
Figura 2.2: Presiones consideradas en las pruebas numricas realizadas tras la identicacin de H.
Sobre los grcos de H, identicado como Error, se muestra el error cometido en norma
innito. Sobre los grcos de las temperaturas se muestra, con la denominacin % Error, el error
relativo porcentual, es decir, el porcentaje que, de la norma innito de cada temperatura, supone
el error cometido en dicha norma. Dicho de otra forma, si se tienen valores

T
k
que aproximan T
k
para k = 1, 2, . . . , n, entendemos por error relativo porcentual la cantidad
max
k
[
T
k
T
k
[
max
k
[T
k
[
100. (2.28)
Primer mtodo: experimento ad hoc
Para este mtodo el valor correspondiente al primer parmetro del problema adimensionaliza-
do es T
ea
= 295/18, mientras que la pendiente de la presin (en los tramos en que no es constante)
vale 0.0324(= 2a); con esto se consigue que la presin recorra todo el rango de presiones [0, a]
en el tiempo [0, 1].
Las funciones H (constante, oscilante, creciente y decreciente) con las que vamos a trabajar
son:
1) H(s) = 12
2) H(s) = 3
_
2 + sen
_
4
s
a
_
_
3) H(s) = 4 e
s
a
4) H(s) = 12
_
1 +e
s
a
_
.
Como el intervalo [0, a] (el rango de presiones para el problema adimensionalizado) de nues-
tros ejemplos es pequeo, para elegir las funciones H hemos partido de funciones reconocibles
en el intervalo [0, 1], cuya variable hemos dividido entre a, con objeto de dilatar el intervalo y que
el dibujo de nuestras funciones en [0, a] sea como el de las de partida en [0, 1].
En el caso de la funcin H constante, su identicacin aproximada y la temperatura obteni-
da a partir de ella, para el caso en que se produce el menor error, se muestran en la Figura 2.3.
Asimismo, en dicha gura se dibujan las temperaturas exactas y las que se obtienen con el coe-
ciente H identicado y variando los parmetros del problema. De igual forma, en la Figura 2.4 se
representan resultados anlogos para la perturbacin que proporciona el mayor error en H.
Para el segundo caso de la funcin H oscilante, los resultados correspondientes al menor error
en H se pueden ver en la Figura 2.5, mientras que la Figura 2.6 muestra los relativos al mayor error.
Las Figuras 2.7 y 2.8 recogen, respectivamente, los resultados para cuando se produce el menor y
mayor error en H, para la eleccin de tipo creciente. Lo anlogo ocurre con las Figuras 2.9 y 2.10
en el caso de la funcin decreciente.
Este mtodo (que, recordemos, proporciona los valores exactos si el error de medicin es nulo)
est muy inuido por lo oscilatoria que sea la perturbacin: el error en H crece con el valor de q,
siendo menor para q = 3 (esto es, cuando la perturbacin es la ms suave de las elegidas) y mayor
para q = 97 (la perturbacin ms oscilatoria).
Segundo mtodo: algoritmo iterativo
Al considerar ahora el problema adimensionalizado el valor de T
ea
= 295/18 no cambia.
S lo hace la pendiente con que crece la presin, puesto que ahora no hay tramos constantes; en
concreto, se tiene que P(t) = 0.0162t.
Como ya se ha comentado, las funciones H (constante, oscilante, creciente y decreciente) que
se corresponden con las elegidas para el mtodo anterior son su mitad, es decir,
1) H(s) = 6
2) H(s) =
3
2
_
2 + sen
_
4
s
a
_
_
3) H(s) = 2 e
s
a
4) H(s) = 6
_
1 +e
s
a
_
.
Los cuatro pares formados por las Figuras 2.11 y 2.12, las Figuras 2.13 y 2.14, las Figuras 2.15
y 2.16 y las Figuras 2.17 y Figura 2.18 muestran los resultados obtenidos mediante este algorit-
mo, para el caso del menor y mayor error en H, y para cada uno de los cuatro tipos de funcin
considerados: por este orden, constante, oscilante, creciente y decreciente.
Puesto que este algoritmo utiliza la interpolacin de los valores aproximados de T en puntos
que no son de la particin en que se toman las mediciones, su comportamiento no est ligado
directamente a lo oscilatorio de las perturbaciones. As, los casos de menor y mayor error se
obtienen para valores variados de q.
En ambos mtodos se puede apreciar que, aunque el tamao del error en H sea moderado,
las temperaturas calculadas a partir de las identicaciones aproximadas son bastante precisas (el
error cometido es siempre del orden del error en las mediciones). El primero suele proporcionar
una mejor aproximacin de la temperatura cuando se resuelve con los parmetros iniciales. Sin
embargo, si se observa la temperatura identicada para los nueve juegos de datos, el segundo
mtodo es en general ms exacto en los casos del peor error en H y, por tanto, puede considerarse
ms robusto.
0 0.005 0.01 0.015
0
2
4
6
8
10
12
Error=0.1257

H exacta
H identificada
0 0.2 0.4 0.6 0.8 1
0
0.2
0.4
0.6
0.8
1
Temperatura. % Error=0.3572

T para H exacta
T para H identificada
0 0.5 1
0
0.5
1
P: seno, d=2, % Error=0.30
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
P: seno, d=0.5, % Error=0.29
0 0.5 1
0
0.5
1
P: exp., d=2, % Error=0.38
0 0.5 1
0
0.5
1
P: exp., d=1, % Error=0.37
0 0.5 1
0
0.5
1
P: exp., d=0.5, % Error=0.37
0 0.5 1
0
0.5
1
P: parbola, d=2, % Error=0.25
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
P: parbola, d=0.5, % Error=0.25
Figura 2.3: Experimento ad hoc y H constante (menor error en H). Perles de temperatura co-
rrespondientes a las curvas de presin P(t) = a sen t (Arriba), P(t) = a(e
2t2
e
2
) (Centro)
y P(t) = at(3 t)/2 (Abajo), y a los factores sobre T
ea
d = 2 (Izquierda), d = 1 (Centro) y
d = 0.5 (Derecha).
0 0.005 0.01 0.015
0
5
10
15
Error=3.6775

H exacta
H identificada
0 0.2 0.4 0.6 0.8 1
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
P: seno, d=0.5, % Error=1.66
0 0.5 1
0
0.5
1
P: exp., d=2, % Error=4.21
0 0.5 1
0
0.5
1
P: exp., d=1, % Error=4.21
0 0.5 1
0
0.5
1
P: exp., d=0.5, % Error=4.20
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
Figura 2.4: Experimento ad hoc y H constante (mayor error en H). Perles de temperatura co-
2t2
e
2
) (Centro)
ea
d = 0.5 (Derecha).
0 0.005 0.01 0.015
0
2
4
6
8
Error=0.1257

H exacta
H identificada
0 0.2 0.4 0.6 0.8 1
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
P: seno, d=0.5, % Error=0.37
0 0.5 1
0
0.5
1
P: exp., d=2, % Error=0.59
0 0.5 1
0
0.5
1
P: exp., d=1, % Error=0.58
0 0.5 1
0
0.5
1
P: exp., d=0.5, % Error=0.58
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
Figura 2.5: Experimento ad hoc y H oscilante (menor error en H): Perles de temperatura corres-
pondientes a las curvas de presin P(t) = a sen t (Arriba), P(t) = a(e
2t2
e
2
) (Centro) y
P(t) = at(3 t)/2 (Abajo), y a los factores sobre T
ea
d = 0.5 (Derecha).
0 0.005 0.01 0.015
0
2
4
6
8
10
12
Error=3.6775

H exacta
H identificada
0 0.2 0.4 0.6 0.8 1
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
P: seno, d=0.5, % Error=1.69
0 0.5 1
0
0.5
1
P: exp., d=2, % Error=4.84
0 0.5 1
0
0.5
1
P: exp., d=1, % Error=4.83
0 0.5 1
0
0.5
1
P: exp., d=0.5, % Error=4.82
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
Figura 2.6: Experimento ad hoc y H oscilante (mayor error en H): Perles de temperatura corres-
2t2
e
2
) (Centro) y
ea
d = 0.5 (Derecha).
0 0.005 0.01 0.015
0
2
4
6
8
10
Error=0.1257

H exacta
H identificada
0 0.2 0.4 0.6 0.8 1
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
P: seno, d=0.5, % Error=0.47
0 0.5 1
0
0.5
1
P: exp., d=2, % Error=0.87
0 0.5 1
0
0.5
1
P: exp., d=1, % Error=0.86
0 0.5 1
0
0.5
1
P: exp., d=0.5, % Error=0.85
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
Figura 2.7: Experimento ad hoc y H creciente (menor error en H): Perles de temperatura corres-
2t2
e
2
) (Centro) y
ea
d = 0.5 (Derecha).
0 0.005 0.01 0.015
0
5
10
Error=3.6775

H exacta
H identificada
0 0.2 0.4 0.6 0.8 1
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
P: seno, d=0.5, % Error=3.84
0 0.5 1
0
0.5
1
P: exp., d=2, % Error=5.11
0 0.5 1
0
0.5
1
P: exp., d=1, % Error=5.10
0 0.5 1
0
0.5
1
P: exp., d=0.5, % Error=5.09
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
Figura 2.8: Experimento ad hoc y H creciente (mayor error en H): Perles de temperatura corres-
2t2
e
2
) (Centro) y
ea
d = 0.5 (Derecha).
0 0.005 0.01 0.015
0
5
10
15
20
Error=0.1257

H exacta
H identificada
0 0.2 0.4 0.6 0.8 1
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
P: seno, d=0.5, % Error=0.18
0 0.5 1
0
0.5
1
P: exp., d=2, % Error=0.19
0 0.5 1
0
0.5
1
P: exp., d=1, % Error=0.19
0 0.5 1
0
0.5
1
P: exp., d=0.5, % Error=0.19
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
Figura 2.9: Experimento ad hoc y H decreciente (menor error en H): Perles de temperatura
correspondientes a las curvas de presin P(t) = a sen t (Arriba), P(t) = a(e
2t2
e
2
) (Centro)
ea
d = 0.5 (Derecha).
0 0.005 0.01 0.015
0
5
10
15
20
25
Error=3.6775

H exacta
H identificada
0 0.2 0.4 0.6 0.8 1
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
P: seno, d=0.5, % Error=1.23
0 0.5 1
0
0.5
1
P: exp., d=2, % Error=3.32
0 0.5 1
0
0.5
1
P: exp., d=1, % Error=3.31
0 0.5 1
0
0.5
1
P: exp., d=0.5, % Error=3.31
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
Figura 2.10: Experimento ad hoc y H decreciente (mayor error en H): Perles de temperatura
2t2
e
2
) (Centro)
ea
d = 0.5 (Derecha).
0 0.005 0.01 0.015
0
2
4
6
h=0.07138 error=0.2614 it=4

H exacta
H identificada
0 0.2 0.4 0.6 0.8 1
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
P: seno, d=0.5, % Error=0.62
0 0.5 1
0
0.5
1
P: exp., d=2, % Error=0.35
0 0.5 1
0
0.5
1
P: exp., d=1, % Error=0.35
0 0.5 1
0
0.5
1
P: exp., d=0.5, % Error=0.35
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
Figura 2.11: Algoritmo iterativo y H constante (menor error en H): Perles de temperatura co-
2t2
e
2
) (Centro)
ea
d = 0.5 (Derecha).
0 0.005 0.01 0.015
0
2
4
6
h=0.04350 error=0.9577 it=15

H exacta
H identificada
0 0.2 0.4 0.6 0.8 1
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
P: seno, d=0.5, % Error=1.40
0 0.5 1
0
0.5
1
P: exp., d=2, % Error=3.36
0 0.5 1
0
0.5
1
P: exp., d=1, % Error=3.35
0 0.5 1
0
0.5
1
P: exp., d=0.5, % Error=3.34
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
Figura 2.12: Algoritmo iterativo y H constante (mayor error en H): Perles de temperatura co-
2t2
e
2
) (Centro)
ea
d = 0.5 (Derecha).
0 0.005 0.01 0.015
0
1
2
3
4
5
h=0.05057 error=0.1898 it=4

H exacta
H identificada
0 0.2 0.4 0.6 0.8 1
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
P: seno, d=0.5, % Error=1.35
0 0.5 1
0
0.5
1
P: exp., d=2, % Error=1.90
0 0.5 1
0
0.5
1
P: exp., d=1, % Error=1.87
0 0.5 1
0
0.5
1
P: exp., d=0.5, % Error=1.86
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
Figura 2.13: Algoritmo iterativo y H oscilante (menor error en H): Perles de temperatura corres-
2t2
e
2
) (Centro) y
ea
d = 0.5 (Derecha).
0 0.005 0.01 0.015
0
1
2
3
4
5
6
h=0.01494 error=1.4403 it=8

H exacta
H identificada
0 0.2 0.4 0.6 0.8 1
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
P: seno, d=0.5, % Error=1.23
0 0.5 1
0
0.5
1
P: exp., d=2, % Error=4.00
0 0.5 1
0
0.5
1
P: exp., d=1, % Error=3.99
0 0.5 1
0
0.5
1
P: exp., d=0.5, % Error=3.99
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
Figura 2.14: Algoritmo iterativo y H oscilante (mayor error en H): Perles de temperatura corres-
2t2
e
2
) (Centro) y
ea
d = 0.5 (Derecha).
0 0.005 0.01
0
1
2
3
4
5
h=0.14884 error=0.0325 it=1000

H exacta
H identificada
0 0.2 0.4 0.6 0.8 1
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
P: seno, d=0.5, % Error=0.15
0 0.5 1
0
0.5
1
P: exp., d=2, % Error=0.17
0 0.5 1
0
0.5
1
P: exp., d=1, % Error=0.17
0 0.5 1
0
0.5
1
P: exp., d=0.5, % Error=0.17
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
Figura 2.15: Algoritmo iterativo y H creciente (menor error en H): Perles de temperatura co-
2t2
e
2
) (Centro)
ea
d = 0.5 (Derecha).
0 0.005 0.01 0.015
0
1
2
3
4
5
6
h=0.03128 error=0.9380 it=5

H exacta
H identificada
0 0.2 0.4 0.6 0.8 1
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
P: seno, d=0.5, % Error=1.49
0 0.5 1
0
0.5
1
P: exp., d=2, % Error=4.46
0 0.5 1
0
0.5
1
P: exp., d=1, % Error=4.44
0 0.5 1
0
0.5
1
P: exp., d=0.5, % Error=4.44
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
Figura 2.16: Algoritmo iterativo y H creciente (mayor error en H): Perles de temperatura co-
2t2
e
2
) (Centro)
ea
d = 0.5 (Derecha).
0 0.005 0.01 0.015
0
2
4
6
8
10
12
h=0.03536 error=0.2597 it=302

H exacta
H identificada
0 0.2 0.4 0.6 0.8 1
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
P: seno, d=0.5, % Error=0.56
0 0.5 1
0
0.5
1
P: exp., d=2, % Error=0.28
0 0.5 1
0
0.5
1
P: exp., d=1, % Error=0.27
0 0.5 1
0
0.5
1
P: exp., d=0.5, % Error=0.27
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
Figura 2.17: Algoritmo iterativo y H decreciente (menor error en H): Perles de temperatura
2t2
e
2
) (Centro)
ea
d = 0.5 (Derecha).
0 0.005 0.01 0.015
0
2
4
6
8
10
12
h=0.03933 error=2.4854 it=1000

H exacta
H identificada
0 0.2 0.4 0.6 0.8 1
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
P: seno, d=0.5, % Error=1.25
0 0.5 1
0
0.5
1
P: exp., d=2, % Error=1.18
0 0.5 1
0
0.5
1
P: exp., d=1, % Error=1.17
0 0.5 1
0
0.5
1
P: exp., d=0.5, % Error=1.17
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
0 0.5 1
0
0.5
1
Figura 2.18: Algoritmo iterativo y H decreciente (mayor error en H): Perles de temperatura
2t2
e
2
) (Centro)
ea
d = 0.5 (Derecha).
Captulo 3
intercambio de calor que vara con la
temperatura
Introduccin
Como se coment en la introduccin a la segunda parte de la memoria, en el presente captulo
abordamos un estudio paralelo al realizado en el Captulo 2, aunque ahora bajo el supuesto de que
el coeciente de intercambio de calor que se pretende identicar es funcin de la temperatura y
no de la presin. Por un lado, el hecho de que H dependa de la solucin de la ecuacin de estado
complica sustancialmente la resolucin del problema inverso. Por otro, su independencia respecto
la presin permitir trabajar a presin constante.
En concreto, se supone que el fenmeno fsico que se estudia est modelizado por el problema
de valor inicial
_
T
(t) = H(T(t))(T
e
T(t)), t t
0
T(t
0
) = T
0
,
(3.1)
donde T(t) representa la temperatura en el instante de tiempo t, T
0
es la temperatura inicial, T
e
denota la temperatura del medio exterior y la funcin H(T) es el coeciente de intercambio de
calor que se pretende identicar.
Las hiptesis sobre los datos del problema que conguran el contexto en el que vamos a
trabajar son las siguientes:
La temperatura exterior T
e
es constante.
La temperatura inicial T
0
es estrictamente menor que la temperatura ambiente T
e
(un estu-
dio totalmente anlogo se podra realizar si, como se haca en el Captulo 2, se partiera de
T
0
> T
e
). Como se ver en la Seccin 3.1, esto permite asegurar que la solucin T es una
funcin creciente que toma sus valores en el intervalo [T
0
, T
e
].
La funcin H es continua y positiva en [T
0
, T
e
].
El objetivo es, tambin en este captulo, identicar de forma aproximada el coeciente H,
supuestas conocidas una serie de mediciones experimentales (y, por tanto, afectadas de un cierto
81
82 Identicacin de un coeciente de intercambio de calor que vara con la temperatura
error) de la temperatura. Esta aproximacin deber servir para proporcionar soluciones satisfacto-
rias del problema cuando se cambian los datos de partida. Destacamos que ahora tales datos son,
simplemente, la temperatura inicial y la exterior.
Para obtener la identicacin de H en el mayor rango de temperaturas posible, ser convenien-
te tomar las mediciones durante un experimento que parta de una temperatura inicial y se realice a
una temperatura externa que, dentro de lo admisible en el contexto fsico, sean la ms baja y ms
alta, respectivamente, posibles.
El desarrollo de este captulo discurre en paralelo al del Captulo 2; a continuacin describimos
su organizacin:
En primer lugar (Seccin 3.1), se realiza un anlisis cualitativo del problema directo, estu-
diando la existencia y unicidad de solucin, as como propiedades de regularidad y dependencia
continua. Seguidamente, en la Seccin 3.2, se estudian los distintos escenarios en los que se va a
tratar el problema inverso; en esta ocasin, la eleccin de los umbrales de trabajo deber ser un
tanto ms sosticada que la efectuada en el Captulo 2, y servir para delimitar el intervalo tem-
poral en el que podremos realizar la identicacin. A continuacin, la Seccin 3.3 muestra cmo
abordar el problema mediante algoritmos clsicos basados en la teora de regularizacin, como son
el principio de discrepancia de Morozov o el mtodo iterativo de Landweber. En la Seccin 3.4 se
hace un estudio paralelo al realizado en la Seccin 2.4 y, en particular, se presenta una adaptacin
del algoritmo iterativo all introducido. Finalmente, los resultados numricos obtenidos mediante
los distintos mtodos y para diversas situaciones de partida, estn recogidos en la Seccin 3.5.
Una aproximacin al problema anloga a la de este captulo, utilizando esquemas de orden
uno, puede encontrarse en el trabajo [15].
Los resultados que se recogen en esta seccin describen propiedades cualitativas de la solucin
del problema directo. El primero de ellos nos habla de la existencia y unicidad de solucin, as
como de su crecimiento y comportamiento asinttico.
Teorema 3.1.1 Sea H una funcin continua y positiva en el intervalo [T
0
, T
e
]. Entonces, existe
una nica solucin T del problema (3.1) con las siguientes propiedades:
a) T(t) est denida para todo t t
0
y T (
1
([t
0
, +)).
b) T
(t) > 0 para todo t t

0
y, por tanto, T es una funcin creciente.
c) T
0
T(t) < T
e
para todo t t
0
.
d) Para todo t t
0
se verica que
T
e
(T
e
T
0
)e
Hm(tt
0
)
T(t) T
e
(T
e
T
0
)e
H
M
(tt
0
)
,
donde H
m
= mn
s[T
0
,T
e
]
H(s) y H
M
= max
s[T
0
,T
e
]
H(s).
e) lm
t+
T(t) = T
e
. Es decir, todas las soluciones tienden asintticamente al nico punto de
equilibrio T
e
de la ecuacin diferencial.
f) Para todo t t
0
se verica que
H
m
(T
e
T
0
)e
H
M
(tt
0
)
T
(t) H
M
(T
e
T
0
)e
Hm(tt
0
)
.
DEMOSTRACIN. Gracias a resultados clsicos (vase, v. gr., [13, Teorema 1, pg. 51]), se puede
asegurar que el problema (3.1) admite una nica solucin T denida en un cierto intervalo a la
derecha de t
0
. Adems, si consideramos H extendida por continuidad de forma constante a toda
la recta real, la acotacin de dicha extensin permite armar (cf., por ejemplo, [13, Corolario 4,
pg. 192]) que esta (nica) solucin est denida en todo [t
0
, +). Por otra parte, es claro que
existe > 0 tal que
T
(t) > 0 y T
0
T(t) < T
e
para todo t [t
0
, t
0
+).
Veamos que, de hecho, las desigualdades anteriores se cumplen para todo t t
0
. En otro caso,
teniendo en cuenta que
T
(t
) = 0 T(t
) = T
e
,
existira t
> t
0
tal que
_
T
(t) > 0 y T
0
T(t) < T
e
, t [t
0
, t
)
T
(t
) = 0 y T(t
) = T
e
.
Entonces, puesto que T(t) puede expresarse implcitamente como
_
T(t)
T
0
dz
H(z)(T
e
z)
=
_
t
t
0
ds = t t
0
y H
M
> 0, se llegara a la contradiccin
t
t
0
=
_
T
e
T
0
dz
H(z)(T
e
z)

