Tesis124 PDF

TRABAJO DE GRADO PARA OPTAR POR EL TTULO DE INGENIERO
CIVIL

PRESENTADO POR:
IVN DARO ESCOBAR ALBA

PONTIFICIA UNIVERSIDAD JAVERIANA
CARRERA DE INGENIERA CIVIL
24 de junio de 2005
BOGOT D.C.
1

COMPARACIN DE MODELOS MATEMTICOS, APLICADOS A LA
DETERMINACIN DEL FACTOR DE FRICCIN F EN LA ZONA DE
TRANSICIN EN EL FLUJO DE AGUA DE TUBOS CAPILARES.

FACULTAD DE INGENIERA
CARRERA DE INGENIRA CIVIL
SECCIN HIDROTECNIA Y AMBIENTAL

DIRECTOR: ING. NELSON OBREGN

EVALUADOR: ING. GUSTAVO ZARRUK

2
1. TABLA DE CONTENIDO

1. TABLA DE CONTENIDO............................................................................................... 2
2. NDICE DE FIGURAS..................................................................................................... 4
3. INDICE DE GRFICOS.................................................................................................. 4
4. INTRODUCCIN........................................................................................................... 10
5. FLUJO EN MICROCANALES..................................................................................... 12
5.1. Ecuacin de Bernoulli y ecuacin general de la energa general de la energa...... 12
5.1.1. Ecuacin de Bernoulli ........................................................................................... 13
5.1.2. Ecuacin general de la energa. ............................................................................. 13
5.2. Ecuacin de continuidad............................................................................................. 14
5.3. Ecuaciones de Navier-Stokes ...................................................................................... 16
5.4. Nmero de Reynolds ................................................................................................... 21
5.5. Flujo laminar ............................................................................................................... 22
5.6. Flujo Turbulento ......................................................................................................... 30
5.7. Flujo durante la transicin. ........................................................................................ 40
6. DATOS EXPERINENTALES SUMINISTRADOS POR SHARP Y ADRIAN........ 43
6.1. Descripcin del experimento. ..................................................................................... 43
6.2. Posibles errores y sus consecuencias. ......................................................................... 45
6.3. Descripcin y anlisis de los datos obtenidos. ........................................................... 47
6.4. Conclusiones................................................................................................................. 53
7. MODELOS DE INTELIGENCIA ARTIFICIAL........................................................ 55
7.1. Identificacin de Variables Independientes y Dependientes. .................................. 55
7.2. Modelo en Redes Neuronales...................................................................................... 59
7.2.1. Perceptrn 1. .......................................................................................................... 60
7.2.2. Perceptrn 2........................................................................................................... 62
7.2.3. Perceptrn 3........................................................................................................... 62
7.2.4. Perceptrn 4 y 5..................................................................................................... 63
7.2.5. Observaciones........................................................................................................ 64
7.3. Arreglo de los datos experimentales para el modelo en redes neuronales. ............ 65
7.4. Resultados obtenidos por las redes neuronales......................................................... 68
3
7.4.1. Resultados obtenidos de los modelos basados nicamente en redes neuronales. . 69
7.4.2. Resultados obtenidos al utilizar las redes neuronales como una funcin implcita
en el modelo. ......................................................................................................................... 71
7.4.2.1. Resultados obtenidos resolviendo el modelo implcito por medio de un mtodo
iterativo simple ...................................................................................................................... 73
7.4.2.2. Resultados obtenidos resolviendo el modelo implcito por medio de Newton-
Raphson. 75
7.4.3. Otros modelos analizados. ..................................................................................... 78
7.5. Anlisis de los resultados obtenidos en los modelos de redes neuronales .............. 79
8. CONCLUSIONES, RECOMENDACIONES Y TRABAJO FUTURO. .................... 83
9. BIBLIOGRAFA............................................................................................................. 85
10. ANEXOS ...................................................................................................................... 88
10.1.1. Resultados del Perceptrn DRN 3 200.................................................................. 88
10.1.3. Resultados del Perceptrn lnDRN 3 233............................................................... 92
10.1.4. Resultados del Perceptrn lnDRN 3 80................................................................. 94
10.1.7. Resultados del Perceptrn DRNL 4 200.............................................................. 100
10.1.8. Resultados del Perceptrn DRNL 4 233.............................................................. 102
10.1.9. Resultados del Perceptrn lnDRNL 4 233 .......................................................... 104
10.1.10. Resultados del Perceptrn lnDRNL 4 80 ........................................................ 106
10.1.11. Resultados del Perceptrn DRNLD 4 200....................................................... 108
10.1.12. Resultados del Perceptrn lnDRNLD 4 233.................................................... 110
10.1.13. Resultados del Perceptrn DRNLD 3 200....................................................... 112
10.1.14. Resultados del Perceptrn DRNL 3 200.......................................................... 114
10.1.15. Resultados del Perceptrn DRN 3 capas ocultas 200...................................... 116
10.1.16. Resultados del Perceptrn DR 233 datos 3 N.................................................. 120
10.1.19