1
H
M
_
T
e
T
0
dz
T
e
z
=
1
H
M
ln(T
e
z)
T
e
T
0
= +.
De esta forma, quedan demostrados los tres primeros apartados. Para demostrar el apartado d)
basta integrar en la cadena de desigualdades
0 < H
m
H(T(t)) =
T
(t)
T
e
T(t)
H
M
para todo t t
0
.
El apartado e) se deduce haciendo tender t a +en la desigualdad d).
Finalmente, el ltimo apartado se obtiene escribiendo
T
(t) = H(T(t))(T
e
T(t)) H
M
(T
e
T
0
)e
Hm(tt
0
)
,
donde se ha utilizado la estimacin izquierda de d) reescrita como
T
e
T(t) (T
e
T
0
)e
Hm(tt
0
)
.
Anlogamente se obtiene la otra desigualdad.
2
El Lema de Gronwall (cf. el Lema 2.1.1) servir para demostrar un resultado de dependencia
continua de la solucin del problema (3.1) respecto a la funcin H, cuando se trabaja en un inter-
valo temporal acotado [t
0
, t
f
]. De nuevo se trata de un resultado importante, pues permite asegurar
que las temperaturas calculadas con una aproximacin de H sern cercanas a las correspondientes
a la H exacta (de forma que una mejor aproximacin de H supone mejores aproximaciones de T).
Teorema 3.1.2 (Dependencia continua respecto a la funcin H) Sean T la solucin del proble-
ma (3.1) y T la solucin del problema
_
T
(t) = H(T (t))(T

e
T (t)), t (t
0
, t
f
)
T (t
0
) = T
0
,
con t
f
> t
0
arbitrario, y donde supondremos que:
a) H es positiva y lipschitziana en [T
0
, T
e
], con constante de Lipschitz L > 0.
b) H es continua y positiva en [T
0
, T
e
].
c) [[H H[[
C([T
0
,T
e
])
< para algn > 0.
Entonces,
[[T T [[
C([t
0
,t
f
])
(T
e
T
0
)
e
C(t
f
t
0
)
1
C
,
siendo C = H
M
+L(T
e
T
0
).
DEMOSTRACIN. Consideremos la funcin z(t) = T(t) T (t). Para todo t [t
0
, t
f
] se verica
que
[z
(t)[ = [H(T(t))(T
e
T(t)) H(T (t))(T
e
T (t))[
[H(T(t))(T
e
T(t)) H(T(t))(T
e
T (t))[
+[H(T(t))(T
e
T (t)) H(T (t))(T
e
T (t))[
+[H(T (t))(T
e
T (t)) H(T (t))(T
e
T (t))[
H(T(t))[T (t) T(t)[ +[H(T(t)) H(T (t))[[T
e
T (t)[
+[H(T (t)) H(T (t))[[T
e
T (t)[
H
M
[z(t)[ +L[z(t)[(T
e
T
0
) +(T
e
T
0
)
= C[z(t)[ +(T
e
T
0
),
donde se ha utilizado el apartado c) del Teorema 3.1.1 aplicado a la funcin T . As pues,
[z(t)[ =
z(t
0
) +
_
t
t
0
z
(s) ds
_
t
t
0
(s)
ds
_
t
t
0
C[z(s)[ds +(T
e
T
0
)(t t
0
).
El resultado se tiene, igual que en el Teorema 2.1.4, sin ms que aplicar el Lema de Gronwall
(Lema 2.1.1) en [t
0
, t
f
] con
y(t) = [z(t)[, f(t) = (T
e
T
0
)(t t
0
) y g(t) = C.
2
A continuacin presentamos un resultado que proporciona una relacin cualitativa adicional
entre las funciones H y T.
Teorema 3.1.3 Sea H (
1
([T
0
, T
e
]) tal que
H(s) > 0 para todo s [T
0
, T
e
].
Son equivalentes:
a) La solucin T del problema (3.1) es cncava en [t
0
, +).
b) La funcin H(s)(T
e
s) es decreciente en [T
0
, T
e
].
DEMOSTRACIN. Derivando la ecuacin diferencial del problema (3.1) se obtiene
T
(t) =
d
dT
_
H(T)(T
e
T)
_
T
(t),
de donde se sigue el resultado, teniendo en cuenta que T
(t) > 0.
2
Observacin 3.1.4
a) Ntese que la funcin G(s) = H(s)(T
e
s) no puede ser creciente en todo el intervalo [T
0
, T
e
]
puesto que, al ser G(T
e
) = 0, la funcin H debera ser negativa. En consecuencia, T no puede
ser una funcin convexa en todo el intervalo [t
0
, +).
b) Una condicin suciente para que esta funcin G sea decreciente en [T
0
, T
e
] es que
H
< 0 en [T
0
, T
e
],
puesto que, entonces,
d
dT
_
H(T)(T
e
T)
_
= H
(T)(T
e
T) H(T) < 0.
c) Si las mediciones observadas tienen una distribucin creciente y cncava, entonces la funcin
H identicada, si se supone que es sucientemente suave, deber ser tal que la funcin G
correspondiente sea decreciente.
2
3.2. Escenarios de planteamiento del problema inverso
Ntese que el modelo (3.1) es poco sensible a cambios de H(s) para valores de s cercanos
a T
e
en el siguiente sentido: si para un cierto tiempo t
la funcin T alcanza un cierto valor

T
e
entonces, por ser T creciente, a partir de este instante, toda la funcin T permanece en el
intervalo [T
e
, T
e
] independientemente de los valores que tome la funcin H. Por este motivo,
resulta ilusorio (e innecesario) pretender indenticar la funcin H en temperaturas cercanas a T
e
.
Por otra parte, puede ocurrir que el mayor valor conocido de la temperatura quede distante de la
temperatura exterior. En ese caso, la falta de informacin hace imposible la identicacin de H en
temperaturas cercanas a T
e
.
Estas consideraciones nos llevan a plantear el problema de identicar la funcin H en los
siguientes trminos:
I) Se jar un umbral > 0, que depender del rango admisible de valores en los que se nece-
sita aproximar la temperatura, de forma que la identicacin de la funcin H en el intervalo
[T
e
, T
e
] no forma parte de nuestros objetivos. A partir de este umbral se determinar
(mediante los argumentos que se explicarn ms adelante) un tiempo t
f
= t
f
(, T, T
e
) para
el que se verique
T(t) T
e
, t t
f
. (3.2)
II) Para la identicacin de la funcin H en el intervalo [T
0
, T
e
] utilizaremos el modelo (3.1)
planteado en el intervalo [t
0
, t
f
]. De esta forma, se obtiene una identicacin de H en el
intervalo [T
0
, T(t
f
)] que contiene a [T
0
, T
e
].
Observacin 3.2.1 Si, una vez jado el umbral , se requiere alargar el intervalo temporal en
el que trabajar (por ejemplo, si fuera necesario aumentar el nmero de mediciones, y stas no se
pudieran espaciar menos en el tiempo, debido a las limitaciones del equipo de medida) bastara con
disminuir la temperatura inicial T
0
, siempre que esto fuera fsicamente posible. La explicacin de
ello es que la solucin T es una funcin creciente y que dos soluciones no pueden cruzarse al ser
la solucin nica para todo instante y valor inicial (de hecho, al ser la ecuacin del problema (3.1)
autnoma, la solucin para la nueva temperatura inicial ser una traslacin en t de la solucin para
el T
0
original). La acotacin
(T
e
T
0
)e
H
M
(t
f
t
0
)
T
e
T(t),
la cual se deduce, de forma trivial, del apartado d) del Teorema 3.1.1, da idea de cmo estn
relacionados, en estos trminos, (t
f
t
0
) y T
0
.
2
Al igual que ocurra en el Captulo 2, en funcin de la informacin disponible sobre la tempe-
ratura T en [t
0
, t
f
], el problema inverso se plantea en cuatro escenarios:
E1) El primer escenario que consideramos es el caso de que se conozca la funcin T en todo el
intervalo [t
0
, t
f
] (y, por tanto, tambin su derivada); como ya se ha comentado, se trata de un
problema meramente acadmico. Bajo las hiptesis realizadas sobre H, su identicacin se
obtendra de manera inmediata a partir de la igualdad
H(T(t)) =
T
(t)
T
e
T(t)
o, equivalentemente,
H(s) =
T
(T
1
(s))
T
e
s
,
dado que la funcin T es inyectiva, por ser creciente. De esta forma, la solucin del problema
inverso puede determinarse de manera nica.
E2) Si se conocen los valores de la funcin T, de forma exacta, en un nmero nito de instantes
arbitrarios de tiempo del intervalo [t
0
, t
f
], el problema se reduce, como en el Captulo 2 a un
problema estndar de derivacin aproximada.
E3) El tercer escenario en que nos situamos es cuando se conoce una funcin

T que aproxima la
temperatura en todo instante de tiempo.
E4) Finalmente, consideramos la situacin ms interesante en que tan slo se conoce una cantidad
discreta de valores

T
k
que aproximan los correspondientes valores de la funcin T.
Con objeto de llevar a cabo la identicacin en los tres ltimos escenarios, buscaremos un m-
todo estable que aproxime T
en ciertos instantes de tiempo; estas aproximaciones servirn para

calcular una cantidad discreta de valores aproximados de H en puntos del intervalo [T
0
, T(t
f
)].
Veamos cmo proceder a la determinacin de t
f
en las distintas situaciones que pueden plan-
tearse:
a) En el primer escenario, el valor de t
f
(con propiedad, el mnimo valor de t
f
que verica (3.2))
es la solucin de la ecuacin T(t) = T
e
; es decir,
t
f
= T
1
(T
e
).
b) En el segundo escenario tendremos en consideracin slo los valores de T en el rango en que
trabajamos, es decir, los que estn por debajo de T
e
. Para ello, se razonar como sigue:
supuestos conocidos p + 1 valores exactos de la temperatura T
0
, T
1
, . . . , T
p
en los instantes
0
= t
0
<
1
<
2
< . . . <
p
, se denen las cantidades
k
= T
e
T
k
.
En la prctica, el valor de se modica para que coincida con uno de los
k
. Si el umbral
de partida es menor que todas las cantidades
k
(i. e., cuando los valores conocidos de la
temperatura estn lejos de T
e
), se toma =
p
y se dene t
f
=
p
; en caso contrario, se dene
m = maxk :
k
y se toma =
m
y t
f
=
m
.
c) En el tercer escenario, suponemos que la funcin

T se conoce en un intervalo [t
0
, t
], en el que
se verica

T

T
C([t
0
,t
])
< ,
y que > (en caso de que necesitaramos aumentar el valor de ). La eleccin de t
f
se har como sigue:
Si

T(t) < T
e
+ para todo t t
(es decir, si los valores aproximados que tenemos

de la temperatura estn alejados de T
e
) tomaremos t
f
= t
, pero deberemos aumentar el

valor de y tomar = T
e

T(t
) +.
En caso contrario, se considera t
f
= mnt :

T(t) = T
e
+.
En resumen, tomamos
t
f
=
_
t
, si

T(t) < T
e
+ para todo t t
mnt :

T(t) = T
e
+, en caso contrario,
(3.3)
con el valor de adecuado a cada caso. Ntese que, con esta eleccin de t
f
, se tiene que
T(t) T(t
f
)

T(t
f
) = T
e
, t t
f
;
es decir, los valores de la temperatura aproximada que no se utilizan (o que no se conocen)
corresponden a instantes de tiempo en los que la temperatura exacta est fuera del rango en
que trabajamos.
Observacin 3.2.2 La eleccin de t
f
y la monotona de T hacen que se verique, si t t
f
,
_
_
_
T
e
T(t) T
e
T(t
f
) T
e

T(t
f
) = 2
T
e

T(t) T
e
T(t) 3.
(3.4)
Para garantizar que estas cotas inferiores sean positivas necesitaremos imponer al umbral la
restriccin > 3.
2
d) En el cuarto escenario, la eleccin del valor t
f
se har de una forma un poco ms laboriosa.
Los datos de partida son las mediciones

T
k
para las que suponemos que [T(
k
)

T
k
[ <

, con
> 0, donde
0
= t
0
<
1
<
2
< . . . <
p
es una secuencia de instantes de tiempo. A
partir de ellos se construye

T como una funcin interpoladora de los valores
T
0
,

T
1
, . . . ,

T
p
en los instantes
0
,
1
, . . . ,
p
, y se considera > 0 tal que
T

T
C([
0
,p])
< .
Nuevamente, (que ser mayor o igual que

) da cuenta del error cometido al aproximar la
temperatura por una funcin que ahora interpola, no ya los valores de T, sino valores que son,
a su vez, aproximaciones de los valores de T en los puntos
k
.
A partir de esta funcin

T la eleccin de t
f
se hace como en el escenario anterior.
3.3. Teora de regularizacin. Algoritmos clsicos
En esta seccin supondremos que el contexto en que trabajamos es el caso ms general del
cuarto escenario. Una vez determinado el valor de t
f
, partimos del problema de valor inicial
_
T
(t) = H(T(t))(T
e
T(t)), t [t
0
, t
f
]
T(t
0
) = T
0
,
(3.5)
en el que se pretende determinar la funcin H continua y positiva, cuando se tiene una funcin

T
(generada a partir de un nmero nito de mediciones, eventualmente, con error) que aproxima la
temperatura T.
Con este objetivo, presentamos la teora de regularizacin y dos algoritmos clsicos fundamen-
tados en ella. Previamente, debemos plantear el problema inverso en un marco funcional adecuado,
cuando los datos vienen dados sin error.
3.3.1. Marco funcional del problema inverso
A partir de la ecuacin diferencial de (3.5), y denotando
u(t) = H(T(t)), t [t
0
, t
f
],
se tiene que
_
t
t
0
u(s) ds =
_
t
t
0
H(T(s)) ds =
_
t
t
0
T
(s)
T
e
T(s)
ds = ln
_
T
e
T(t)
T
e
T
0
_
.
De esta forma, eligiendo unos espacios funcionales adecuados X e Y , y deniendo el operador
K : X Y mediante
Kx(t) =
_
t
t
0
x(s) ds, (3.6)
nuestro problema puede plantearse como
Ku = y
3.3 Teora de regularizacin. Algoritmos clsicos 89
donde
y(t) = ln
_
T
e
T(t)
T
e
T
0
_
, t [t
0
, t
f
]. (3.7)
Ntese que, gracias al Teorema 3.1.1, podemos armar que la funcin y est bien denida y
es positiva (de hecho, es de clase uno).
Con vistas a aplicar la teora clsica de regularizacin, la cual se enmarca en espacios de
Hilbert (vanse [9], [35] y [42], por ejemplo), elegiremos X = Y = L
2
(t
0
, t
f
), siendo
L
2
(t
0
, t
f
) =
_
f : (t
0
, t
f
) R :
_
t
f
t
0
(f(s))
2
ds <
_
.
Tambin utilizaremos el espacio de Sobolev H
1
(t
0
, t
f
) de las funciones de cuadrado integrable
cuya derivada en sentido de distribuciones (cf., por ejemplo, [4]) tambin lo es, i. e.,
H
1
(t
0
, t
f
) =
_
f L
2
(t
0
, t
f
) : f
L
2
(t
0
, t
f
)
_
.
La siguiente proposicin recoge algunas de las propiedades del operador K. Previamente,
enunciamos un resultado (Teorema A.33 de [42, pg. 230]) que usaremos en la demostracin de
dicha proposicin:
Teorema 3.3.1 Sea k L
2
((c, d) (a, b)). El operador K : L
2
(a, b) L
2
(c, d) denido por
Kx(t) =
_
b
a
k(t, s)x(s) ds, t (c, d), x L
2
(a, b),
es compacto de L
2
(a, b) en L
2
(c, d).
2
Proposicin 3.3.2 El operador K : L
2
(t
0
, t
f
) L
2
(t
0
, t
f
) denido en (3.6) es lineal y compacto.
Adems:
a) [[K[[
t
f
t
0
2
. (Aqu [[[[ representa la norma en L(L
2
(t
0
, t
f
), L
2
(t
0
, t
f
))).
b) Para cada x L
2
(t
0
, t
f
) se verica que (Kx)
= x; en consecuencia, Kx H
1
(t
0
, t
f
).
c) El operador K es inyectivo.
d) El rango de K es denso en L
2
(t
0
, t
f
).
e) El adjunto de K es el operador K
: L
2
(t
0
, t
f
) L
2
(t
0
, t
f
) dado por
K
y(t) =
_
t
f
t
y(s) ds.
DEMOSTRACIN. Veamos, en primer lugar, que el operador K lleva las funciones de L
2
(t
0
, t
f
)
en funciones de ese mismo espacio, por lo que est bien denido. Para ello, basta considerar
x L
2
(t
0
, t
f
) y escribir
_
t
f
t
0
[Kx(t)[
2
dt
_
t
f
t
0
__
t
t
0
[x(s)[ ds
_
2
dt
_
t
f
t
0
__
t
t
0
1
2
ds
___
t
t
0
[x(s)[
2
ds
_
dt
_
t
f
t
0
(t t
0
)
__
t
f
t
0
[x(s)[
2
ds
_
dt =
(t
f
t
0
)
2
2
[[x[[
2
L
2
(t
0
,t
f
)
.
(3.8)
Por otra parte, es claro que el operador K es lineal. Que es compacto se deduce directamente
del Teorema 3.3.1, tomando como la funcin k(t, s) que en l aparece, para cada t (t
0
, t
f
), la
funcin caracterstica del intervalo (t
0
, t), i. e.,
k(t, s) =
_
1, t
0
< s < t
0, en otro caso.
Probemos el resto de propiedades:
a) Es consecuencia directa de la desigualdad (3.8).
b) Demostremos que la derivada generalizada de Kx es x L
2
(t
0
, t
f
). Para ello, considera-
mos (
c
(t
0
, t
f
), el espacio de las funciones innitamente derivables con soporte compacto en
(t
0
, t
f
); para cada funcin test (
c
(t
0
, t
f
) se tiene que
(Kx)
, ) = Kx,
) =
_
t
f
t
0
__
t
t
0
x(s) ds
_
(t) dt =
_
t
f
t
0
x(t)(t) dt = x, ).
Aqu estamos usando la notacin habitual , ) para denotar el producto de dualidad entre el
espacio de las distribuciones en (t
0
, t
f
) y el espacio de funciones test (
c
(t
0
, t
f
).
c) El operador K es inyectivo puesto que, si x L
2
(t
0
, t
f
), se tiene que:
Kx = 0 (Kx)
= 0 x = 0.
d) Claramente, el rango de K es el conjunto
R(K) = v H
1
(t
0
, t
f
) : v(t
0
) = 0 (
c
(t
0
, t
f
).
El resultado se sigue teniendo en cuenta la densidad de (
c
(t
0
, t
f
) en L
2
(t
0
, t
f
) (cf., por ejem-
plo, [4]).
e) Dado y L
2
(t
0
, t
f
), consideramos
Y (t) =
_
t
t
f
y(s) ds.
Razonando como en a) se tiene que la derivada generalizada de Y verica Y
= y. As, para
cada u L
2
(t
0
, t
f
), puesto que tanto Y como Ku estn en H
1
(t
0
, t
f
), podemos escribir
(Ku, y)
L
2
(t
0
,t
f
)
=
_
t
f
t
0
__
t
t
0
u(s) ds
_
y(t) dt =
__
t
t
0
u(s) ds
_
Y (t)
t
f
t
0
_
t
f
t
0
u(t)Y (t) dt
=
_
t
f
t
0
u(t)(Y (t)) dt = (u, Y )
L
2
(t
0
,t
f
)
.
Por tanto,
K
y(t) = Y (t) =
_
t
f
t
y(s) ds.
2
Recuperando ahora el problema original en el que nuestros datos son valores de la temperatura
afectados de un cierto error, partimos de unas mediciones

T
k
tales que [T(
k
)

T
k
[ <

, y una
funcin interpoladora de ellas

T de forma que
T

T
C([t
0
,t
f
])
< .
Esto nos proporcionar un segundo miembro
y
(t) = ln
_
T
e

T(t)
T
e
T
0
_
(3.9)
para el problema aproximado
Ku
= y
.
Observacin 3.3.3 La segunda acotacin de (3.4) nos permite asegurar que si la interpolacin

T
es regular (por ejemplo, lineal a trozos) entonces y
H
1
(t
0
, t
f
) (y es, por tanto, continua). Como
el valor de la medicin de la temperatura en el instante inicial es, obviamente, T
0
, se tiene que
y
(t
0
) = 0 y, por tanto, que y
est en el rango de K.
2
El siguiente resultado da cuenta de cmo aproxima y
a y en funcin de cmo sea la aproxi-

macin de

T a T.
Proposicin 3.3.4 Consideremos las funciones y e y
dadas en (3.7) y (3.9), respectivamente, y

supongamos que > 3 (vase la Observacin 3.2.2). Entonces
[[y y
[[
C([t
0
,t
f
])
<

3
.
En consecuencia,
[[y y
[[
L
2
(t
0
,t
f
)
< e(),
siendo
e() =
t
f
t
0
3
. (3.10)
DEMOSTRACIN. A partir de la denicin de las funciones y e y
, y evaluando en el punto

T(t)
el desarrollo de Taylor de primer orden de la funcin s ln(T
e
s) alrededor del punto T(t),
para cada t [t
0
, t
f
] se tiene que
[y(t) y
(t)[ =
ln(T
e

T(t)) ln(T
e
T(t))
T(t)

T(t)
T
e
T
,
donde T
es un valor intermedio entre T(t) y

T(t) que expresamos en la forma
T
= T(t) + (1 )
T(t),
con 0 < < 1.
Usando ahora las estimaciones (3.4), podemos escribir
T
e
T
= (T
e
T(t)) + (1 )(T
e

T(t))
( 2) + (1 )( 3)
= (3 ) > 3,
por lo que
[y(t) y
(t)[ <
[T(t)

T(t)[
3

3
,
obtenindose la primera acotacin.
La segunda acotacin se deduce sin ms que tomar norma en L
2
(t
0
, t
f
) en la anterior desigual-
dad.
2
Observacin 3.3.5 Ntese que e() es una O(), es decir, e() y tienen el mismo orden de
convergencia a cero.
2
3.3.2. Estrategias de regularizacin
Antes de desarrollar la estrategias de regularizacin para nuestro problema en concreto, es
conveniente introducir alguna terminologa que ayudar a entender el contexto en que stas se
plantean; las deniciones y resultados principales pueden encontrarse en el libro de A. Kirsch [42].
En primer lugar, denimos el concepto de estrategia de regularizacin, lo cual no es ms que
una sucesin de operadores que, en algn sentido, converja al inverso del operador que rija el
problema.
Denicin 3.3.6 Sean X, Y espacios de Hilbert y / : X Y un operador lineal, compacto e
inyectivo. Se denomina estrategia de regularizacin del operador / a una familia de operadores
lineales acotados
R
: Y X, > 0,
tales que
lm
0
R
/x = x
para todo x X. Es decir, R
/ converge puntualmente a la identidad cuando tiende a 0.

2
Estas familias de operadores regularizantes se utilizan del siguiente modo: Cuando se pretende
resolver el problema /x = y, pero en lugar del dato exacto y se tiene una aproximacin y
con
[[y y
[[
Y
, se denen las soluciones aproximadas
x
,
= R
.
La idea es elegir los operadores R
y = (), tendiendo a cero cuando lo hace , de forma

que

x
(),
x
X
tienda a cero con . Esto da pie a la siguiente denicin:
Denicin 3.3.7 Una estrategia de regularizacin asociada al parmetro = () se dice admi-
sible si
a) lm
0
() = 0.
b) lm
0
sup
y
R
()
y
X
: [[Kx y
[[
Y
= 0, para cada x en X.
2
Observacin 3.3.8 Puesto que
[[x
,
x[[
X
[[R
y[[
X
+[[R
y x[[
X
[[R
[[ +[[R
/x x[[
X
, (3.11)
una forma de conseguir una estrategia de regularizacin admisible es elegir R
()
, con () ten-
diendo a cero con , e intentar minimizar la cota superior en (3.11) respecto a . Puede probarse
(cf. Teorema 2.2 de [42, pg. 25]) que

R
()
tiende a innito cuando tiende a cero; el argu-

mento para decidir la eleccin es que esta convergencia sea de orden
s
con 0 < s < 1, habida
cuenta de que

R
()
/x x
X
converge a cero cuando tiende a cero, por la propia denicin
de estrategia de regularizacin.
2
Regularizacin de Tikhonov. Principio de discrepancia de Morozov
La estrategia introducida por Tikhonov (vase, v. gr., [71] o [72]) para resolver un problema
como el que nos planteamos,
Ku
= y
,
consiste en minimizar el denominado funcional de Tikhonov
J
(x) = [[Kx y
[[
2
L
2
(t
0
,t
f
)
+[[x[[
2
L
2
(t
0
,t
f
)
(3.12)
con = () > 0 elegido adecuadamente (vanse la Observacin 3.3.12 y el Principio de dis-
crepancia de Morozov, ms adelante). El funcional (3.12) tiene un nico mnimo u
,
que es, a su
vez, la nica solucin de la ecuacin de Tikhonov
(I +K
K)x = K
(3.13)
(cf. el Teorema 2.11 de [42, pg. 38]). En este caso, la estrategia de regularizacin viene dada por
la familia de operadores lineales
R
: L
2
(t
0
, t
f
) L
2
(t
0
, t
f
)
denidos como
R
y = (I +K
K)
1
K
y. (3.14)
Observacin 3.3.9 Ntese que si se toma = 0 en la ecuacin (3.13) se obtienen las ecuaciones
normales del operador K, asociadas a la minimizacin del funcional (cuadrtico) J
0
, minimiza-
cin que constituye un problema mal planteado en el sentido de Hadamard, puesto que no hay
continuidad de la solucin respecto a los datos (cf. el Lema 2.10 de [42, pg. 37]). sta es la razn
de que se introduzca esta penalizacin en trminos de .
2
Veamos que la solucin de (3.13) es, a su vez, solucin de un problema de contorno de segundo
orden.
Proposicin 3.3.10 La solucin u
,
de la ecuacin de Tikhonov (3.13) es solucin del problema
de contorno
_
_
x
(t) +x(t) = y
(t), t (t
0
, t
f
)
x
(t
0
) = 0
x(t
f
) = 0.
(3.15)
Adems, si denotamos por (r) =
t
f
r
, dicha solucin puede escribirse como

u
,
(t) =
1
,
(t) cosh (t) +
,
(t) senh (t)
_
, (3.16)
siendo
_
,
(t) =
_
t
f
t
y
(s) senh (s) ds
,
(t) =
_
t
t
0
y
(s) cosh (s) ds tanh (t

0
)
,
(t
0
).
DEMOSTRACIN. A partir de la Proposicin 3.3.2, la ecuacin (3.13) se escribe como
x(t) +
_
t
f
t
__
s
t
0
x() d
_
ds =
_
t
f
t
y
(s)ds,
de donde se deduce, en primer lugar, que x(t
f
) = 0. Adems, como y
H
1
(t
0
, t
f
) e y
(t
0
) = 0
(vase la Observacin 3.3.3), podemos derivar la expresin anterior para obtener
x
(t)
_
t
t
0
x(s) ds = y
(t),
con lo que, en particular, x
(t
0
) = y
(t
0
) = 0. Derivando nuevamente, se concluye que
x
(t) x(t) = y
(t),
de donde se deduce que x es solucin del problema (3.15).
La expresin de la solucin (3.16) se obtiene utilizando (tediosas) tcnicas estndar de resolu-
cin de problemas de contorno en dimensin uno.
2
Enunciamos a continuacin un resultado que da idea de cmo conseguir que la estrategia de
regularizacin de Tikhonov sea admisible:
Teorema 3.3.11 Sea / : X Y un operador lineal y compacto. Si se elige = () vericando
lm
0
() = 0 y lm
0
2
()
= 0,
entonces la estrategia de regularizacin de Tikhonov para /,
R
= (I +/
/)
1
/
,
es admisible.
DEMOSTRACIN. Vase el Teorema 2.12 de [42, pg. 39].
2
Observacin 3.3.12 Puesto que el operador K es lineal y compacto (cf. la Proposicin 3.3.2),
aplicando el Teorema 3.3.11 obtenemos que si se elige = () de forma que
lm
0
() = 0 y lm
0
(e())
2
()
= 0,
entonces la estrategia de regularizacin de Tikhonov para K es admisible. Por tanto, se verica
que
lm
0
u
(),
u
L
2
(t
0
,t
f
)
= 0
ya que, gracias a la Proposicin 3.3.4, se tiene que [[y y
[[
L
2
(t
0
,t
f
)
< e().
2
Observacin 3.3.13 Ntese que, cualquiera que sea ,= 0, la solucin del problema (3.16) se
anula en t
f
. Esto es as porque la condicin de contorno es, en realidad,
x(t
f
) = 0.
El hecho de que la solucin aproximada se anule en el instante nal es un mal condicionante
para todas las aproximaciones que se basen en la estrategia de Tikhonov, pues la solucin sin error
no verica, en general, esta propiedad. Esto hace que, aunque el error en L
2
(t
0
, t
f
) sea pequeo, el
error en (([t
0
, t
f
]) con la norma del supremo pueda ser grande. Trataremos de evitar ese problema
con una metodologa alternativa que desarrollaremos en la Seccin 3.4.
2
El principio de discrepancia de Morozov (vase [55]) determina una forma de elegir el par-
metro = () en la estrategia de regulacin de Tikhonov. En concreto, se trata de elegir () de
forma que la solucin u
(),
de la ecuacin (3.13), dada por la expresin (3.16), verique que
Ku
(),
y
L
2
(t
0
,t
f
)
= e() (3.17)
supuesto que
[[y y
[[
L
2
(t
0
,t
f
)
< e() < [[y
[[
L
2
(t
0
,t
f
)
.
En esta situacin, los Teoremas 2.16 y 2.17 de [42, pg. 48 y ss.] aseguran que existe un nico
que verique (3.17) y de forma que la estrategia de regularizacin denida por los operado-
res (3.14) asociados a esta eleccin de sea admisible.
As pues, gracias a este principio, la solucin de nuestro problema para los datos y
descritos
en (3.9) vendr dada por la frmula (3.16) cuando se elige como la nica raz de la funcin
F() = [[Ku
[[
2
L
2
(t
0
,t
f
)
(e())
2
,
donde u
, y
y e() vienen dados por (3.16), (3.9) y (3.10), respectivamente.

Como se ver en la Seccin 3.5, utilizaremos el mtodo de la secante para aproximar numri-
camente la (nica) solucin de esta ecuacin no lineal.
Otras metodologas para la eleccin del parmetro de forma que la regularizacin de Tikho-
nov siga produciendo una estrategia admisible (por ejemplo, el mtodo de la Lcurva) pueden
encontrarse en trabajos como [22] y [23].
Mtodo iterativo de Landweber
El mtodo iterativo introducido por Landweber en [45] viene dado por
_
x
0
= 0
x
m
= (I a/
/)x
m1
+a/
y, m = 1, 2, . . .
(3.18)
donde a es un nmero real positivo. Esta iteracin puede verse como la correspondiente a un
mtodo de gradiente con paso a, aplicado a la minimizacin del funcional : X R denido
por
(x) =
1
2
[[/x y[[
2
Y
.
Por otra parte, es muy sencillo probar por induccin que la iteracin (3.18) permite escribir
x
m
= R
m
y, donde los operadores R
m
: Y X estn denidos por
R
m
= a
m1
k=0
(I a/
/)
k
/
.
De esta forma, el mtodo de Landweber queda tambin enmarcado en el contexto de las estra-
tegias de regularizacin.
En nuestro problema asociado al operador K, siguiendo el Teorema 2.19 de [42, pg. 53],
tomaremos un parmetro a que verique
0 < a <
1
[[K[[
2
(3.19)
y usaremos como test de parada de las iteraciones el hecho de que
[[Kx
m
y
[[
2
L
2
(t
0
,t
f
)
r(e())
2
siendo r > 1 tal que
[[y
[[ re().
Observacin 3.3.14 La acotacin de [[K[[ dada en el apartado a) de la Proposicin 3.3.2 permite
asegurar que si se elige el parmetro a vericando
0 < a <
2
(t
f
t
0
)
2
se cumplir la condicin (3.19).
2
Observacin 3.3.15 Hay que destacar que, puesto que x
0
(t
f
) = 0, y al aplicar K
a cualquier
funcin, la imagen se anula en t
f
, todas las iteraciones de Landweber vericarn tambin
x
m
(t
f
) = 0.
Nuevamente, las aproximaciones que se obtengan mediante este mtodo tendrn esta mala
propiedad.
2
3.4. Un algoritmo numrico para la identicacin
Presentamos en esta seccin la adaptacin al problema que ahora nos ocupa de los argumentos
desarrollados en la Seccin 2.4. Como all se hizo, recogemos las distintas formas de abordar el
problema de identicar el coeciente H en funcin de la informacin que se tenga de la tempe-
ratura, es decir, del escenario en que se plantee el problema inverso; en el tratamiento del cuarto
escenario se describe un algoritmo iterativo que proporcionar una aproximacin de H. En todos
los casos, supondremos que se ha jado el valor de t
f
segn lo prescrito en la Seccin 3.2 y, por
tanto, el problema directo se plantea en la forma (3.5).
3.4.1. Identicacin a partir de una cantidad nita de valores exactos de la tempe-
ratura
Partimos de n N valores de la temperatura T
k
= T(t
k
) que se suponen conocidos; aqu
t
k
= t
0
+kh para k = 0, 1, . . . , n, donde h =
t
f
t
0
n
.
Teniendo en cuenta que la ecuacin diferencial del problema (3.1) puede reescribirse como
T
(t)
T
e
T(t)
= H(T(t)), t
0
< t < t
f
,
nuestro objetivo ser encontrar, para k = 0, 1, . . . , n, valores

H
k
que aproximen los cocientes
T
(t
k
)
T
e
T(t
k
)
o, lo que es lo mismo, que aproximen H(T
k
). Para ello, consideraremos los cocientes
H
k
=
R
h
(T)(t
k
)
T
e
T
k
para k = 0, 1, . . . , n; de nuevo tomamos como R
h
el operador de derivacin aproximada introdu-
cido en el apartado 2.4.1 y que reproducimos a continuacin:
R
h
(v)(t) =
_
_
3v(t) + 4v(t +h) v(t + 2h)
2h
+
h
(v)(t
0
), t [t
0
, t
0
+h]
v(t +h) v(t h)
2h
, t [t
0
+h, t
f
h]
3v(t) 4v(t h) +v(t 2h)
2h
+
h
(v)(t
f
3h), t [t
f
h, t
f
]
donde
h
(v)(t) =
v(t + 3h) 3v(t + 2h) + 3v(t +h) v(t)
2h
.
Para los valores de

H
k
as denidos se verica la siguiente acotacin del error:
3
([t
0
, t
f
]) entonces
max
k=0,1,...,n
H(T
k
)

H
k

29M
3
6
h
2
, (3.20)
donde M
3
= [[T
[[
C([t
0
,t
f
])
.
DEMOSTRACIN. La monotona de T implica que
T
e
T
k
T
e
T(t
f
) = .
Por tanto, basta aplicar el Lema 2.4.2 para tener el resultado.
2
3.4.2. Identicacin a partir de una funcin que aproxime la temperatura
Recordemos que en este escenario se supone conocida una funcin

T (([t
0
, t
f
]) con
T

T
C([t
0
,t
f
])
< (3.21)
para algn (0, ). Por simplicidad y consistencia con las propiedades de T, asumiremos que
T(t) T
0
, t [t
0
, t
f
] (en otro caso, bastara truncar

T(t) por T
0
o despreciar las mediciones que
estn por debajo de la temperatura inicial). Deniendo
u(t) =
T
(t)
T
e
T(t)
, t
0
< t < t
f
y su aproximacin
u
h
(t) =
R
h
(
T)(t)
T
e

T(t)
, t
0
< t < t
f
,
obtenemos la estimacin del error anloga a la de la Proposicin 2.4.6:
Proposicin 3.4.2 Sean T (
3
([t
0
, t
f
]) y

T (([t
0
, t
f
]) vericando (3.21) con 0 < <

3
.
Entonces,
[[u u
h
[[
C([t
0
,t
f
])

1
2
_
29M
3
6
h
2
+
4
h
T
e
T
0
+ 2
3
_
. (3.22)
DEMOSTRACIN. La demostracin discurre paralelamente a la de la Proposicin 2.4.6, sin ms
que utilizar las acotaciones (3.4) y el hecho de que los valores menor y mayor de

T son T
0
y
T
e
+, respectivamente.
Escribiendo
u(t) u
h
(t) =
T
(t) R
h
(T)(t)
T
e
T(t)
+R
h
(T)(t)
T(t)

T(t)
(T
e
T(t))(T
e

T(t))
+
R
h
(T)(t) R
h
(
T)(t)
T
e

T(t)
,
el primer sumando se acota, gracias al Lema 2.4.2, por
29h
2
6(T
e
T(t))
C([t
0
,t
f
])

29M
3
6( 2)
h
2
.
El segundo y tercer sumandos se tratan en funcin de los intervalos de denicin del operador
R
h
:
a) Cuando t [t
0
+h, t
f
h] tenemos
[R
h
(T)(t)[
T(t
f
) T
0
2h

T(t
f
) + T
0
2h
=
T
e
T
0
+ 2
2h
.
As pues,
R
h
(T)(t)
T(t)

T(t)
(T
e
T(t))(T
e

T(t))
T
e
T
0
+ 2
2h
( 2)( 3)
=

2( 3)h
_
T
e
T
0
2
1
_
.
Por otra parte,
R
h
(T)(t) R
h
(
T)(t)

1
2h
_
T(t +h)

T(t +h)
T(t h)

T(t h)

h
,
y, con ello,
R
h
(T)(t) R
h
(
T)(t)
T
e

T(t)
1
h
3
.
b) En el intervalo [t
0
, t
0
+h] se tiene
[R
h
(T)(t)[
3T(t) + 4T(t +h) T(t + 2h)

2h
+[
h
(T)(t
0
)[
4(T(t
f
) T
0
)
2h
+
4(T(t
f
) T
0
)
2h
4(
T(t
f
) + T
0
)
h
=
4(T
e
T
0
+ 2)
h
.
Consecuentemente,
R
h
(T)(t)
T(t)

T(t)
(T
e
T(t))(T
e

T(t))
4(T
e
T
0
+ 2)
h
( 2)( 3)
=
4
( 3)h
_
T
e
T
0
2
1
_
.
En cuanto al tercer sumando, teniendo en cuenta que
R
h
(T)(t) R
h
(
T)(t)
T(t)

T(t)
2h
+
4
T(t +h)

T(t +h)
2h
+
T(t + 2h)

T(t + 2h)
2h
+
h
(T)(t
0
)
h
(
T)(t
0
)
8
h
,
se concluye
R
h
(T)(t) R
h
(
T)(t)
T
e

T(t)
1
h
8
3
.
c) Finalmente, si t [t
f
h, t
f
] se obtienen las mismas acotaciones que en el primer intervalo
[t
0
, t
0
+h].
Reuniendo estas desigualdades obtenemos
[[u u
h
[[
C([t
0
,t
f
])

29M
3
6( 2)
h
2
+
4
( 3)h
_
T
e
T
0
2
1
_
+
8
( 3)h
29M
3
6( 2)
h
2
+
4
( 3)h
_
1 +
T
e
T
0
2
_
=
1
2
_
29M
3
6
h
2
+
4
h
T
e
T
0
+ 2
3
_
.
2
Observacin 3.4.3 Tiene inters comparar la acotacin (3.22) con la acotacin (3.11) relativa a
la estrategias de regularizacin, que se analiza en la Observacin 3.3.8, aunque el marco funcional
sea distinto, puesto que la teora de regularizacin se ha planteado en espacios de Hilbert.
Consideremos el operador
K : (([t
0
, t
f
]) (([t
0
, t
f
])
que a cada funcin u le hace corresponder la solucin del problema
_
T
(t) = u(t)(T
e
T(t)), t [t
0
, t
f
]
T(t
0
) = T
0
,
es decir, Ku = T, donde
T(t) = T
e
(T
e
T
0
)e
_
t
t
0
u(s) ds
.
Denimos la familia de operadores
h
: (([t
0
, t
f
]) (([t
0
, t
f
])
mediante
h
y =
R
h
(I
h
(y))
T
e
I
h
(y)
,
donde I
h
es el operador de interpolacin que estamos usando para construir

T. Si este operador de
interpolacin verica
lm
h0
[[I
h
(y) y[[
C([t
0
,t
f
])
= 0, y (([t
0
, t
f
])
(esto ocurre si, por ejemplo, se trabaja con interpolacin lineal a trozos), dicha familia constituye
una estrategia de regularizacin del operador K (aqu h juega el papel del parmetro de regulari-
zacin de la Denicin 3.3.6). As pues, el algoritmo que estamos considerando en esta seccin
puede pensarse en el marco de la teora de regularizacin, aunque trabajando en este caso con el
espacio de las funciones continuas.
La cantidad
1
2
_
29M
3
6
h
2
_
en (3.22) es la correspondiente [[
h
Ku u[[ de (3.11). Asimismo, el factor que aparece multi-
plicando a en (3.22) se corresponde con el trmino [[
h
[[ de (3.11).
En consecuencia, como se deca en la Observacin 3.3.8, la idea ser elegir h en funcin de
de forma que se minimice el valor de la cota obtenido en (3.22).
2
El siguiente resultado versa sobre esta minimizacin:
Proposicin 3.4.4 Bajo las hiptesis de la Proposicin 3.4.2, el valor mnimo del segundo miem-
bro de la desigualdad (3.22) se obtiene cuando se toma como paso temporal
h
=
_
12(T
e
T
0
+ 2)
29( 3)M
3
_1
3
. (3.23)
En este caso, la acotacin (3.22) se escribe
[[u u
h
[[
C([t
0
,t
f
])

1
2
_
522M
3
(T
e
T
0
+ 2)
2
( 3)
2

2
_
1
3
.
DEMOSTRACIN. La demostracin es la misma que la de la Proposicin 2.4.7, tomando
a =
29M
3
6
, b = 4
_
T
e
T
0
+ 2
3
_
y c =
1
2
.
2
Observacin 3.4.5 Situndonos de nuevo en el contexto de la teora de regularizacin, el resulta-
do anterior demuestra que la familia de operadores
h
denida en la Observacin 3.4.3 constituye
una estrategia de regularizacin admisible siempre que se tome h en funcin de segn la rela-
cin (3.23).
2
Eligiendo h
como en (3.23), tomando n como la parte entera de

t
f
t
0
h
y con la notacin
correspondiente, t
k
= t
0
+kh
,

T
k
=

T(t
k
) y
H
k
= u
h
(t
k
) =
R
h
(
T)(t
k
)
T
e

T
k
para k = 0, 1, . . . , n, podemos enunciar el principal resultado de esta seccin:
Teorema 3.4.6 Si H (
1
([T
0
, T
e
]) y

T (([t
0
, t
f
]) satisface (3.21) con 0 < <

3
, entonces
max
k=0,1,...,n
H(
T
k
)

H
k
C([T
0
,T
e
])
+
1
2
_
522M
3
(T
e
T
0
+ 2)
2
( 3)
2

2
_
1
3
.
DEMOSTRACIN. Mediante la desigualdad triangular obtenemos
H(
T
k
)

H
k
H(
T
k
) H(T
k
)
H(T
k
)

H
k
C([T
0
,T
e
])
T

T
C([t
0
,t
f
])
+[[u u
h
[[
C([t
0
,t
f
])
.
El resultado se completa sin ms que tener en cuenta la Proposicin 3.4.4.
2
Observacin 3.4.7 Al igual que ocurra en el Captulo 2, el error cometido es de orden
2
3
. Por
otra parte, tambin ahora ser necesario aproximar el valor ptimo h
del paso temporal; con este

objetivo, disearemos un algoritmo iterativo en el prximo apartado.
2
temperatura
Nos adentramos nalmente en el cuarto escenario, en el que disponemos de mediciones ex-
perimentales de la temperatura
T
0
,

T
1
, . . . ,

T
p
que estn afectadas por un error de tamao

.
Vamos a trabajar con la hiptesis de que el mtodo de interpolacin utilizado para obtener la fun-
cin

T a partir de estos valores es tal que el error entre T y

T es del mismo orden que el error
de medicin, i. e., = C
.
Por ejemplo, si

T es la interpolacin lineal a trozos de las mediciones y llamamos T
int
a
la interpolacin lineal a trozos de los valores que T toma en los instantes
k
de medicin, la
monotona de T permite escribir
T

T
C([t
0
,t
f
])
[[T T
int
[[
C([t
0
,t
f
])
+
T
int
C([t
0
,t
f
])
max
1kp
[T(
k
) T(
k1
)[ +

max
1kp
_
[
T(
k
)

T(
k1
)[ + 2
_
+

= max
1kp
[
T
k

T
k1
[ + 3
.
Por lo tanto, cuando se usa este tipo de interpolacin, y

son del mismo orden siempre que
la diferencia entre dos medidas consecutivas sea del orden de

, lo cual es una hiptesis bastante
razonable, si bien puede requerir un incremento del nmero de mediciones.
Algoritmo para la determinacin de la funcin H
El algoritmo que se propone es una adaptacin del que se introduce en el apartado 2.4.3, con
ligeras modicaciones. An as, las sutiles diferencias en su aplicacin nos llevan a describirlo
con todo detalle.
Suponemos conocidas las mediciones
T
0
,

T
1
, . . . ,

T
p
, una cota del error de medida

y el
umbral admisible > 0. El algoritmo que se propone comienza con la construccin de la funcin
T que interpola los valores
T
k
p
k=0
, tras lo que se determinar una cota, > 0, del error cometido
en dicha interpolacin. Mediante los valores y se determina el tiempo nal t
f
utilizando la
relacin (3.3).
Tras ello, comienza un proceso iterativo en el que se parte de un valor tentativo inicial del paso
temporal h. A partir de l, se denen los instantes t
k
= t
0
+kh, k = 0, 1, . . . , n, siendo n la parte
entera de
t
f
t
0
h
, y se obtienen los valores

T
k
=

T(t
k
).
A continuacin, se calcula
3
, aproximacin de la norma innito de la derivada tercera de la
temperatura, como el mximo, en valor absoluto, de las cantidades
_
_
5
T
k
+ 18
T
k+1
24
T
k+2
+ 14
T
k+3
3
T
k+4
2h
3
, k = 0, 1
T
k+2
2
T
k+1
+ 2
T
k1

T
k2
2h
3
, k = 2, 3, . . . , n.
(3.24)
Los valores

T
n+1
=

T(t
n+1
) y

T
n+2
=

T(t
n+2
) estarn denidos si la eleccin de t
f
ha dejado
fuera sucientes mediciones. Si no fuera as, la derivada tercera en los dos ltimos puntos se
calcular mediante una frmula regresiva, la misma que se usaba en el apartado 2.4.3.
Con el valor de
3
obtenido se calcula un nuevo valor del paso temporal mediante la expresin
h =
_
12(T
e
T
0
+ 2)
29( 3)
3
_1
3
, (3.25)
con el cual se podr repetir la iteracin.
El proceso iterativo se detendr cuando el paso en el tiempo h se estabilice. Con dicho valor
nal de h, se calculan los nuevos instantes t
k
y la interpolacin de

T en ellos. Por ltimo, se
calculan los valores
H
k
= u
h
(t
k
) =
R
h
(
T)(t
k
)
T
e

T
k
, (3.26)
los cuales aproximan los valores de H en las temperaturas

T
k
, para k = 0, 1, . . . , n.
3.5 Resultados numricos. Comparacin entre los mtodos descritos 103
Algoritmo
DATOS
T
k
p
k=0
: mediciones de la temperatura.
> 0: cota del error en las mediciones.

> 0: umbral considerado.
: precisin del test de parada.
h: valor inicial (tentativo) del paso temporal
Paso 1: Determinar

T y en funcin de

.
Paso 2: Fijar t
f
segn (3.3) adaptando, si procede, el valor de .
Paso 3: Mientras que el error relativo en h sea mayor que la precisin :
a) Determinar la particin t
k
y calcular los valores
T
k
.
b) Calcular el valor de
3
como el mximo en k del valor absoluto de los valores
dados por (3.24).
c) Calcular el nuevo valor de h segn la frmula (3.25).
Paso 4: Determinar la particin nal t
k
y los correspondientes valores
T
k
.
Paso 5: Calcular las aproximaciones
H
k
segn la frmula (3.26).
3.5. Resultados numricos. Comparacin entre los mtodos descritos
Antes de pasar a describir los ejemplos sobre los que se han probado los tres algoritmos pre-
sentados, y comparar los resultados obtenidos con ellos, vamos a hacer algunas consideraciones
relativas al problema adimensional correspondiente.
3.5.1. Sobre la adimensionalizacin del problema
Llegaremos al problema adimensionalizado de forma paralela a como se hizo en la Seccin 2.5,
haciendo que la temperatura adimensional tome el valor cero en el menor valor de la temperatura
original (all en T
e
, aqu en T
0
).
Considerando las nuevas variables adimensionales
t
=
t t
0
t
f
t
0
y T
(t
) =
T(t) T
0
T
e
T
0
,
y teniendo en cuenta que
dT
dt
(t) =
d
dt
_
T
0
+ (T
e
T
0
)T
(t
)
_
= (T
e
T
0
)
dT
dt
(t
)
dt
dt
=
T
e
T
0
t
f
t
0
dT
dt
(t
),
la ecuacin diferencial del problema (3.5) se escribe como
T
e
T
0
t
f
t
0
dT
dt
(t
) = H
_
T
0
+ (T
e
T
0
)T
(t
)
__
T
e
T
0
(T
e
T
0
)T
(t
)
_
.
Si denotamos
H
(s) = (t
f
t
0
)H
_
(T
e
T
0
)s +T
0
_ _
H
(T
(t
)) = (t
f
t
0
)H(T(t))
_
el problema equivalente adimensionalizado se escribe como
_
_
_
dT
dt
(t
) = H
(T
(t
))(1 T
(t
)), t
(0, 1)
T
(0) = 0,
(3.27)
problema que, en principio, no depende de ningn parmetro.
Recordemos que el objetivo era identicar H para luego poder calcular la temperatura, en
distintas situaciones, sin necesidad de nuevas pruebas experimentales. Estas situaciones vendrn
dadas por distintas elecciones de la temperatura inicial (por encima de T
0
) y ambiente (menor que
T
e
). Sin prdida de generalidad, podemos suponer ja la temperatura inicial; adems, se tomar
una temperatura ambiente T
e
, con T
0
< T
e
< T
e
, y se supondr que el tiempo de evolucin llega
hasta t
f
. El problema adimensionalizado correspondiente a esta situacin es
_
_
_
dT
dt
(t
) = H
(T
(t
))(T
ea
T
(t
)), t
(0, 1)
T
(0) = 0,
(3.28)
donde
T
ea
=
T
e
T
0
T
e
T
0
.
As pues, las distintas situaciones se vern reejadas resolviendo el problema (3.28) para distintos
valores de T
ea
entre cero y uno.
3.5.2. Estudio comparativo de los resultados numricos
Presentamos aqu los resultados obtenidos en la resolucin de cuatro ejemplos concretos, me-
diante los tres algoritmos descritos en este captulo: el basado en el principio de discrepancia de
Morozov, el mtodo de Landweber y el algoritmo iterativo descrito en la Seccin 3.4. Trabajare-
mos con el problema adimensionalizado (3.27), aunque prescindiremos del superndice

en todas
las variables, con objeto de aligerar la notacin. La batera de pruebas la generamos, como se
hizo en el Captulo 2, resolviendo el problema directo para cada funcin H dada, evaluando la
solucin obtenida en 100 instantes de tiempo y generando las mediciones con error tras perturbar
dichas evaluaciones de la forma descrita en la Seccin 2.6; el tamao de dichas perturbaciones es,
recurdese, del orden del 1 %.
Nuevamente trabajaremos con cuatro tipos de funciones H: constante, oscilatoria, creciente y
decreciente. En concreto, nuestros ejemplos de prueba van a ser:
1) H(s) = 6
2) H(s) =
3
2
_
2 + sen(4s)
_
3) H(s) = 2 e
s
4) H(s) = 6 e
s
.
Tambin aqu (como se hizo en la Seccin 2.6) se han elegido las mismas siete perturbaciones
de la temperatura y se presentan, para cada caso, las dos que producen el menor y mayor error
en H (medido en norma L
2
para los mtodos de Morozov y Landweber y en norma innito en el
algoritmo iterativo). Una vez identicada H con cada uno de los tres mtodos, se resuelve el pro-
blema (3.28) usando dicha aproximacin, con valores del parmetro T
ea
que hemos tomado como
una cierta proporcin dT
ea
de l, con valores d = 0.75, 0.50 y 0.25. La solucin as calculada se
compara con la temperatura exacta correspondiente; el error en las temperaturas siempre se mide
en norma innito.
Cada gura est compuesta por diez grcos; los cinco de arriba muestran los resultados para
el menor error en H, mientras que los cinco de abajo son los correspondientes al mayor error.
En cada una de estas dos situaciones, los dos primeros grcos comparan, por una parte, el coe-
ciente H exacto con la aproximacin calculada; por otra, la temperatura exacta con la temperatura
hallada con esta aproximacin para el valor de partida de T
ea
= 1. A su vez, los tres grcos
restantes muestran las temperaturas exactas para los otros tres valores propuestos del parmetro
T
ea
, junto con las soluciones calculadas mediante la identicacin aproximada de H. Al igual
que en el Captulo 2, en los grcos aparece etiquetado como Error el error en H en las normas
correspondientes y como % Error el error relativo porcentual en la temperatura (cf. (2.28)).
Para construir la funcin aproximada

T se utiliza la interpolacin lineal a trozos de las medi-
ciones. Todas la integrales denidas que aparecen en los clculos realizados se han implementado
mediante la regla de los trapecios, usando como puntos donde valorar la funcin, exactamente los
puntos donde se tienen las medidas. As pues, estos clculos son independientes de la interpola-
cin empleada (o, dicho de otra forma, no cambiarn si, en lugar de interpolacin lineal a trozos,
se usa otro tipo de interpolacin).
Se ha elegido como valor inicial del umbral = 0.2. Una vez construida la funcin

T, este
valor habr que corregirlo de acuerdo con lo establecido en la Seccin 3.2, con vistas a jar el
valor de t
f
dado por (3.3).
Primer mtodo: Principio de discrepancia de Morozov
En la aplicacin del principio de discrepancia de Morozov, para el clculo del valor del par-
metro que resuelve la ecuacin (3.17) hemos aplicado el mtodo de la secante a la funcin
F() = [[Ku
,
y
[[
2
L
2
(t
0
,t
f
)
(e())
2
,
donde u
,
, y
y e() vienen dados por (3.16), (3.9) y (3.10), respectivamente.

Como puede observarse en las Figuras 3.1, 3.2, 3.3 y 3.4, este mtodo proporciona, salvo en
el caso constante, una identicacin de H poco adecuada: las temperaturas aproximadas quedan
relativamente alejadas de las exactas, especialmente en el caso de la funcin oscilante, con errores
relativos porcentuales (cf. (2.28)) altos; la situacin empeora cuando se disminuye el valor de
T
ea
, debido al mal comportamiento de la aproximacin de H para los valores ms pequeos de la
temperatura.
Segundo mtodo: Mtodo de Landweber
De acuerdo con la Observacin 3.3.14, se ha tomado como valor del parmetro a en la itera-
cin (3.18) el proporcionado, en cada caso, por a =
0.9
t
2
f
. Para otros valores de dicho parmetro
(dentro del rango admisible) los resultados obtenidos son muy similares.
Las Figuras 3.5, 3.6, 3.7 y 3.8 recogen los resultados obtenidos cuando se aplica el mtodo
de Landweber. Puede observarse ahora, en los tres casos en que el mtodo anterior proporcionaba
resultados poco adecuados, un comportamiento mucho mejor, aunque todava se producen errores
poco aceptables en el caso de la funcin oscilatoria, sobre todo, como ocurra en el mtodo ba-
sado en el principio de discrepancia de Morozov, cuando se disminuye el valor de la temperatura
exterior.
Tercer mtodo: Algoritmo iterativo
Los grcos comparativos para este mtodo (Figuras 3.9, 3.10, 3.11 y 3.12) muestran un com-
portamiento adecuado en todos los casos. Los errores relativos en la temperatura son siempre del
orden del 1 %. Es de destacar el buen comportamiento de este mtodo cuando se disminuye la tem-
peratura exterior; dicho comportamiento se explica por el hecho de que, con este mtodo, la mayor
discrepancia en la identicacin de H se da en los valores ms grandes de la temperatura. Adems,
recordamos que este mtodo soslaya la mala propiedad de los anteriores de que obligatoriamente
la aproximacin de H deba anularse en T(t
f
).
0 0.2 0.4 0.6 0.8
0
1
2
3
4
5
6
alpha=0.0021 error=0.949

H exacta
H identificada
0 0.1 0.2 0.3 0.4
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.1 0.2 0.3 0.4
0
0.2
0.4
0.6
0.8
d=0.75, % Error=0.76

T para H exacta
0 0.1 0.2 0.3 0.4
0
0.1
0.2
0.3
0.4
0.5
d=0.5, % Error=0.18

T para H exacta
0 0.1 0.2 0.3 0.4
0
0.05
0.1
0.15
0.2
0.25
d=0.25, % Error=0.03

T para H exacta
0 0.2 0.4 0.6 0.8
0
2
4
6

H exacta
H identificada
0 0.1 0.2 0.3 0.4
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.1 0.2 0.3 0.4
0
0.2
0.4
0.6
0.8
d=0.75, % Error=0.94

T para H exacta
0 0.1 0.2 0.3 0.4
0
0.1
0.2
0.3
0.4
0.5
d=0.5, % Error=0.24

T para H exacta
0 0.1 0.2 0.3 0.4
0
0.05
0.1
0.15
0.2
0.25
d=0.25, % Error=0.05

T para H exacta
Figura 3.1: Principio de Morozov y H constante. Menor error en H (Arriba) y mayor error en H
(Abajo). Valor de T
ea
: d = 0.75 (Izquierda), d = 0.5 (Centro), d = 0.25 (Derecha).
0 0.2 0.4 0.6 0.8
0
1
2
3
4

H exacta
H identificada
0 0.2 0.4 0.6 0.8
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.2 0.4 0.6 0.8
0
0.2
0.4
0.6
0.8
d=0.75, % Error=6.91

T para H exacta
0 0.2 0.4 0.6 0.8
0
0.1
0.2
0.3
0.4
d=0.5, % Error=9.92

T para H exacta
0 0.2 0.4 0.6 0.8
0
0.05
0.1
0.15
0.2
0.25
d=0.25, % Error=11.05

T para H exacta
0 0.2 0.4 0.6 0.8
0
1
2
3
4

H exacta
H identificada
0 0.2 0.4 0.6 0.8
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.2 0.4 0.6 0.8
0
0.2
0.4
0.6
0.8
d=0.75, % Error=6.91

T para H exacta
0 0.2 0.4 0.6 0.8
0
0.1
0.2
0.3
0.4
d=0.5, % Error=9.92

T para H exacta
0 0.2 0.4 0.6 0.8
0
0.05
0.1
0.15
0.2
0.25
d=0.25, % Error=11.07

T para H exacta
Figura 3.2: Principio de Morozov y H oscilante. Menor error en H (Arriba) y mayor error en H
(Abajo). Valor de T
ea
0 0.2 0.4 0.6 0.8
0
1
2
3
4

H exacta
H identificada
0 0.2 0.4 0.6 0.8
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.2 0.4 0.6 0.8
0
0.2
0.4
0.6
0.8
d=0.75, % Error=2.89

T para H exacta
0 0.2 0.4 0.6 0.8
0
0.1
0.2
0.3
0.4
d=0.5, % Error=3.74

T para H exacta
0 0.2 0.4 0.6 0.8
0
0.05
0.1
0.15
0.2
d=0.25, % Error=5.27

T para H exacta
0 0.2 0.4 0.6 0.8
0
1
2
3
4

H exacta
H identificada
0 0.1 0.2 0.3 0.4 0.5
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.1 0.2 0.3 0.4 0.5
0
0.2
0.4
0.6
0.8
d=0.75, % Error=2.72

T para H exacta
0 0.1 0.2 0.3 0.4 0.5
0
0.1
0.2
0.3
0.4
d=0.5, % Error=3.61

T para H exacta
0 0.1 0.2 0.3 0.4 0.5
0
0.05
0.1
0.15
0.2
d=0.25, % Error=5.19

T para H exacta
Figura 3.3: Principio de Morozov y H creciente. Menor error en H (Arriba) y mayor error en H
(Abajo). Valor de T
ea
0 0.2 0.4 0.6 0.8
0
1
2
3
4
5

H exacta
H identificada
0 0.1 0.2 0.3 0.4 0.5
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.1 0.2 0.3 0.4 0.5
0
0.2
0.4
0.6
0.8
d=0.75, % Error=4.31

T para H exacta
0 0.1 0.2 0.3 0.4 0.5
0
0.1
0.2
0.3
0.4
0.5
d=0.5, % Error=5.41

T para H exacta
0 0.1 0.2 0.3 0.4 0.5
0
0.05
0.1
0.15
0.2
0.25
d=0.25, % Error=7.27

T para H exacta
0 0.2 0.4 0.6 0.8
0
1
2
3
4
5

H exacta
H identificada
0 0.1 0.2 0.3 0.4 0.5
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.1 0.2 0.3 0.4 0.5
0
0.2
0.4
0.6
0.8
d=0.75, % Error=4.19

T para H exacta
0 0.1 0.2 0.3 0.4 0.5
0
0.1
0.2
0.3
0.4
0.5
d=0.5, % Error=5.28

T para H exacta
0 0.1 0.2 0.3 0.4 0.5
0
0.05
0.1
0.15
0.2
0.25
d=0.25, % Error=7.11

T para H exacta
Figura 3.4: Principio de Morozov y H decreciente. Menor error en H (Arriba) y mayor error en
H (Abajo). Valor de T
ea
0 0.2 0.4 0.6 0.8
0
2
4
6
iter=139 error=0.512

H exacta
H identificada
0 0.1 0.2 0.3 0.4
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.1 0.2 0.3 0.4
0
0.2
0.4
0.6
0.8
d=0.75, % Error=0.24

T para H exacta
0 0.1 0.2 0.3 0.4
0
0.1
0.2
0.3
0.4
0.5
d=0.5, % Error=0.24

T para H exacta
0 0.1 0.2 0.3 0.4
0
0.05
0.1
0.15
0.2
0.25
d=0.25, % Error=0.20

T para H exacta
0 0.2 0.4 0.6 0.8
0
2
4
6
iter=64 error=0.966

H exacta
H identificada
0 0.1 0.2 0.3 0.4
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.1 0.2 0.3 0.4
0
0.2
0.4
0.6
0.8
d=0.75, % Error=1.17

T para H exacta
0 0.1 0.2 0.3 0.4
0
0.1
0.2
0.3
0.4
0.5
d=0.5, % Error=0.38

T para H exacta
0 0.1 0.2 0.3 0.4
0
0.05
0.1
0.15
0.2
0.25
d=0.25, % Error=0.33

T para H exacta
Figura 3.5: Mtodo de Landweber y H constante. Menor error en H (Arriba) y mayor error en H
(Abajo). Valor de T
ea
0 0.2 0.4 0.6 0.8
0
1
2
3
4
5

H exacta
H identificada
0 0.2 0.4 0.6 0.8
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.2 0.4 0.6 0.8
0
0.2
0.4
0.6
0.8
d=0.75, % Error=1.29

T para H exacta
0 0.2 0.4 0.6 0.8
0
0.1
0.2
0.3
0.4
d=0.5, % Error=1.92

T para H exacta
0 0.2 0.4 0.6 0.8
0
0.05
0.1
0.15
0.2
0.25
d=0.25, % Error=2.98

T para H exacta
0 0.2 0.4 0.6 0.8
0
1
2
3
4

H exacta
H identificada
0 0.2 0.4 0.6 0.8
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.2 0.4 0.6 0.8
0
0.2
0.4
0.6
0.8
d=0.75, % Error=4.47

T para H exacta
0 0.2 0.4 0.6 0.8
0
0.1
0.2
0.3
0.4
d=0.5, % Error=6.45

T para H exacta
0 0.2 0.4 0.6 0.8
0
0.05
0.1
0.15
0.2
0.25
d=0.25, % Error=7.25

T para H exacta
Figura 3.6: Mtodo de Landweber y H oscilante. Menor error en H (Arriba) y mayor error en H
(Abajo). Valor de T
ea
0 0.2 0.4 0.6 0.8
0
1
2
3
4
5

H exacta
H identificada
0 0.2 0.4 0.6 0.8
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.2 0.4 0.6 0.8
0
0.2
0.4
0.6
0.8
d=0.75, % Error=0.52

T para H exacta
0 0.2 0.4 0.6 0.8
0
0.1
0.2
0.3
0.4
d=0.5, % Error=0.65

T para H exacta
0 0.2 0.4 0.6 0.8
0
0.05
0.1
0.15
0.2
d=0.25, % Error=0.56

T para H exacta
0 0.2 0.4 0.6 0.8
0
1
2
3
4
5

H exacta
H identificada
0 0.2 0.4 0.6 0.8
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.2 0.4 0.6 0.8
0
0.2
0.4
0.6
0.8
d=0.75, % Error=0.72

T para H exacta
0 0.2 0.4 0.6 0.8
0
0.1
0.2
0.3
0.4
d=0.5, % Error=0.88

T para H exacta
0 0.2 0.4 0.6 0.8
0
0.05
0.1
0.15
0.2
d=0.25, % Error=0.71

T para H exacta
Figura 3.7: Mtodo de Landweber y H creciente. Menor error en H (Arriba) y mayor error en H
(Abajo). Valor de T
ea
0 0.2 0.4 0.6 0.8
0
1
2
3
4
5
6

H exacta
H identificada
0 0.1 0.2 0.3 0.4 0.5
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.1 0.2 0.3 0.4 0.5
0
0.2
0.4
0.6
0.8
d=0.75, % Error=1.70

T para H exacta
0 0.1 0.2 0.3 0.4 0.5
0
0.1
0.2
0.3
0.4
0.5
d=0.5, % Error=2.24

T para H exacta
0 0.1 0.2 0.3 0.4 0.5
0
0.05
0.1
0.15
0.2
0.25
d=0.25, % Error=3.38

T para H exacta
0 0.2 0.4 0.6 0.8
0
1
2
3
4
5
iter=43 error=0.494

H exacta
H identificada
0 0.1 0.2 0.3 0.4 0.5
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.1 0.2 0.3 0.4 0.5
0
0.2
0.4
0.6
0.8
d=0.75, % Error=2.40

T para H exacta
0 0.1 0.2 0.3 0.4 0.5
0
0.1
0.2
0.3
0.4
0.5
d=0.5, % Error=3.14

T para H exacta
0 0.1 0.2 0.3 0.4 0.5
0
0.05
0.1
0.15
0.2
0.25
d=0.25, % Error=4.58

T para H exacta
Figura 3.8: Mtodo de Landweber y H decreciente. Menor error en H (Arriba) y mayor error en
H (Abajo). Valor de T
ea
0 0.2 0.4 0.6 0.8
0
2
4
6
h=0.05600 error=0.2826 it=1000

H exacta
H identificada
0 0.1 0.2 0.3 0.4
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.1 0.2 0.3 0.4
0
0.2
0.4
0.6
0.8
d=0.75, % Error=1.03

T para H exacta
0 0.1 0.2 0.3 0.4
0
0.1
0.2
0.3
0.4
0.5
d=0.5, % Error=0.71

T para H exacta
0 0.1 0.2 0.3 0.4
0
0.05
0.1
0.15
0.2
0.25
d=0.25, % Error=0.30

T para H exacta
0 0.2 0.4 0.6
0
2
4
6
8
h=0.01954 error=1.9467 it=32

H exacta
H identificada
0 0.1 0.2 0.3 0.4
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.1 0.2 0.3 0.4
0
0.2
0.4
0.6
0.8
d=0.75, % Error=0.59

T para H exacta
0 0.1 0.2 0.3 0.4
0
0.1
0.2
0.3
0.4
0.5
d=0.5, % Error=0.69

T para H exacta
0 0.1 0.2 0.3 0.4
0
0.05
0.1
0.15
0.2
0.25
d=0.25, % Error=0.75

T para H exacta
Figura 3.9: Algoritmo iterativo y H constante. Menor error en H (Arriba) y mayor error en H
(Abajo). Valor de T
ea
0 0.2 0.4 0.6 0.8
0
1
2
3
4
5
h=0.01910 error=0.4461 it=12

H exacta
H identificada
0 0.2 0.4 0.6 0.8
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.2 0.4 0.6 0.8
0
0.2
0.4
0.6
0.8
d=0.75, % Error=1.50

T para H exacta
0 0.2 0.4 0.6 0.8
0
0.1
0.2
0.3
0.4
d=0.5, % Error=2.23

T para H exacta
0 0.2 0.4 0.6 0.8
0
0.05
0.1
0.15
0.2
0.25
d=0.25, % Error=2.83

T para H exacta
0 0.2 0.4 0.6 0.8
0
1
2
3
4
5
6
h=0.01649 error=2.4337 it=1000

H exacta
H identificada
0 0.2 0.4 0.6 0.8
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.2 0.4 0.6 0.8
0
0.2
0.4
0.6
0.8
d=0.75, % Error=1.15

T para H exacta
0 0.2 0.4 0.6 0.8
0
0.1
0.2
0.3
0.4
d=0.5, % Error=1.37

T para H exacta
0 0.2 0.4 0.6 0.8
0
0.05
0.1
0.15
0.2
0.25
d=0.25, % Error=1.68

T para H exacta
Figura 3.10: Algoritmo iterativo y H oscilante. Menor error en H (Arriba) y mayor error en H
(Abajo). Valor de T
ea
0 0.2 0.4 0.6 0.8
0
1
2
3
4
5
h=0.10200 error=0.1626 it=1000

H exacta
H identificada
0 0.2 0.4 0.6 0.8
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.2 0.4 0.6 0.8
0
0.2
0.4
0.6
0.8
d=0.75, % Error=0.25

T para H exacta
0 0.2 0.4 0.6 0.8
0
0.1
0.2
0.3
0.4
d=0.5, % Error=0.31

T para H exacta
0 0.2 0.4 0.6 0.8
0
0.05
0.1
0.15
0.2
d=0.25, % Error=0.56

T para H exacta
0 0.2 0.4 0.6
0
1
2
3
4
5
h=0.04939 error=0.7743 it=347

H exacta
H identificada
0 0.1 0.2 0.3 0.4 0.5
0
0.2
0.4
0.6
0.8

T para H exacta
0 0.1 0.2 0.3 0.4 0.5
0
0.2
0.4
0.6
0.8
d=0.75, % Error=0.68

T para H exacta
0 0.1 0.2 0.3 0.4 0.5
0
0.1
0.2
0.3
0.4
d=0.5, % Error=0.91

T para H exacta
0 0.1 0.2 0.3 0.4 0.5
0
0.05
0.1
0.15
0.2
d=0.25, % Error=1.77

T para H exacta
Figura 3.11: Algoritmo iterativo y H creciente. Menor error en H (Arriba) y mayor error en H
(Abajo). Valor de T
ea
0 0.2 0.4 0.6 0.8
0
1
2
3
4
5
6
h=0.03708 error=0.4201 it=6

H exacta
H identificada
0 0.1 0.2 0.3 0.4 0.5
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.1 0.2 0.3 0.4 0.5
0
0.2
0.4
0.6
0.8
d=0.75, % Error=1.46

T para H exacta
0 0.1 0.2 0.3 0.4 0.5
0
0.1
0.2
0.3
0.4
0.5
d=0.5, % Error=1.31

T para H exacta
0 0.1 0.2 0.3 0.4 0.5
0
0.05
0.1
0.15
0.2
0.25
d=0.25, % Error=0.86

T para H exacta
0 0.2 0.4 0.6 0.8
0
2
4
6
h=0.01927 error=2.9004 it=13

H exacta
H identificada
0 0.1 0.2 0.3 0.4 0.5
0
0.2
0.4
0.6
0.8
1

T para H exacta
0 0.1 0.2 0.3 0.4 0.5
0
0.2
0.4
0.6
0.8
d=0.75, % Error=0.91

T para H exacta
0 0.1 0.2 0.3 0.4 0.5
0
0.1
0.2
0.3
0.4
0.5
d=0.5, % Error=0.75

T para H exacta
0 0.1 0.2 0.3 0.4 0.5
0
0.05
0.1
0.15
0.2
0.25
d=0.25, % Error=0.70

T para H exacta
Figura 3.12: Algoritmo iterativo y H decreciente. Menor error en H (Arriba) y mayor error en H
(Abajo). Valor de T
ea
Parte III
conductividad trmica
Captulo 4
Identicacin del coeciente de
conductividad trmica, cuando sta
depende de la distribucin de presiones
Introduccin
Como se ha visto en el Captulo 1, los tratamientos que combinan altas presiones con tem-
peraturas moderadas se modelizan mediante ecuaciones en las que aparecen distintos parmetros
fsicos cuyo valor, si bien se suele conocer a presin atmosfrica, est por determinar para otros
valores de la presin. En este captulo jamos nuestra atencin en las ecuaciones de transferencia
de calor que pueden aparecer en los modelos matemticos de estos procesos (vanse, por ejemplo,
[60] y el primer captulo de esta memoria). Supondremos que la conductividad trmica depende
slo de la presin: k = k(P); esta hiptesis es adecuada, por ejemplo, en los procesos en los que
el rango de temperaturas es moderado y no hay cambio de fase. Nos planteamos el problema de
identicar esta funcin k(P) a partir de ciertas mediciones experimentales de la temperatura. Si
para determinar las mediciones se realiza un experimento en el que la curva de presin P consi-
derada sea inyectiva (por ejemplo, si se trata de una funcin estrictamente creciente) el problema
de identicar k(P) es equivalente a identicar k(t) = k(P(t)).
Trabajaremos con un modelo simplicado en el que se est suponiendo que la muestra es
de alimento slido y con una razn de rellenado de la cmara muy alta, por lo que no se tienen
en cuenta fenmenos de conveccin (esta situacin es una de las analizadas en el Captulo 1
y en [60]). Adems, se supone que la muestra (de alimento, en el contexto de esta memoria,
aunque servira tambin para otras situaciones) intercambia calor con las paredes del equipo (de
tipo cilndrico, como en el primer captulo) que, por simplicidad, se asume que estn a temperatura
conocida y dada por una funcin T
e
(t), siendo la nica fuente de calor la correspondiente al
aumento de presin. El coeciente h de intercambio de calor se supone tambin conocido. Por
ltimo, suponemos que la conduccin de calor en la direccin vertical es despreciable y que, por
tanto, nuestro inters se centra en conocer lo que ocurre a una cierta altura de la muestra que es en
la que estarn colocados los termopares para realizar las mediciones.
Teniendo en cuenta todas estas consideraciones, el modelo simplicado para el que abordamos
121
122 Identicacin del coeciente de conductividad trmica, cuando sta depende de la distribucin de presiones
el problema de identicacin del coeciente de conductividad trmica es el siguiente:
_
_
C
p
T
t
k(t)T = P
(t)T en B
R
(0, t
f
)
k(t)
T
n
= h(T
e
(t) T) en B
R
(0, t
f
)
T = T
0
en B
R
0,
(4.1)
donde R > 0 y t
f
> 0. Aqu, B
R
R
2
denota la bola de centro 0 y radio R; 0 es el
coeciente de dilatacin de la muestra considerada; , C
p
R son su densidad y calor especco,
respectivamente; P (
1
([0, t
f
]) representa la presin que se ejerce con el equipo; k (([0, t
f
]),
con k(t) k
0
> 0, es el coeciente de conductividad; T
e
(([0, t
f
]) denota la temperatura
exterior del equipo; n es el vector unitario normal exterior a la frontera de la bola B
R
; h > 0
denota el coeciente de intercambio de calor y T
0
es la temperatura inicial que supondremos
constante. El objetivo es identicar la funcin k conociendo mediciones de la temperatura T en
ciertos puntos de la bola B
R
. Puesto que, como ya se ha dicho, los valores a presin atmosfrica de
los coecientes que aparecen en estas ecuaciones suelen ser conocidos, nosotros supondremos que
la presin en el instante inicial es la atmosfrica y que, por tanto, k(0) es un dato del problema.
Para ms detalles sobre este tipo de modelos y las unidades de cada uno de sus parmetros y
funciones, remitimos al citado primer captulo.
Notacin 4.1.1 Denotaremos
X =
_
(
2,1
_
B
R
(0, t
f
)
_
(
1,0
_
B
R
[0, t
f
]
__
,
es decir, el conjunto de las funciones que son de clase dos en espacio y de clase uno en tiempo en
el cilindro B
R
(0, t
f
), y que tienen un orden de regularidad una unidad inferior en la adherencia
de dicho cilindro.
2
Teorema 4.1.2 Si la funcin k es lipschitziana en [0, t
f
], la derivada de la funcin P es, en dicho
intervalo, hlderiana de orden (0, 1) y se verica la condicin de compatibilidad
T
e
(0) = T
0
,
entonces el problema (4.1) tiene una nica solucin (clsica) T X. Adems, T es radial.
DEMOSTRACIN. La existencia, unicidad y regularidad de la solucin se deducen, directamen-
te, del Teorema 5.18 de [48, pg. 96]. Veamos que la solucin es una funcin radial probando
que cualquier giro en la variable espacial no cambia la solucin. Para ello, a partir de T(x, t)
consideramos la funcin
T(x, t) = T(x, t) siendo x = Ax y A =

_
cos sen
sen cos
_
la matriz del giro de ngulo [0, 2). Las relaciones
_
T
x
1
(x, t) =
T
x
1
(x, t) cos
T
x
2
(x, t) sen
T
x
2
(x, t) =
T
x
1
(x, t) sen +
T
x
2
(x, t) cos
determinan que
x
T(x, t) = A
T
x
T(x, t). Al derivar de nuevo obtenemos
_
T
x
2
1
(x, t) =

2
T
x
2
1
(x, t) cos
2
2

2
T
x
1
x
2
(x, t) sen cos +

2
T
x
2
2
(x, t) sen
2
T
x
2
2
(x, t) =

2
T
x
2
1
(x, t) sen
2
+ 2

2
T
x
1
x
2
(x, t) sen cos +

2
T
x
2
2
(x, t) cos
2
y, con ello,
T(x, t) =
x
T(x, t).
De esta forma, para todo (x, t) B
R
(0, t
f
) se verica que
C
p
T
t
(x, t) k(t)
x
T(x, t) = C
p
T
t
(x, t) k(t)
x
T(x, t)
= P
(t)T(x, t) = P
(t)
T(x, t).
Adems, como para (x, t) B
R
(0, t
f
) se tiene que
T
n
(x, t) =
_
T(x, t), n(x)

_
=
A
T
x
T(x, t), n(x)
_
=
x
T(x, t), An(x)) =
x
T(x, t), n(x))
=
T
n
(x, t)
(aqu , ) denota el producto escalar eucldeo en R
2
), entonces
k(t)
T
n
(x, t) = k(t)
T
n
(x, t) = h(T
e
(t) T(x, t)) = h
_
T
e
(t)

T(x, t)
_
.
Por ltimo,
T(x, 0) = T(x, 0) = T
0
, x B
R
.
As pues, la funcin

T(x, t) es tambin solucin del problema (4.1); la unicidad de solucin
del mismo permite concluir que
T(x, t) = T(x, t), (x, t) B
R
[0, t
f
]
cualquiera que sea el ngulo [0, 2).
2
Notacin 4.1.3 Dada una funcin radial v X denotaremos por
v : [0, R] [0, t
f
] R
la funcin que toma los valores de v en cada circunferencia, es decir,
v(r, t) = v(x, t) para todo x B
R
con [x[ = r y t [0, t
f
].
2
Con el objetivo de facilitar el estudio cualitativo de nuestro problema, vamos a realizar dos
cambios de variable que nos conducirn a un problema equivalente en el que tanto la ecuacin
diferencial como la condicin inicial son homogneas.
En primer lugar, con vistas a convertir en homognea la ecuacin diferencial, efectuamos el
cambio de variable
u(x, t) = T(x, t)e
Cp
(P(0)P(t))
. (4.2)
De esta forma, tendremos que
C
p
u
t
= C
p
T
t
e
Cp
(P(0)P(t))
P
(t)T(x, t)e
Cp
(P(0)P(t))
= k(t)e
Cp
(P(0)P(t))
T = k(t)u,
lo cual permite expresar el problema (4.1) en la forma
_
_
C
p
u
t
k(t)u = 0 en B
R
(0, t
f
)
k(t)
u
n
= h(f(t) u) en B
R
(0, t
f
)
u = T
0
en B
R
0,
(4.3)
siendo
f(t) = T
e
(t) e
Cp
(P(0)P(t))
.
Seguidamente, para homogeneizar la condicin inicial, hacemos el cambio
v(x, t) = u(x, t) T
0
, (4.4)
obteniendo el problema
_
_
C
p
v
t
k(t)v = 0 en B
R
(0, t
f
)
k(t)
v
n
= h(f(t) T
0
v) en B
R
(0, t
f
)
v = 0 en B
R
0.
(4.5)
Observacin 4.1.4 Ntese que v X y es radial. De hecho, el problema (4.5) puede expresarse,
tras tomar coordenadas polares, como el problema espacialmente unidimensional
_
_
C
p
v
t
k(t)
1
r
r
_
r
v
r
_
= 0 en (0, R) (0, t
f
)
v
r
= 0 en 0 (0, t
f
)
k(t)
v
r
= h(f(t) T
0
v) en R (0, t
f
)
v = 0 en (0, R) 0.
No obstante, en lugar de utilizar esta formulacin, trabajaremos con coordenadas cartesianas.
Esto se debe a que vamos a expresar la solucin como la composicin de ciertas funciones con
traslaciones y stas, al no ser radiales, no tienen una representacin cmoda en coordenadas
polares.
2
Si denotamos
L() = C
p
t
k(t),
entonces su adjunto formal (vase, v. gr., [68, pg. 170]) viene dado por
L
() = C
p
t
k(t).
Proposicin 4.1.5 (Identidad de Lagrange) Para cada par de funciones , X se verica
que
_
t
f
0
_
B
R
_
L() L
()
_
dxdt = C
p
_
B
R
_
(x, t
f
)(x, t
f
) (x, 0)(x, 0)
_
dx
_
t
f
0
k(t)
_
B
R
_
n
_
dxdt.
DEMOSTRACIN. Por la denicin del operador L podemos escribir
_
t
f
0
_
B
R
L()dxdt =
_
t
f
0
_
B
R
_
C
t
k(t)
_
dxdt
= C
p
_
B
R
__
t
f
0
t
dt
_
dx
_
t
f
0
k(t)
_
B
R
dxdt.
En primer lugar, integrando por partes en la variable t, el primer sumando se transforma como
sigue:
C
p
_
B
R
__
t
f
0
t
dt
_
dx = C
p
_
B
R
_
(x, t
f
)(x, t
f
) (x, 0)(x, 0)
_
dx
C
p
_
B
R
__
t
f
0
t
dt
_
dx.
Por otra parte, podemos reescribir el segundo sumando integrando por partes dos veces en la
variable espacial:
_
t
f
0
k(t)
_
B
R
dxdt =
_
t
f
0
k(t)
__
B
R
n
dx
_
B
R
dx
_
dt
=
_
t
f
0
k(t)
_
B
R
n
dxdt
_
t
f
0
k(t)
__
B
R
n
dx
_
B
R
dx
_
dt
=
_
t
f
0
_
B
R
k(t) dxdt +
_
t
f
0
k(t)
_
B
R
_
n
_
dxdt.
As pues, sustituyendo ambas expresiones, obtenemos
_
t
f
0
_
B
R
L()dxdt = C
p
_
B
R
_
(x, t
f
)(x, t
f
) (x, 0)(x, 0)
_
dx
C
p
_
B
R
__
t
f
0
t
dt
_
dx
_
t
f
0
_
B
R
k(t) dxdt
_
t
f
0
k(t)
_
B
R
_
n
_
dxdt,
lo cual demuestra el resultado.
2
Corolario 4.1.6 Si v X es la solucin del problema (4.5), entonces para toda w X que
verique la condicin nal
w(x, t
f
) = 0, x B
R
, (4.6)
se tiene que
_
t
f
0
_
B
R
L
(w) vdxdt = h
_
t
f
0
_
f(t) v(R, t) T
0
_
_
B
R
wdxdt
_
t
f
0
k(t)v(R, t)
_
B
R
w
n
dxdt.
DEMOSTRACIN. El resultado se obtiene aplicando la Proposicin 4.1.5, tomando como la
solucin v del problema (4.5) y como una funcin w X que verique (4.6), pues
_
t
f
0
_
B
R
_
L(v)
..
=0
w L
(w)v
_
dxdt = C
_
B
R
_
v(x, t
f
) w(x, t
f
)
. .
=0
v(x, 0)
. .
=0
w(x, 0)
_
dx
_
t
f
0
k(t)
_
B
R
_
v
n
w v
w
n
_
dxdt
=
_
t
f
0
_
B
R
h
_
f(t) v(R, t) T
0
_
wdxdt
+
_
t
f
0
k(t)
_
B
R
v(R, t)
w
n
dxdt.
2
El siguiente resultado proporciona un principio de comparacin para el problema (4.5).
Proposicin 4.1.7 (Principio de comparacin) Sean v
1
, v
2
X vericando
_
_
L(v
1
) L(v
2
) en B
R
(0, t
f
)
k(t)
v
1
n
+hv
1
k(t)
v
2
n
+hv
2
en B
R
(0, t
f
)
v
1
v
2
en B
R
0.
Entonces
v
1
(x, t) v
2
(x, t), (x, t) B
R
[0, t
f
].
4.2 Expresin de la solucin en funcin de sus valores en el borde 127
DEMOSTRACIN. Es obvio que si denimos
v
0
= v
1
v
2
entonces
_
_
L(v
0
) 0 en B
R
(0, t
f
)
k(t)
v
0
n
+hv
0
0 en B
R
(0, t
f
)
v
0
0 en B
R
0.
Aplicando el principio fuerte del mximo (cf., por ejemplo, [63, Teorema 7, pg. 174]), si la
funcin v
0
alcanza un mximo positivo en un punto P entonces P B
R
(0, t
f
) y
v
0
n
(P) > 0,
con lo que se obtendra la contradiccin
k(t)
v
0
n
(P) +hv
0
(P) > 0
As pues, v
0
no puede tener un mximo positivo o, lo que es lo mismo, v
0
0.
2
4.2. Expresin de la solucin en funcin de sus valores en el borde
Notacin 4.2.1 Dado un conjunto abierto A R
n
, denotaremos T(A) = (
c
(A) el conjunto de
las funciones de clase innito que tienen soporte compacto contenido en A. Asimismo, denotare-
mos por T
(A) el conjunto de las distribuciones en A (cf., por ejemplo, [41]).

2
En esta seccin vamos a encontrar una representacin integral de la solucin del problema (4.5)
en funcin de los valores que toma en la frontera de la bola. Deshaciendo los cambios de variable,
obtendremos una representacin de la temperatura solucin de (4.1) en funcin de sus valores en
el borde (que posteriormente supondremos obtenidos por medio de mediciones experimentales).
Con este objetivo, en primer lugar, vamos a encontrar una solucin fundamental del operador L
,
es decir, una funcin que al aplicarle el operador L
d como resultado una delta de Dirac. Para

ello utilizaremos la expresin conocida de la solucin fundamental del operador L para el caso
k(t) 1 (vase, v. gr., [74, pg. 178]), es decir,
(x, t) =
H(t)
4t
e
C
4
|x|
2
t
, (4.7)
siendo H la funcin de Heaviside
H(t) =
_
1, t > 0
0, t 0.
Fijados y B
R
y (0, t
f
), denimos, la funcin w : R
2
R R como
w(x, t; y, ) = (x y, K(t) K()), (4.8)
siendo
K(s) =
_
t
f
s
k(z)dz,
donde la funcin k se ha extendido por continuidad, de forma constante, a todo R.
Lema 4.2.2 Fijados y B
R
y (0, t
f
), las funciones y w denidas en (4.7) y (4.8), respecti-
vamente, verican las siguientes propiedades:
a) (
(R
3
(0, 0, 0)). Consecuentemente, se tiene que w (
_
(R
2
R)(y, )
_
.
b) C
p
_
R
2
(x y, s) dx = H(s) para todo s R.
c) La funcin w es localmente integrable en R
2
R, i. e., w L
1
loc
(R
2
R).
d) C
p
(x y, s) (x y) cuando s 0
+
en T
(R
2
).
e) Para cada x R
2
y cada t R con t < se tiene que
L
(w(x, t; y, )) = C
p
w
t
(x, t; y, ) k(t)
x
w(x, t; y, ) = 0.
DEMOSTRACIN.
a) Claramente, la funcin es de clase innito en todo el espacio salvo en el plano t = 0. Puesto
que para todo x R
2
0 se verica que
lm
t0
(x, t) = 0
y que
lm
t0
+
(x, t) =
1
4
lm
s+
s
e
C|x|
2
4
s
=
1
4
lm
s+
1
Cp|x|
2
4
e
C|x|
2
4
s
= 0,
la funcin es continua en (x, 0) siempre que x ,= 0. De forma anloga, tras clculos similares,
se demuestra que las derivadas de cualquier orden son tambin continuas en todo el plano
t = 0 salvo el origen. De hecho, en este punto, la funcin no es siquiera continua pues, si nos
acercamos a cero segn la curva t = [x[
2
, se tiene que
lm
|x|0
(x, [x[
2
) = lm
r0
+
e
Cp
4
4r
2
= .
Por ltimo, los puntos de singularidad de w se reducen a aquellos (x, t) tales que
(x y, K(t) K()) = (0, 0),
es decir, el punto (y, ), puesto que K es una funcin inyectiva por ser estrictamente creciente.
b) Mediante el cambio de variable
x = y + (r cos , r sen ), (4.9)
para cada s R podemos escribir
C
p
_
R
2
(x y, s)dx = C
p
_
R
2
H(s)
4s
e
Cp
4
|xy|
2
s
dx
= C
p
_
2
0
_

0
H(s)
4s
e
Cp
4
r
2
s
rdrd
= 2C
p
_

0
H(s)
4s
e
Cp
4
r
2
s
rdr
= H(s)
_

0
_
2C
p
r
4s
_
e
Cp
4
r
2
s
dr
= H(s) e
Cp
4
r
2
s
r=
r=0
= H(s).
c) Dado un abierto acotado de R
2
R, consideremos un conjunto de la forma R
2
[a, b] que
lo contenga. Entonces, por el apartado b), se tiene que
_
[w(x, t; y, )[dxdt =
_
w(x, t; y, )dxdt
_
b
a
_
R
2
w(x, t; y, )dxdt
=
1
C
p
_
b
a
H(K(t) K())dt
b a
C
p
.
d) Para cada s > 0 y T = T(R
2
), denotando T
= T
(R
2
), gracias al apartado b) se verica
que
C
p
(x y, s), )
D
D
= C
p
_
R
2
(x y, s)(x)dx
= C
p
(y)
_
R
2
(x y, s)dx
+C
p
_
R
2
(x y, s)
_
(x) (y)
_
dx
= (y)H(s) +C
p
_
R
2
(x y, s)
_
(x) (y)
_
dx
= (y) +C
p
_
R
2
(x y, s)
_
(x) (y)
_
dx.
Ahora, denotando L = [[
[[
C(R
2
)
, basta hacer el cambio de variable (4.9) para obtener el
resultado, puesto que
C
p
_
R
2
(x y, s)
_
(x) (y)
_
dx
C
p
L
4s
_
R
2
e
Cp
4
|xy|
2
4s
[x y[dx
=
C
p
L
4s
_
2
0
_

0
e
Cp
4
r
2
4s
r
2
drd
=
2C
p
L
4s
_

0
e
Cp
4
r
2
4s
r
2
dr
= L
_

0
_
2C
p
r
4s
e
Cp
4
r
2
s
_
rdr
= L
_
re
Cp
4
r
2
s
r=
r=0
_

0
e
Cp
4
r
2
s
dr
_
= L
_

0
e
Cp
4
r
2
s
dr
=
2L
_
C
p
s
_

0
e
z
2
dz
=
L
_
C
p
s

s0
+
0.
e) Para cada x R
2
y t < , se tiene que
w(x, t; y, ) =
1
4(K(t) K())
e
Cp
4
|xy|
2
K(t)K()
.
Por una parte,
w
t
(x, t; y, ) =
1
4
k(t)
(K(t) K())
2
e
Cp
4
|xy|
2
K(t)K()
1
4
1
K(t) K()
C
p
[x y[
2
k(t)
4(K(t) K())
2
e
Cp
4
|xy|
2
K(t)K()
=
k(t)w(x, t; y, )
K(t) K()
_
1
C
p
[x y[
2
4(K(t) K())
_
.
Por otra parte, para i = 1, 2,
_
_
w
x
i
(x, t; y, ) =
1
4(K(t) K())
_
2C
p
(x
i
y
i
)
4(K(t) K())
_
e
Cp
4
|xy|
2
K(t)K()
=
C
p
(x
i
y
i
)
2(K(t) K())
w(x, t; y, )
2
w
x
2
i
(x, t; y, ) =
C
p
2(K(t) K())
w(x, t; y, )
+
C
p
(x
i
y
i
)
2(K(t) K())
C
p
(x
i
y
i
)
2(K(t) K())
w(x, t; y, )
=
C
p
w(x, t; y, )
2(K(t) K())
_
1 (x
i
y
i
)
2
C
p
2(K(t) K())
_
.
En consecuencia,
k(t)
x
w(x, t; y, ) =
k(t)C
p
w(x, t; y, )
2(K(t) K())
_
2
C
p
[x y[
2
2(K(t) K())
_
= C
p
k(t)w(x, t; y, )
K(t) K()
_
1
C
p
[x y[
2
4(K(t) K())
_
= C
p
w
t
(x, t; y, ).
2
Proposicin 4.2.3 (Solucin fundamental del operador L
) Fijados y B
R
y (0, t
f
), la
funcin w : R
2
R R denida en (4.8) verica
L
(w(x, t; y, )) = (x y, t ) en T
(R
2
R).
DEMOSTRACIN. Debemos demostrar que para cada T = T(R
2
R) se verica que
I
.
=
_
C
p
w
t
(x, t; y, ) k(t)
x
w(x, t; y, ), (x, t)
_
D
D
= (y, ) (= (x y, t ), (x, t))
D
D
),
donde T
= T
(R
2
R).
En primer lugar, ntese que
I =
_
w
t
(x, t; y, ), C
p
(x, t)
_
D
x
w(x, t; y, ), k(t)(x, t))
D
D
=
_
w(x, t; y, ), C
p
t
(x, t)
_
D
D
w(x, t; y, ), k(t)(x, t))
D
D
=
_

_
R
2
w(x, t; y, )
_
C
p
t
(x, t) k(t)(x, t)
_
dxdt.
En la ltima igualdad hemos usado que w es localmente integrable en R
2
R(segn el apartado c)
del Lema 4.2.2) y la equivalencia entre las funciones localmente integrables y las distribuciones
regulares (cf., por ejemplo, [73, pg. 23]).
Adems, puesto que
w(x, t; y, ) = 0 si t ,
se tiene que
I =
_

_
R
2
w(x, t; y, )
_
C
p
t
(x, t) k(t)(x, t)
_
dxdt
= lm
0
+
_

_
R
2
w(x, t; y, )
_
C
p
t
(x, t) k(t)(x, t)
_
dxdt.
Integrando por partes, el apartado e) del Lema 4.2.2 permite escribir
I = lm
0
+
_
R
2
_
C
p
w(x, t; y, )(x, t)[
t=
t=
_
dx
+ lm
0
+
_

_
R
2
_
C
p
w
t
(x, t; y, ) k(t)
x
w(x, t; y, )
. .
=0
_
(x, t)dxdt
= lm
0
+
_
R
2
C
p
(x y, K( ) K())(x, ) dx
= lm
0
+
_
R
2
C
p
(x y, K( ) K())(x, ) dx
+ lm
0
+
_
R
2
C
p
(x y, K( ) K()) ((x, ) (x, ))) dx.
El segundo lmite de la esta igualdad es nulo pues, si denotamos por
L =
C(R
3
)
,
el apartado b) del Lema 4.2.2 asegura la acotacin
_
R
2
C
p
(x y, K( ) K()) ((x, ) (x, )) dx
LC
p
_
R
2
(x y, K( ) K()) dx = LH(K( ) K()) = L.
Finalmente, aplicando el apartado d) del Lema 4.2.2, se concluye que
I = lm
0
+
_
R
2
C
p
(x y, K( ) K())(x, ) dx
= (x y), (x, ))
D
(R
2
)D(R
2
)
= (y, ).
2
Observacin 4.2.4 Aunque no ser necesario para la obtencin de nuestros resultados, resaltamos
que la Proposicin 4.2.3 permite, formalmente, representar cualquier funcin u ((B
R
(0, t
f
))
como
u(y, ) =
_
t
f
0
_
B
R
L
(w(x, t; y, ))u(x, t) dxdt (4.10)

(cf., por ejemplo, [40, pg. 69]).
2
La solucin fundamental del operador L
que hemos construido verica la condicin (4.6). El

siguiente paso es demostrar que para ella, a pesar de que no pertenece al espacio X, es vlida la
igualdad descrita en el Corolario 4.1.6. Previamente, necesitamos un resultado tcnico:
Lema 4.2.5 Sean un abierto acotado de R
N
y f (
p
()L
2
(), p N0. Entonces, para
cada abierto fuertemente contenido en (es decir, ) existe una sucesin f
T()
tal que:
a) f
converge a f fuertemente en L
2
().
b) D
converge a D
f uniformemente en (() para [[ p.

DEMOSTRACIN. En primer lugar, puesto que f L
2
(), existe una sucesin
T()
que converge fuertemente a f en L
2
() (vase, v. gr., [4, pg. 71]). Adems, el Teorema de Weiers-
trass asegura que existe una sucesin
() con la propiedad de que todas sus derivadas

de orden menor o igual que p convergen uniformemente a las respectivas derivadas de f en (cf.,
por ejemplo, [74, pg. 18]).
A continuacin, dado d = dist(, ) > 0, es claro que si se elige <
d
3
, entonces el
entorno
de (los puntos de R
N
que distan de menos que ) verica que
. Para cada
<
d
3
consideramos una funcin f
que verique
f
=
_

f
en
en
,
denida en
de forma que est uniformemente acotada en y que sea de clase innito en .

Obviamente, la sucesin as denida verica que f
T() y cumple el apartado b).

Adems,
_
[f
(x)f(x)[
2
dx =
_
\
(x)f(x)[
2
dx+
_
\
[f
(x)f(x)[
2
dx+
_
(x)f(x)[
2
dx.
Ntese que los tres sumandos del segundo miembro tienden a cero cuando 0: el primero
y el tercero, por las respectivas convergencias de las sucesiones
; el segundo, por
la acotacin uniforme en del integrando y el hecho de tender a cero la medida del dominio de
integracin.
2
Estamos ya en condiciones de demostrar una frmula que proporciona una representacin de
la solucin del problema (4.5) en trminos de sus valores en la frontera:
Corolario 4.2.6 La solucin del problema (4.5) puede expresarse, para (y, ) B
R
(0, t
f
),
como
v(y, ) =
h
4
_

0
f(t) v(R, t) T
0
K(t) K()
_
B
R
e
Cp|xy|
2
4(K(t)K())
dxdt
1
4
_

0
k(t)v(R, t)
K(t) K()
_
B
R
n
_
e
Cp|xy|
2
4(K(t)K())
_
dxdt.
(4.11)
DEMOSTRACIN. Para aligerar la notacin escribiremos w(x, t) (o, incluso, w) y no explicitare-
mos los parmetros y y . En primer lugar, ntese que para todo (y, ) B
R
(0, t
f
) la funcin
w verica la condicin (4.6). Si w perteneciera al espacio X, la igualdad (4.11) se obtendra di-
rectamente de (4.10) (si sta siguiera vericndose) sin ms que aplicar el Corolario 4.1.6, puesto
que la relacin
H
_
K(t) K()
_
= H
__

t
k(z) dz
_
=
_
0 si t
1 si > t,
permitira escribir
_
t
f
0
_
f(t) v(R, t) T
0
_
_
B
R
wdxdt =
1
4
_

0
f(t) v(R, t) T
0
K(t) K()
_
B
R
e
Cp|xy|
2
4(K(t)K())
dxdt
y
_
t
f
0
k(t)v(R, t)
_
B
R
w
n
dxdt =
1
4
_

0
k(t)v(R, t)
K(t) K()
_
B
R
n
_
e
Cp|xy|
2
4(K(t)K())
_
dxdt.
Vamos a demostrar que, a pesar de que w , X, la igualdad (4.11) sigue siendo correcta. Para
ello, denimos
=
mnR [[y[[ , , t
f

2
y denotamos por Q
el cilindro
Q
= B
(y) ( , +)
para cada 0 < <
. Esta eleccin de
asegura que
Q
1
Q
2
B
R
(0, t
f
), 0 <
1
<
2

.
Para dichos valores de elegimos una funcin
(R
2
R) vericando
(x, t) =
_
_
0, (x, t) Q
2
[0, 1], (x, t) Q
Q
2
1, (x, t) , Q
y, a partir de ella, construimos la funcin

w
(x, t) =
(x, t)w(x, t).

Ntese que w
X y verica la condicin (4.6). Por tanto, aplicando el Corolario 4.1.6, se

tiene que
_
t
f
0
_
B
R
L
(w
) vdxdt = h
_
t
f
0
_
f(t) v(R, t) T
0
_
_
B
R
w
(x, t) dxdt
_
t
f
0
k(t)v(R, t)
_
B
R
w
n
(x, t) dxdt
= h
_
t
f
0
_
f(t) v(R, t) T
0
_
_
B
R
w(x, t) dxdt
_
t
f
0
k(t)v(R, t)
_
B
R
w
n
(x, t) dxdt,
puesto que w
coincide con w en un entorno de B

R
(lo que hace que tambin coincidan sus
derivadas normales en B
R
).
Slo nos queda probar que
lm
0
_
t
f
0
_
B
R
L
(w
) vdxdt = v(y, ).
En primer lugar, tomando en el Lema 4.2.5 f = v, = B
R
(0, t
f
) y = Q
, podemos
asegurar la existencia de una sucesin v
T(B
R
(0, t
f
)) que converge a v fuertemente
en L
2
(B
R
(0, t
f
)) y uniformemente en Q
; adems, la sucesin L(v
T(B
R
(0, t
f
))
converge uniformemente a L(v) = 0 en Q
. En particular, se verica que

lm
0
v
(y, ) = v(y, ) (4.12)

y existe una constante C > 0 (independiente de ) tal que
[[L(v
)[[
C(Q
)
C (4.13)
para todo > 0.
Teniendo en cuenta que L
(w
) L
2
(B
R
(0, t
f
)), podemos escribir
lm
0
_
t
f
0
_
B
R
L
(w
) vdxdt = lm
0
lm
0
_
t
f
0
_
B
R
L
(w
) v
dxdt.
Veamos que, de hecho,
lm
(,)(0,0)
_
t
f
0
_
B
R
L
(w
) v
dxdt = v(y, ),
con lo que se tendr el resultado. Para ello, para cada > 0 debemos encontrar
0
=
0
() > 0 y
0
=
0
() > 0 tales que, si 0 < <
0
y 0 < <
0
, entonces
_
t
f
0
_
B
R
L
(w
) v
dxdt v(y, )
< .
Aplicando la desigualdad triangular, escribimos
_
t
f
0
_
B
R
L
(w
) v
dxdt v(y, )
_
t
f
0
_
B
R
L
(w
) v
dxdt v
(y, )
+[v
(y, ) v(y, )[ .
(4.14)
Para acotar el primer sumando del segundo miembro de (4.14) utilizamos que, para cada fun-
cin T(B
R
(0, t
f
)) y 0 < <
, se verica que
_
t
f
0
_
B
R
(w
w) dxdt
_
Q
(
1) wdxdt
_
Q
[w[ [[ dxdt
[[[[
C(Q
)
_
Q
[w[ dxdt
2
C
p
[[[[
C(Q
)
,
(4.15)
donde en la ltima desigualdad se ha usado lo demostrado en el apartado c) del Lema 4.2.2.
Tomando, en particular, = L(v
) en la desigualdad (4.15) y denotando T = T(B

R
(0, t
f
))
y T
= T
(B
R
(0, t
f
)), la Proposicin 4.2.3 permite escribir
_
t
f
0
_
B
R
L
(w
) v
dxdt v
(y, )
_
t
f
0
_
B
R
L
(w
) v
dxdt L
(w), v
)
D
_
t
f
0
_
B
R
w
L(v
)dxdt w, L(v
))
D
_
t
f
0
_
B
R
(w
w) L(v
) dxdt
2
C
p
C,
donde se ha utilizado la ya citada equivalencia entre funciones localmente integrables y distribu-
ciones regulares, y donde C viene dada en la acotacin (4.13). As pues, eligiendo
0
= mn
_
C
p
4C
,
_
se verica que
_
t
f
0
_
B
R
L
(w
) v
dxdt v
(y, )
<

2
para todo (0,
0
).
En cuanto al segundo sumando del segundo miembro de (4.14), basta aplicar la convergencia
puntual (4.12) para garantizar la existencia de un
0
> 0 de forma que
[v
(y, ) v(y, )[ <

2
para todo (0,
0
).
2
Observacin 4.2.7 La funcin denida en B
R
que a cada y le hace corresponder e
c|xy|
2
, con
x B
R
, no es radial. Tampoco es radial la funcin denida en B
R
que a cada x le hace
corresponder e
c|xy|
2
, con y B
R
. Sin embargo, s que lo es la funcin denida en B
R
por
y
_
B
R
e
c|xy|
2
dx
y, por tanto, tambin es radial la expresin dada en (4.11) (aunque, a primera vista, pudiera no
parecerlo).
2
Veamos cmo se expresa la solucin del problema (4.5) en coordenadas polares:
Corolario 4.2.8 Denotando por
(r, ) = R
2
2Rr cos +r
2
y g(t, ) =
1
K() K(t)
,
la solucin del problema (4.5) verica:
v(r, t) =
Rh
4
_
t
0
_
f() v(R, ) T
0
_
g(t, )
_
2
0
e
Cp
4
(r,)g(t,)
dd
+
C
p
R
8
_
t
0
k()v(R, )g(t, )
_
2
0
(R r cos )g(t, )e
Cp
4
(r,)g(t,)
dd
(4.16)
para r [0, R) y t [0, t
f
].
DEMOSTRACIN. Para (x, t) B
R
(0, t
f
) el Corolario 4.2.6 permite escribir, tras intercambiar
los papeles de las variables t y y de las variables x e y,
v(x, t) =
h
4
_
t
0
_
f() v(R, ) T
0
_
g(t, )
_
B
R
e
Cp
4
|xy|
2
g(t,)
dyd
1
4
_
t
0
k()v(R, )g(t, )
_
B
R
n
_
e
Cp
4
|xy|
2
g(t,)
_
dyd.
Sea (r, t) [0, R) (0, t
f
); puesto que la funcin v es radial, v(r, t) = v(x, t) para todo x con
[x[ = r. Si elegimos x = (r, 0) R
2
, para cada y = (Rcos , Rsen ) B
R
se tiene que
[x y[
2
= R
2
2Rr cos +r
2
= (r, ).
Por tanto, mediante el cambio de variable y = (Rcos , Rsen ) obtenemos
_
B
R
e
Cp
4
|xy|
2
g(t,)
dy = R
_
2
0
e
Cp
4
(r,)g(t,)
d.
Adems, puesto que la derivada en la direccin normal exterior a la frontera de la bola B
R
es la
derivada respecto a la coordenada radial, podemos escribir
_
B
R
n
_
e
Cp
4
|xy|
2
g(t,)
_
dy = R
_
2
0
_
e
Cp
4
(
2
2r cos +r
2
)g(t,)
_
=R
d
=
C
p
R
2
_
2
0
(R r cos )g(t, )e
Cp
4
(r,)g(t,)
d,
con lo que se llega a la expresin
v(r, t) =
Rh
4
_
t
0
_
f() v(R, ) T
0
_
g(t, )
_
2
0
e
Cp
4
(r,)g(t,)
dd
+
R
4
_
t
0
k()v(R, )g(t, )
C
p
2
_
2
0
(R r cos )g(t, )e
Cp
4
(r,)g(t,)
dd.
Esta frmula es tambin vlida, de forma obvia, para t = 0 y se extiende por continuidad a
t = t
f
.
2
Describimos, a continuacin, una forma alternativa de esta representacin:
Corolario 4.2.9 La solucin del problema (4.5) puede tambin expresarse como
v(r, t) =
Rh
4
_
t
0
_
f() v(R, ) T
0
_
g(t, )
_
2
0
e
Cp
4
(r,)g(t,)
dd
+
R
2
_
t
0
v
(R, )
_
2
0
R r cos
(r, )
e
Cp
4
(r,)g(t,)
dd
para r [0, R) y t [0, t
f
].
DEMOSTRACIN. Integrando por partes (respecto a ) en el segundo sumando del segundo
miembro de la ecuacin (4.16) y teniendo en cuenta que
g
(t, ) =
K
()
(K() K(t))
2
= k()g
2
(t, ),
se obtiene
_
t
0
k()v(R, )g(t, )
C
p
4
_
2
0
(R r cos )g(t, )e
Cp
4
(r,)g(t,)
dd
=
_
2
0
R r cos
(r, )
_
t
0
v(R, )
_
C
p
4
(r, )k()g
2
(t, )e
Cp
4
(r,)g(t,)
_
dd
=
_
2
0
R r cos
(r, )
_
t
0
v(R, )

_
e
Cp
4
(r,)g(t,)
_
dd
=
_
2
0
R r cos
(r, )
_
_
_
_
v(R, )e
Cp
4
(r,)g(t,)
=t
=0
. .
=0
_
t
0
v
(R, )e
Cp
4
(r,)g(t,)
d
_
_
_
_
d
=
_
2
0
R r cos
(r, )
_
t
0
v
(R, )e
Cp
4
(r,)g(t,)
dd,
lo cual lleva al resultado.
2
Deshaciendo los cambios de variable que nos permitieron pasar del problema original al pro-
blema con ecuacin y condicin inicial homogneas, llegamos al resultado fundamental de esta
seccin, el cual proporciona una representacin de la solucin del problema de partida escrita en
funcin de sus valores en la frontera.
Teorema 4.2.10 Denotando
m(t) = T(R, t) y Q(t, ) = e
Cp
(P(t)P())
,
la solucin del problema (4.1) puede expresarse como
T(r, t) = T
0
Q(t, 0) +
Rh
4
_
t
0
_
T
e
() m()
_
Q(t, )g(t, )
_
2
0
e
Cp
4
(r,)g(t,)
dd
+
R
2
_
t
0
_
m
()

C
p
m()P
()
_
Q(t, )
_
2
0
Rr cos
(r, )
e
Cp
4
(r,)g(t,)
dd
para r [0, R) y t [0, t
f
].
DEMOSTRACIN. A partir del Corolario 4.2.9, deshaciendo en primer lugar el cambio de varia-
ble (4.4), se tiene que
u(r, t) = T
0
+v(r, t) = T
0
+
Rh
4
_
t
0
_
f() u(R, )
_
g(t, )
_
2
0
e
Cp
4
(r,)g(t,)
dd
+
R
2
_
t
0
u
(R, )
_
2
0
R r cos
(r, )
e
Cp
4
(r,)g(t,)
dd.
Si a continuacin deshacemos el cambio (4.2), teniendo en cuenta que
u
(R, ) =

_
m()e
Cp
(P(0)P())
_
=
_
m
() P
()

C
p
m()
_
e
Cp
(P(0)P())
=
_
m
() P
()

C
p
m()
_
Q(0, )
4.3 Unicidad de solucin del problema inverso 139
y que
Q(t, 0)Q(0, ) = Q(t, ),
llegamos a
T(r, t) = u(r, t)Q(t, 0)
= T
0
Q(t, 0) +
Rh
4
_
t
0
_
T
e
() m()
_
Q(t, )g(t, )
_
2
0
e
Cp
4
(r,)g(t,)
dd
+
R
2
_
t
0
_
m
() P
()

C
p
m()
_
Q(t, )
_
2
0
R r cos
(r, )
e
Cp
4
(r,)g(t,)
dd.
2
Observacin 4.2.11 Aunque la funcin g verica
lm
t
g(t, ) = lm
t
1
K() K(t)
= ,
los integrandos que aparecen en la expresin del Teorema 4.2.10 estn bien denidos; ms pre-
cisamente, ambos se anulan en = t. Este hecho se tendr en cuenta a la hora de implementar
numricamente esta frmula.
2
Como es lgico, se tiene la anloga versin alternativa para la temperatura T:
Corolario 4.2.12 La solucin del problema (4.1) tambin puede expresarse como
T(r, t) = T
0
Q(t, 0) +
Rh
4
_
t
0
_
T
e
() m()
_
Q(t, )g(t, )
_
2
0
e
C
4
(r,)g(t,)
dd
+
C
p
R
8
_
t
0
k()
_
m() T
0
Q(, 0)
_
Q(t, )g(t, )
_
2
0
(R r cos )g(t, )
e
C
4
(r,)g(t,)
dd
para r [0, R) y t [0, t
f
].
DEMOSTRACIN. Este resultado se prueba de forma totalmente anloga a como se demuestra el
Teorema 4.2.10.
2
4.3. Unicidad de solucin del problema inverso
En esta seccin abordamos la unicidad de solucin del problema inverso, entendiendo por ello
que la funcin k est unvocamente determinada por los valores que tome la funcin T en R y en
otro punto r
0
[0, R).
Es de resear que esto no siempre ocurre. Por ejemplo, si la temperatura exterior evoluciona
en la forma
T
e
(t) = T
0
e
Cp
(P(t)P(0))
la propia funcin T(t) = T
e
(t) es solucin del problema directo (4.1), independientemente de
cul sea la funcin k.
Para asegurar la unicidad de solucin del problema de identicar el coeciente de conductivi-
dad, restringiremos el contexto en que se plantea el problema y trabajaremos bajo las siguientes
hiptesis:
(H1) T
e
(t) T
0
para todo t [0, t
f
].
(H2) La presin P es lineal y estrictamente creciente. Por tanto, P
(t) > 0, t [0, t

f
].
Observacin 4.3.1 Ntese que, dado que nuestro objetivo es identicar k, lo que suponemos es
que podemos disear un experimento que satisface estas hiptesis.
2
Gracias al principio de comparacin se llega a los siguientes resultados, que nos ayudarn a
demostrar la unicidad del coeciente k.
Lema 4.3.2 Bajo las hiptesis (H1), (H2) y siendo k lipschitziana en [0, t
f
] con k k
0
> 0, se
verica que
T
0
T(x, t) T
0
e
Cp
(P(t)P(0))
(4.17)
para todo (x, t) B
R
[0, t
f
]. Adems, para cada t
(0, t
f
) existe
(0, t
) tal que
T
0
< m(
).
DEMOSTRACIN. La desigualdad (4.17) se transforma, deshaciendo los cambios de variable uti-
lizados previamente, en la desigualdad para v
f(t) T
0
v(x, t) 0. (4.18)
Es sencillo comprobar que, aplicando el principio de comparacin descrito en la Proposi-
cin 4.1.7 a las funciones v
1
= f(t) T
0
y v
2
= v se obtiene la desigualdad de la izquierda.
Anlogamente, la eleccin de v
1
= v y v
2
= 0 en dicho resultado proporciona la desigualdad de
la derecha.
Demostremos el aserto nal razonando por contradiccin: Supongamos que existe un interva-
lo (0, t
), con 0 < t
< t
f
, en el que m(t) = T
0
para todo t (0, t
). En tal caso, la funcin T

sera solucin del problema
_
_
C
p
T
t
k(t)T = P
(t)T en B
R
(0, t
)
k(t)
T
n
= 0 en B
R
(0, t
)
T = T
0
en B
R
0.
Gracias a la unicidad de solucin de este problema (vase, v. gr., [63, Teorema 8, pg. 176]),
nuestra funcin T tendra que coincidir en B
R
(0, t
) con la (nica) solucin de este problema

que es
T
0
e
Cp
(P(t)P(0))
,
la cual no verica m(t) = T
0
para ningn t > 0.
2
Lema 4.3.3 Bajo las hiptesis (H1), (H2), supongamos que k (
1
([0, t
f
]), k k
0
> 0 y que se
verica la condicin
k
(t) k(t)
f
(t)
f(t) T
0
= k(t)

C
p
1
e
Cp
t
1
. (4.19)
cuando t [0, t
f
]. Entonces,
T
t
(x, t)

C
p
T(x, t)P
(t) 0 (4.20)
para todo (x, t) B
R
[0, t
f
]. En particular,
m
(t)

C
p
m(t)P
(t) = m
(t)

C
p
m(t) 0
si t (0, t
f
).
DEMOSTRACIN. Nuevamente transformamos, mediante los cambios de variable, la desigual-
dad (4.20) en la correspondiente desigualdad para v, que no es otra que
v
t
(x, t) 0.
Si derivamos respecto a t en las ecuaciones del problema (4.5) obtenemos que
v
t
verica las
igualdades
C
p
t
_
v
t
_
k
_
v
t
_
= k
v =
k
k
(kv) = C
p
k
k
v
t
y
k

n
_
v
t
_
+h
_
v
t
_
= hf
v
n
= hf
k
h(f T
0
v).
Adems, puesto que v es constantemente cero en el instante inicial, la primera ecuacin
de (4.5) nos asegura que
v
t
(x, 0) = 0
As pues, hemos demostrado que 1 =
v
t
es solucin del problema
_
_
C
p
1
t
k1 = C
p
k
k
1 en B
R
(0, t
f
)
k
1
n
+h1 = h
_
f
k
(f T
0
v)
_
en B
R
(0, t
f
)
1 = 0 en B
R
0.
Si ahora consideramos la funcin =
1
k
1 =
1
k
v
t
(es decir, realizamos el cambio de variable
anlogo a (4.2)), tendremos que verica
_
_
C
p
t
k = 0 en B
R
(0, t
f
)
k
n
+h =
h
k
_
f
k
(f T
0
v)
_
en B
R
(0, t
f
)
= 0 en B
R
0.
La condicin (4.19) nos servir para demostrar que
h
k
_
f
k
(f T
0
v)
_
0, (x, t) B
R
(0, t
f
). (4.21)
Con este objetivo, distinguiremos dos casos: los instantes t para los que se tenga que k
(t) 0 y
los instantes t en que k
(t) > 0. As,

1) Si k
(t) 0: Gracias a (4.18) sabemos que f(t) T

0
v(x, t) 0. La desigualdad se obtiene,
por tanto, sin ms que tener en cuenta que
f
(t) =

C
p
e

Cp
t
0.
2) Si k
(t) > 0: Usando la desigualdad derecha de (4.18), podemos escribir

h
k(t)
_
f
(t)
k
(t)
k(t)
(f(t) T
0
v(x, t))
_
=
h
k(t)
_
f
(t)
k
(t)
k(t)
(f(t) T
0
)
_
+
hk
(t)
k
2
(t)
v(x, t)
h
k(t)
_
f
(t)
k
(t)
k(t)
(f(t) T
0
)
_
=
h
k
2
(t)
_
k(t)f
(t) k
(t)(f(t) T
0
)
_
.
La condicin (4.19), junto con el hecho de que f(t) T
0
0, proporciona el signo requerido.
Una vez probada la desigualdad (4.21), el principio de comparacin de la Proposicin 4.1.7
es, de nuevo, el argumento que permite concluir el resultado.
2
Observacin 4.3.4 En realidad no es necesario exigir tanta regularidad a la funcin k. Bastara
con que la funcin k estuviera en W
1,
(0, t
f
) (cf. [4, pg. 155]).
2
Observacin 4.3.5 La condicin (4.19) sobre el crecimiento de k slo supone una restriccin en
los intervalos de tiempo en que la funcin k crezca (de hecho, la verican de forma automtica las
funciones constantes y las decrecientes). Adems, puesto que
lm
t0
+
1
e
Cp
t
1
= ,
dicha condicin no supone ninguna restricin sobre k para tiempos cortos.
Las funciones elegidas en los ejemplos numricos de la Seccin 4.4 verican esta acotacin,
la cual hay que interpretar como parte de la informacin a priori necesaria para poder identicar
el coeciente de conductividad. Esta informacin viene a decir que el coeciente k no puede tener
cambios bruscos, tpicos de los procesos en que se produce cambio de fase, lo cual no ocurre en
los casos que estamos analizando, como ya se coment en la Introduccin de este captulo.
2
Con vistas a simplicar la exposicin, trataremos en primer lugar el caso en que la conductivi-
dad trmica sea constante. Posteriormente, se extender la argumentacin anterior al caso general.
4.3.1. Caso k constante
Si k es constante, la funcin g se expresa como
g(t, ) =
1
k(t )
y, gracias al Teorema 4.2.10, la solucin del problema (4.1) viene dada por
T(r, t) = T
0
Q(t, 0) +
Rh
4
_
t
0
T
e
() m()
t
Q(t, )
_
2
0
e
Cp
4k
(r,)
t
k
dd
+
R
2
_
t
0
_
m
()

C
p
m()P
()
_
Q(t, )
_
2
0
R r cos
(r, )
e
Cp
4k
(r,)
t
dd.
Supongamos que existen dos constantes positivas k
1
y k
2
que proporcionan la misma medicin
m(t) en el extremo derecho R y, adems, una misma medicin en algn otro punto r
0
[0, R).
Supongamos, por ejemplo, que k
1
k
2
y veamos que, de hecho, k
1
= k
2
. Denotando por
0
() = (r
0
, ) y
0
() =
R r
0
cos
0
()
,
puesto que
T
0
Q(t, 0) +
Rh
4
_
t
0
T
e
() m()
t
Q(t, )
_
2
0
e
Cp
4k
1
0
()
t
k
1
dd
+
R
2
_
t
0
_
m
()

C
p
m()P
()
_
Q(t, )
_
2
0
0
() e
Cp
4k
1
0
()
t
dd
= T
0
Q(t, 0) +
Rh
4
_
t
0
T
e
() m()
t
Q(t, )
_
2
0
e
Cp
4k
2
0
()
t
k
2
dd
+
R
2
_
t
0
_
m
()

C
p
m()P
()
_
Q(t, )
_
2
0
0
() e
Cp
4k
2
0
()
t
dd,
se tiene que
0 =
Rh
4
_
t
0
T
e
() m()
t
Q(t, )
_
2
0
_
_
e
Cp
4k
1
0
()
t
k
1
Cp
4k
2
0
()
t
k
2
_
_
dd
+
R
2
_
t
0
_
m
()

C
p
m()P
()
_
Q(t, )
_
2
0
0
()
_
e
Cp
4k
1
0
()
t
e
Cp
4k
2
0
()
t
_
dd.
(4.22)
Para el caso k constante que nos ocupa, podemos concluir que:
a) Existe t
tal que, para todo [0, 2] y todo [0, t
], se cumple
e
Cp
4k
1
0
()
t
k
1
Cp
4k
2
0
()
t
k
2
0,
con igualdad slo en el caso en que k
1
= k
2
. En efecto, en primer lugar, destacamos que, para
todo c > 0, la funcin xe
cx
es estrictamente decreciente si x >
1
c
(puesto que su derivada
e
cx
(1 cx) slo se anula en
1
c
y es positiva a la izquierda y negativa a la derecha de ese
punto). En particular, para
c =
C
p
4
0
()
t
=
C
p
(R
2
2Rr
0
cos +r
2
0
)
4(t
)
, (4.23)
teniendo en cuenta que
c =
C
p
(R
2
2Rr
0
cos +r
2
0
)
4(t
)

C
p
(R r
0
)
2
4(t
)
, [0, 2],
el resultado se obtiene si se toma t
vericando
1
k
2
1
k
1
>
4(t
)
C
p
(R r
0
)
2

1
c
, [0, t
],
es decir,
0 < k
2
k
1
<
C
p
(R r
0
)
2
4(t
)
, [0, t
].
Esta condicin se verica sin ms que elegir t
de forma que
t
<
C
p
(R r
0
)
2
4k
1
,
puesto que, en tal caso, si t
, se tiene que
k
1
(t
) k
1
t
C
p
(R r
0
)
2
4
.
b) Dado t
como en a), es claro que, para todo [0, t
] y todo [0, 2],

e
Cp
4k
1
0
()
t
Cp
4k
2
0
()
t
0,
puesto que la funcin e
cx
es estrictamente decreciente para c > 0 (en particular, para el c
dado en (4.23)).
As pues, particularizando la expresin (4.22) en t = t
se obtiene que
0 =
Rh
4
_
t
0
T
e
() m()
t
Q(t
, )
_
2
0
_
_
e
Cp
4k
1
0
()
t
k
1
Cp
4k
2
0
()
t
k
2
_
_
dd
+
R
2
_
t
0
_
m
()

C
p
m()P
()
_
Q(t
, )
_
2
0
0
()
_
e
Cp
4k
1
0
()
t
Cp
4k
2
0
()
t
_
dd.
El apartado a) anterior y la desigualdad (4.17) determinan que el integrando del primer suman-
do es no positivo; anlogamente, el Lema 4.3.3 y el apartado b) anterior, junto con la propiedad
0
() =
R r
0
cos
0
()

(R r
0
)
(R +r
0
)
2
> 0, [0, 2],
hacen que el integrando del segundo sumando sea tambin no positivo. Por tanto, cada integrando
en dicha expresin debe ser la funcin idnticamente nula. Evaluando el primer integrando en el
correspondiente instante
del Lema 4.3.2 se tiene que

e
Cp
4k
1
0
()
t
k
1
Cp
4k
2
0
()
t
k
2
= 0,
por lo que, gracias al apartado a), se concluye que k
1
= k
2
.
Todo lo anterior queda recogido en el siguiente resultado:
Teorema 4.3.6 Sean T
1
y T
2
las respectivas soluciones de los problemas
_
_
C
p
T
t
k
1
T = P
(t)T en B
R
(0, t
f
)
k
1
T
n
= h(T
e
(t) T) en B
R
(0, t
f
)
T = T
0
en B
R
0
y
_
_
C
p
T
t
k
2
T = P
(t)T en B
R
(0, t
f
)
k
2
T
n
= h(T
e
(t) T) en B
R
(0, t
f
)
T = T
0
en B
R
0,
siendo k
1
y k
2
dos constantes positivas. Supongamos (H1), (H2) y que para todo t [0, t
f
] se
verica
T
1
(R, t) = T
2
(R, t) y T
1
(r
0
, t) = T
2
(r
0
, t) para algn r
0
[0, R).
Entonces k
1
= k
2
.
2
4.3.2. Caso k arbitraria
Supongamos que existen funciones k
1
y k
2
distintas que proporcionan la misma medicin
m(t) en el extremo derecho R y, adems, una misma medicin en algn otro punto r
0
[0, R).
Vamos a suponer que se verica la siguiente propiedad: existen t
0
[0, t
f
] y t
(t
0
, t
f
] tales
que
_
k
1
(t) = k
2
(t), t [0, t
0
]
k
1
(t) > k
2
(t), t (t
0
, t
].
Para ello, las funciones anteriores no deben tener oscilaciones del tipo de las que tiene xsen
_
1
x
_
en x = 0. Una condicin suciente para que se cumpla esta pequea restriccin es que las fun-
ciones k
1
y k
2
sean, adems de continuas, localmente analticas por la derecha en [0, t
f
); esta
clase de funciones incluye a cualquier funcin denida a trozos que en cada trozo coincida con
un polinomio, una funcin exponencial, una funcin trigonomtrica, etc. o con funciones que sean
composiciones entre ellas.
Denotando por
_
_
K
i
(t) =
_
t
f
t
k
i
(s)ds,
x
i
() =
1
K
i
() K
i
(t
)
=
1
_
t
k
i
(s)ds
,
para i = 1, 2, y argumentando de manera anloga a como se hizo en el apartado 4.3.1, se llega a
que
0 =
Rh
4
_
t
0
_
T
e
() m()
_
Q(t
, )
_
2
0
_
x
1
()e
Cp
0
()x
1
()
4
x
2
()e
Cp
0
()x
2
()
4
_
dd
+
R
2
_
t
0
_
m
()
m()P
()
C
p
_
Q(t
, )
_
2
0
0
()
_
e
Cp
0
()x
1
()
4
e
Cp
0
()x
2
()
4
_
dd.
Para poder llegar a hacer un razonamiento parecido al del caso k constante, veamos en primer
lugar que x
1
() < x
2
() si 0 < < t
:
a) Si [0, t
0
)
x
1
() =
1
_
t
k
1
(s)ds
=
1
_
t
0
k
1
(s)ds +
_
t
t
0
k
1
(s)ds
=
1
_
t
0
k
2
(s)ds +
_
t
t
0
k
1
(s)ds
<
1
_
t
0
k
2
(s)ds +
_
t
t
0
k
2
(s)ds
= x
2
().
b) Si [t
0
, t
]
x
1
() =
1
_
t
k
1
(s)ds
<
1
_
t
k
2
(s)ds
= x
2
().
Por otra parte, utilizando que la funcin xe
cx
es estrictamente decreciente si x
1
c
, para la
eleccin de
c =
C
p
4

0
() =
C
p
(R
2
2Rr
0
cos +r
2
0
)
4
, (4.24)
se tiene que
x
1
()e
cx
1
()
x
2
()e
cx
2
()
> 0
siempre que x
1

1
c
. Esta condicin se cumple si, por ejemplo, se pide a la funcin k (y, por tanto,
a las funciones k
1
y k
2
que queremos demostrar que son iguales) que verique
_
t
f
0
k(s)ds
C
p
(R r
0
)
2
4
c,
lo cual debe ser interpretado como parte de la informacin a priori que debe conocerse sobre k
para poder determinarla de forma unvoca.
Puesto que la funcin f(x) = e
cx
es decreciente para c > 0, la eleccin de c en (4.24) hace
que se tenga
e
cx
1
()
e
cx
2
()
> 0.
Suponiendo las hiptesis (H1) y (H2), gracias a los Lemas 4.3.2 y 4.3.3 volvemos a encontrar-
nos con que la suma de dos integrales denidas de sendas funciones no positivas se anula. Puesto
que el primer integrando tiene puntos en los que es estrictamente negativo (todo un entorno del
instante
del Lema 4.3.2), llegamos a una contradiccin, la cual proviene de suponer que hay
puntos en [0, t
f
] en los que k
1
,= k
2
. As pues, se concluye que k
1
= k
2
en [0, t
f
].
Estamos en condiciones de enunciar el siguiente resultado:
Teorema 4.3.7 Sean T
1
y T
2
las respectivas soluciones de los problemas
_
_
C
p
T
t
k
1
(t)T = P
(t)T en B
R
(0, t
f
)
k
1
(t)
T
n
= h(T
e
(t) T) en B
R
(0, t
f
)
T = T
0
en B
R
0
y
_
_
C
p
T
t
k
2
(t)T = P
(t)T en B
R
(0, t
f
)
k
2
(t)
T
n
= h(T
e
(t) T) en B
R
(0, t
f
)
T = T
0
en B
R
0,
siendo k
i
(
1
([0, t
f
]), con k
i
k
0
> 0, i = 1, 2. Supongamos (H1), (H2) y que para todo
t [0, t
f
] se verica
T
1
(R, t) = T
2
(R, t) y T
1
(r
0
, t) = T
2
(r
0
, t) para algn r
0
[0, R).
Si las funciones k
i
son localmente analticas por la derecha en [0, t
f
) y verican
_
t
f
0
k
i
(s)ds
C
p
(R r
0
)
2
4
, i = 1, 2 (4.25)
y
k
i
(t) k
i
(t)

C
p
1
e
Cp
t
1
, t [0, t
f
], i = 1, 2,
entonces k
1
= k
2
.
2
Observacin 4.3.8 El resultado anterior nos indica que si suponemos que las mediciones de que
disponemos en r
0
y en R son las correspondientes a una temperatura que se modeliza mediante
las ecuaciones (4.1), con k vericando las hiptesis requeridas en el Teorema 4.3.7, entonces la
funcin k queda unvocamente determinada a partir de dichas mediciones.
2
Observacin 4.3.9 Cuanto ms separadas se hayan hecho las dos mediciones (i. e., cuanto ms
cercano a cero est r
0
) menos restrictiva ser la condicin (4.25) relativa a la informacin a priori
sobre k y, por tanto, podremos garantizar la unicidad de solucin del problema inverso para un
conjunto ms amplio de funciones.
2
4.4. Resultados numricos
Comenzamos esta seccin describiendo la metodologa utilizada para resolver el problema
inverso, la cual se basa en un mtodo de colocacin con funciones continuas lineales a trozos en
una particin temporal. Buscaremos una aproximacin de este tipo para la funcin k (es decir, las
incgnitas sern los valores de k en cada uno de los puntos de dicha particin).
Suponemos que las mediciones experimentales se han hecho en el centro y la frontera de la
bola, en cada uno de los instantes t
i
, i = 1, 2, . . . , n, de dicha particin. A continuacin, se escribe
la igualdad del Teorema 4.2.10 con r = 0 y t = t
i
, se sustituye el valor T(0, t
i
) por la medicin
en el centro de la muestra en ese instante y se sustituye la funcin m por la interpolacin lineal a
trozos de las mediciones en el borde. La derivada de mse aproxima mediante la frmula progresiva
de primer orden. La aproximacin de las integrales en (0, t
i
) correspondientes se realiza mediante
la regla de los trapecios, tomando como valor de los integrandos en t
i
cero, segn lo comentado en
la Observacin 4.2.11. Estas aproximaciones dan lugar a un sistema de n ecuaciones no lineales
en el que aparecen n incgnitas, los n valores de k en los instantes t
i
, i = 1, 2, . . . , n. Como ya se
ha dicho, el valor de k en el instante inicial lo supondremos conocido, pues se corresponde con el
valor a presin atmosfrica.
La resolucin del sistema no lineal as construido se lleva a cabo mediante la herramienta
fsolve de Matlab con una precisin de la centsima para la raz (es decir, del tamao que se
supondr para el error de medicin) y de 10
4
en la evaluacin de la funcin. Esta herramienta
utiliza una estrategia de regin de conanza aplicada al mtodo de Newton; los detalles pueden
verse en la documentacin de Matlab (Optimization Toolbox, Nonlinear Systems of Equations,
TrustRegion Dogleg Method) y en [61] y [62]. El valor inicial elegido para comenzar la iteracin
es k
i
= k(0), i = 1, 2, . . ., n.
Presentamos los resultados obtenidos en la identicacin del coeciente de conductividad para
tres ejemplos de prueba en los que se ha utilizado el mismo incremento lineal de presin (va-
se (4.26)) y la misma perturbacin de los datos (tal y como se explica ms adelante). Se ha partido
de tres tipos distintos de funciones k: una recta, una raz y una potencia. Los datos del dominio,
as como para los parmetros del problema fsico, se han tomado como en el caso del alimento
de tipo slido del Captulo 1 (es decir, los correspondientes a la tilosa). Se supone un tratamiento
como el P2 de dicho captulo, con la salvedad de que el aumento de presin se hace de una forma
mucho ms lenta (en 1800 segundos en lugar de 183) para que sea ms notorio el efecto de la
conductividad.
En concreto, la presin se ha tomado como
P(t) = 0.2t + 0.1 (4.26)
y las funciones k objeto de identicacin se han elegido (vase la Figura 4.1)
1) k(t) =
0.75t + 450
1800
2) k(t) =
_
0.75t + 450
1800
3) k(t) =
_
0.25t + 1350
1800
_
3
.
Hemos trabajado con funciones k crecientes, pues fsicamente es razonable esperar que la
conductividad crezca cuando se aumenta la presin (vase, por ejemplo, los datos para distintos
materiales en [47]). El tamao de estas funciones est elegido para que tengan el mismo orden que
la conductividad media de la tilosa en el Captulo 1, cuyo valor es 0.559. Todas ellas satisfacen las
desigualdades (4.19) y (4.25), relativas a la informacin a priori sobre k.
Calculamos la que tomaremos como solucin exacta del problema directo mediante la herra-
mienta pdetool de Matlab, en una particin equiespaciada de 61 instantes del intervalo temporal
[0, 1800]. Seguidamente, se extrae su valor en el centro de la bola y en un punto de la frontera, para
dichos instantes. Las mediciones con error se generan perturbando los valores de la temperatura
en estos dos puntos, de la misma forma en los tres casos, y mediante una perturbacin de orden
del 1 % del rango de las temperaturas.
0 500 1000 1500
0.2
0.4
0.6
0.8
1
Conductividades

lineal
raz
potencia
Figura 4.1: Conductividades consideradas en las pruebas numricas realizadas.
Los resultados obtenidos se muestran en la Figura 4.2. Como se observa, el error en la identi-
cacin de k es mayor al nal del intervalo temporal. Esto lo explica el hecho de que los valores
de k en los instantes nales intervienen tan slo en las ltimas ecuaciones y, al ser su valor menos
determinante en el sistema no lineal, la solucin numrica con el grado de precisin requerido
admite mayores errores al nal de dicho intervalo. Esto implica que sea ms difcil que, en dichos
instantes, los valores que se obtengan para k cambien respecto al valor inicial que se propone para
la iteracin.
Los mayores errores en la temperatura calculada tras la identicacin se obtienen, coherente-
mente, cuando se produce el mayor error en k, mantenindose ligados ambos errores a lo largo
del tiempo. En cualquier caso, los errores cometidos en la aproximacin de T estn por debajo del
orden del error en las mediciones, i. e., del orden de la perturbacin, lo cual hace que los resultados
sean muy satisfactorios.
Tambin se indica en la Figura 4.2 (identicado como % mx. de error), para cada uno de los
tres experimentos numricos, el mayor valor del error relativo porcentual, es decir, si denotamos
por

T la solucin del problema correspondiente a la identicacin aproximada de k, la cantidad
max
k=1,2,...,n
_
_
_
T(, t
k
) T(, t
k
)
C(B
R
)
[[T(, t
k
)[[
C(B
R
)
100
_
_
_.
0 500 1000 1500 2000
0.2
0.4
0.6
0.8
1
1.2
Conductividad k

k exacta
k identificada
0 500 1000 1500 2000
0
0.1
0.2
0.3
0.4
0.5
% mx. de error = 0.14

Error en T
Error en k
0 500 1000 1500 2000
0.4
0.6
0.8
1
1.2
1.4
Conductividad k

k exacta
k identificada
0 500 1000 1500 2000
0
0.1
0.2
0.3
0.4

Error en T
Error en k
0 500 1000 1500 2000
0.4
0.5
0.6
0.7
0.8
0.9
1
Conductividad k

k exacta
k identificada
0 500 1000 1500 2000
0
0.1
0.2
0.3
0.4
0.5

Error en T
Error en k
Figura 4.2: Conductividad trmica (Izquierda) y error en la temperatura (Derecha) correspon-
dientes al caso en que k es una recta (Arriba), una raz (Centro) y una potencia (Abajo).
Bibliografa
[1] R. Aris. Vectors, Tensors, and the Basic Equations of Fluid Mechanics. Dover Publications,
Inc. 1989.
[2] A. Baars, C. Rauh y A. Delgado. High pressure rheology and the impact on process homo-
geneity. High Pressure Research 27(1) (2007) 7783.
[3] G. K. Batchelor. An Introduction to Fluid Mechanics. Cambridge University Press. 1967.
[4] H. Brezis. Analyse Fonctionelle. Thorie et applications. Masson. 1983.
[5] F. Brezzi y K. J. Bathe. A discourse on the stability conditions for mixed nite element
formulations. Comp. Meth. in Appl. Mech. Eng. 82(1-3) (1990) 2757.
[6] T. A. Davis e I. S. Duff. An Unsymmetric-Pattern Multifrontal Method for Sparse LU Facto-
rization. SIAM. J. Matrix Anal. & Appl. 18(1) (1997) 140158.
[7] L. Debiane, B. Ivorra, B. Mohammadi, F. Nicoud, A. Ern, T. Poinsot y H. Pitsch. A low
complexity global optimization algorithm for temperature and pollution control in ames
with complex chemistry. International Journal of Computational Fluid Dynamics 20(2)
(2006) 9398, DOI: 10.1080/10618560600771758.
[8] A. Delgado, C. Rauh, W. Kowalczyk y A. Baars. Review of modelling and simulation of high
pressure treatment of materials of biological origin. Trends in Food Science & Technology
19(6) (2008) 329336. DOI: 10.1016/j.tifs.2008.01.009.
[9] A. M. Denisov. Elements of the Theory of Inverse Problems. Inverse and IllPosed Problems
Series. VSP. 1999.
[10] S. Denys, A. van Loey y M. E. Hendrickx. A modelling approach for evaluating process
uniformity during batch high hydrostatic pressure processing: combination of a numerical
heat transfer model and enzyme inactivation kinetics. Innovative Food Science and Emerging
Technologies 1 (2000) 519. DOI: 10.1016/S1466-8564(99)00003-X.
[11] K. D. Dolan, L. Yang y C. P. Trampel. Nonlinear regression technique to estimate kinetic
parameters and condence intervals in unsteadystate conductionheated foods. J. Food Eng.
80(2) (2007) 581593. DOI: 10.1016/j.jfoodeng.2006.06.023.
[12] L. A. Fernndez y C. Pola. Identication of a quasilinear parabolic equation from nal data.
International Journal of Applied Mathematics and Computer Science 4 (2001) 859879.
[13] C. Fernndez y J. M. Vegas. Ecuaciones diferenciales II: Ecuaciones no lineales. Pirmide.
1996.
151
152 Bibliografa
[14] A. Fraguela, C. Gamio y D. Hinestroza. The inverse problem of Electrical capacitance To-
mography and its application to GasOil two phase ow imaging. WSEAS Transactions on
Systems 1(2) (2002) 130-137. ISSN: 1109-2777.
[15] A. Fraguela, J. A. Infante, . M. Ramos y J. M. Rey. Identication of a heat transfer coef-
cient when it is a function depending on temperature. WSEAS Trans. Math. 7(4) (2008)
160172. ISSN: 1109-2769.
[16] A. Fraguela, J. Oliveros, L. Cervantes, M. Morin y S. Gmez: Un algoritmo no iterativo para
la tomografa de capacitancia elctrica. Revista Mexicana de Fsica 51(3) (2005) 236242.
ISSN: 0035-001X.
[17] A. Fraguela, J. Oliveros, M. Morin y L. Cervantes. Inverse Electroencephalography
for cortical sources. Applied Numerical Mathematics 55(2) (2004) 191203. DOI:
10.1016/j.apnum.2005.02.004.
[18] B. A. Fricke y B. R. Becker. Calculation of heat transfer coefcients for foods. Int. Comm.
Heat Mass Transfer 29(6) (2002) 731740. DOI: 10.1016/S0735-1933(02)00363-9
[19] S. Gmez, M. Ono, C. Gamio y A. Fraguela. Reconstruction of Capacitance Tomography
Images of Simulated TwoPhase Flow Regimes. Applied Numerical Mathematics 46(2)
(2003) 197208. DOI: 10.1016/S0168-9274(02)00253-2
[20] B. Guignon, . M. Ramos, J. A. Infante, J. M. Daz y P. D. Sanz. Determining thermal pa-
rameters in the cooling of a smallscale high pressure freezing vessel. International Journal
of Refrigeration 29(7) (2006) 11521159. DOI:10.1016/j.ijrefrig.2006.01.007
[21] M. de Guzmn: Ecuaciones diferenciales ordinarias. Teora de estabilidad y control. Alham-
bra. 1980.
[22] M. Hanke y C. Hansen. Regularization method for large scale problems. Surv. Math. Ind.
3(4) (1993) 253315.
[23] C. Hansen. Analysis of discrete ill posed problems by means of the Lcurve. SIAM Rev. 34
(1992) 561580.
[24] Chr. Hartman y A. Delgado. Numerical simulation of thermal and uiddynamical transport
effects on a high pressure induced inactivation. Simulation Modelling Practice and Theory
13 (2005) 109118.
[25] Chr. Hartman, A. Delgado y J. Szymczyk. Convective and diffussive transport effect in a
high pressure induced inactivation process of packed food. Journal of Food Engineering 59
(2003) 3344.
[26] G. Hauke y T. J. R. Hughes. A unied approach to compressible and incompressible ows.
Comp. Meth. in Appl. Mech. Eng. 113(3-4) (1994) 389395.
[27] S. A. Hawley. Reversible PressureTemperature Denaturation of Chymotrypsinogen. Bio-
chemistry 10 (1971) 24362442.
[28] R. Hayashi. Application of High Pressure to Food Processing and Preservation: Philosophy
and Development. En Engineering and Food 2, W.E.L. Spiess y H. Schubert eds. Elsevier
Applied Science. 1989. 815826.
Bibliografa 153
[29] A. C. Hindmarsh, P. N. Brown, K. E. Grant, S. L. Lee, R. Serban, D. E. Shumaker y C.
S. Woodward. SUNDIALS: Suite of Nonlinear and Differential/Algebraic Equation Solvers.
ACM T. Math. Software 31(3) (2005) 363396.
[30] T. J. R. Hughes, L. P. Franca y G. M. Hulbert. A new nite element formulation for compu-
tational uid dynamics: VIII. The Galerkin least squares method for advective-difusive equa-
tions. Comp. Meth. in Appl. Mech. Eng. 73(2) (1989) 173189.
[31] I. Indrawati, A. M. van Loey, L. R. Ludikhuyze y M. E. Hendrickx. Soybean Lipoxygenase
Inactivation by Pressure at Subzero and Elevated Temperatures. J. Agric. Food Chem. 47(6)
(1999) 24682474.
[32] I. Indrawati, A. M. van Loey, C. Smout y M. E. Hendrickx. High hydrostatic pressure techno-
logy in food preservation. En Food preservation techniques, P. Zeuthen y L. Bogh-Sorensen
eds. Woodhead Publ. Ltd. Cambridge, 2003. 428448.
[33] I. Indrawati, L. R. Ludikhuyze, A. M. van Loey y M. E. Hendrickx. Lipoxygenase Inactiva-
tion in Green Beans (Phaseolus vulgaris L.) Due to High Pressure Treatment at Subzero and
Elevated Temperatures. J. Agric. Food Chem. 48(5) (2000) 18501859.
[34] J. A. Infante, B. Ivorra, . M. Ramos y J. M. Rey. On the Modelling and Simulation of
High Pressure Processes and Inactivation of Enzymes in Food Engineering. Aceptado para
su publicacin en Mathematical Models and Methods in Applied Sciences. ISSN: 0218-2025.
[35] V. Isakov. Inverse Problems for partial differential equations. Springer. 1998.
[36] D. Isebe, P. Azerad, F. Bouchette, B. Ivorra y B. Mohammadi. Shape Optimization of Geo-
textile Tubes for Sandy Beach Protection. International Journal of Numerical Method in
Engineering 74(8) (2008) 12621277. DOI: 10.1002/nme.2209.
[37] B. Ivorra, B. Mohammadi y . M. Ramos. Optimization strategies in credit portfolio mana-
gement. Journal Of Global Optimization 43(2-3) (2009) 415427. DOI: 10.1007/s10898-
007-9221-6.
[38] B. Ivorra, B. Mohammadi, . M. Ramos e I. Redont. Optimizing Initial Guesses to Improve
Global Minimization. Enviado para su publicacin.
[39] B. Ivorra, . M. Ramos y B. Mohammadi. Semideterministic global optimization method:
Application to a control problem of the burgers equation. Journal of Optimization Theory
and Applications. 135(3) (2007) 549561. DOI: 10.1007/s10957-007-9251-8.
[40] F. John. Partial Differential Equations (3
a
Edicin) Applied Mathematical Sciences 1. Sprin-
ger. 1980.
[41] R. P. Kanwal. Generalized Functions: Theory and Technique. Mathematics in Science and
Engineering 171. Academic Press. 1983.
[42] A. Kirsch. An Introduction to the Mathematical Theory of Inverse Problems. Applied Mat-
hematical Sciences 120. Springer. 1996.
[43] W. Kowalczyk y A. Delgado. On convection phenomena during high pressure treatment of
liquid media, High Pressure Research 27(1) (2007) 8592.
[44] L. D. Landau y E. M. Lifshitz. Mecnica de uidos. Curso de Fsica Terica 6. Revert. 1986.
154 Bibliografa
[45] L. Landweber. An iteration formula for Fredholm integral equations of the rst kind. Amer.
J. Math. 73 (1951) 615-624.
[46] J. D. Lee, I. Tanabe y K. Takada. Identication of Heat Transfer Coefcient on Machine Tool
Surface by Inverse Analysis. JSME international journal. Series C, Mechanical systems,
machine elements and manufacturing, 42(4) (1999) 10561060.
[47] E. W. Lemmon, M. O. McLinden y D. G. Friend. Thermophysical properties of uid sys-
tems. En NIST Chemistry Web Book. NIST Standard Reference Database 69, P.J. Linstron
y W.G. Mallard eds. National Institute of Standards and Technology. Recurso electrnico
http://webbook.nist.gov/chemistry/.
[48] G. M. Lieberman. Second Order Parabolic Differential Equations. World Scientic. 1996.
[49] L. R. Ludikhuyze, I. van den Broeck, C. A. Weemaes y M. E. Hendrickx. Kinetic Parame-
ters for PressureTemperature Inactivation of Bacillus subtilis Amylase under Dynamic
Conditions. Biotechnol. Prog. 13(5) (1997) 617623. DOI: 10.1021/bp970053t.
[50] L. R. Ludikhuyze, I. van den Broeck, C. A. Weemaes, C. H. Herremans, J. F. Van Impe,
M. E. Hendrickx y P. P. Tobback. Kinetics for Isobaric-Isothermal Inactivation of Bacillus
subtilis -Amylase. Biotechnol. Prog. 13(5) (1997) 532-538.
[51] L. R. Ludikhuyze, A. M. van Loey, I. Indrawati, C. Smout y M. Hendrickx. Effects of Com-
bined Pressure and Temperature on Enzymes Related to Quality of Fruits and Vegetables:
From Kinetic Information to Process Engineering Aspects. Critical Reviews in Food Science
and Nutrition 43(5) (2003) 527586.
[52] B. LyNguyen, A. M. van Loey, C. Smout, S. E. zcan, D. Fachin, I. Verlent, S. Vu Truong,
T. Duvetter y M. E. Hendrickx. MildHeat and HighPressure Inactivation of Carrot Pectin
Methylesterase: A Kinetic Study. Journal of Food Science 68(4) (2003) 13771383. DOI:
10.1111/j.1365-2621.2003.tb09653.x
[53] R. C. Martins y C. L. M. Silva. Inverse problem methodology for thermal-physical properties
estimation of frozen green beans. Journal of Food Engineering 63(4) (2004) 383392.
[54] K. Miyagawa y K. Suzuki. Studies on Takaamylase A under high pressure: Some kinetic
aspects of pressure inactivation of Takaamylase. A. Arch. Biochem. Biophys. 105 (1964)
297302.
[55] L. Morozov: Regularization methods for Ill Posed Problems. CRC Press. 1993.
[56] T. Norton y D. W. Sun. Recent Advances in the Use of High Pressure as an Effective Pro-
cessing Technique in the Food Industry. Food Bioprocess Technol 1 (2008) 234. DOI:
10.1007/s11947-007-0007-0
[57] J. M. Ortega y W. C. Rheinboldt. Iterative Solution of Nonlinear Equations in Several Varia-
bles. Classics in Applied Mathematics 30. SIAM. 2000.
[58] L. Otero, A. D. MolinaGarca y P. D. Sanz. Some interrelated thermophysical properties of
liquid water and ice I. A userfriendly modeling review for food highpressure processing.
Critical Reviews in Food Science and Nutrition 42(4) (2002) 339352.
Bibliografa 155
[59] L. Otero, A. Ousegui, B. Guignon, A. Le Bail y P. D. Sanz. Evaluation of the thermophysical
properties of tylose gel under pressure in the phase change domain. Food Hydrocolloids 20
(2006) 449460. DOI: 10.1016/j.foodhyd.2005.04.001.
[60] L. Otero, . M. Ramos, C. de Elvira y P. D. Sanz. A Model to Design High-Pressure Proces-
ses Towards an Uniform Temperature Distribution. Journal of Food Engineering 78 (2007)
14631370. DOI: 10.1016/j.jfoodeng.2006.01.020
[61] M. J. D. Powell. A Hybrid Method for Nonlinear Equations. En Numerical Methods for
Nonlinear Algebraic Equations (pg. 87114), P. Rabinowitz ed. Gordon and Breach. 1970.
[62] M. J. D. Powell. A Fortran Subroutine for Solving Systems of Nonlinear Algebraic Equa-
tions. En Numerical Methods for Nonlinear Algebraic Equations (pg. 115161), P. Rabino-
witz ed. Gordon and Breach. 1970.
[63] M. H. Protter y H. F. Weinberger. Maximal Principles in Differential Equations. Springer.
1984.
[64] C. Rauh, A. Baars y A. Delgado. Uniformity of enzyme inactivation in a short-time high-
pressure process. Journal of Food Engineering 91 (2009) 154163.
[65] R. Serban, C. Woodward, A. Hindmarsh, P. Brown, S. Cohen, A. Collier,
K. Grant, S. Lee, D. Reynolds, D. Shumaker y A. Taylor. Recurso electrnico
http://computation.llnl.gov/casc/sundials.
[66] S. Simal, . Berna, A. Mulet y C. Rossell. A method for the calculation of the heat transfer
coefcient in potato drying. Journal of the Science of Food and Agriculture 63(3) (1993)
365367.
[67] R. Simpson y C. Corts. An inverse method to estimate thermophysical properties of foods at
freezing temperatures: apparent volumetric specic heat. Journal of Food Engineering 64(1)
(2004) 8996.
[68] I. Stakgold. Greens Functions and Boundary Value Problems. John Wiley & Sons. 1979.
[69] K. Suzuki y K. Kitamura. Inactivation of enzyme under high pressure: Studies on the kine-
tics of inactivation of amylase of Bacillus subtilis under high pressure. J. Biochem. 54(3)
(1963) 214219.
[70] A. Tansakul y P. Chaisawang. Thermophysical properties of coconut milk. Journal of Food
Engineering 73(3) (2006) 273280. DOI: 10.1016/j.jfoodeng.2005.01.035.
[71] A. N. Tikhonov y V. Y. Arsenin. Solutions of ill posed problems. V.H. Winston & Sons. 1977.
[72] A. N. Tikhonov, A. V. Goncharsky, V. V. Stepanov y A. G. Yagola. Numerical methods for
the solution of Ill Posed Problems. Kluwer. 1995.
[73] V. S. Vladimirov. Distributions en physique mathmatique. Mir. 1979.
[74] V. S. Vladimirov. Equations of Mathematical Physics. Mir. 1984.
[75] J. Zueco, F. Alhama y C. F. Gonzlez Fernndez. Inverse determination of the specic heat
of foods. Journal of Food Engineering 64(3) (2004) 347353.

Tesis JA Infante

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Tesis JA Infante

Hochgeladen von

Copyright:

Verfügbare Formate

UNIVERSIDAD COMPLUTENSE DE MADRID

Facultad de Ciencias Matemticas

en l para determinar H(P

, la cual es desconocida, a diferencia de lo que ocurra en el escenario

es una secuencia de instantes de tiempo. Vamos a denotar por

3T(t) + 4T(t +h) T(t + 2h)

dado en (2.17) es el que proporciona la mejor acotacin (es decir,

dado por (2.17),

. El problema es que tal valor es des-

T que interpola los valores

> 0: cota del error en las mediciones.

. Una vez que

(que se mantengan en el rango de la presin P

del problema adimensionalizado (2.23),

del problema adimensio-

en el problema (2.23) es pequeo

y las cantidades (2.20) que se usan para el clculo de

(t) > 0 para todo t t

(t) = H(T (t))(T

la funcin T alcanza un cierto valor

en ciertos instantes de tiempo; estas aproximaciones servirn para

(es decir, si los valores aproximados que tenemos

, pero deberemos aumentar el

a y en funcin de cmo sea la aproxi-

dadas en (3.7) y (3.9), respectivamente, y

es un valor intermedio entre T(t) y

/ converge puntualmente a la identidad cuando tiende a 0.

y = (), tendiendo a cero cuando lo hace , de forma

tiende a innito cuando tiende a cero; el argu-

, dicha solucin puede escribirse como

(s) senh (s) ds

(s) cosh (s) ds tanh (t

y e() vienen dados por (3.16), (3.9) y (3.10), respectivamente.

3T(t) + 4T(t +h) T(t + 2h)

como en (3.23), tomando n como la parte entera de

del paso temporal; con este

T que interpola los valores

> 0: cota del error en las mediciones.

y e() vienen dados por (3.16), (3.9) y (3.10), respectivamente.

T(x, t) = T(x, t) siendo x = Ax y A =

T(x, t), n(x)

(A) el conjunto de las distribuciones en A (cf., por ejemplo, [41]).

d como resultado una delta de Dirac. Para

(w(x, t; y, ))u(x, t) dxdt (4.10)

que hemos construido verica la condicin (4.6). El

f uniformemente en (() para [[ p.

() con la propiedad de que todas sus derivadas

de forma que est uniformemente acotada en y que sea de clase innito en .

T() y cumple el apartado b).

y, a partir de ella, construimos la funcin

(x, t)w(x, t).

X y verica la condicin (4.6). Por tanto, aplicando el Corolario 4.1.6, se

coincide con w en un entorno de B

; adems, la sucesin L(v

. En particular, se verica que

(y, ) = v(y, ) (4.12)

) en la desigualdad (4.15) y denotando T = T(B

(y, ) v(y, )[ <

(t) > 0, t [0, t

). En tal caso, la funcin T

) con la (nica) solucin de este problema

(t) > 0. As,

(t) 0: Gracias a (4.18) sabemos que f(t) T

(t) > 0: Usando la desigualdad derecha de (4.18), podemos escribir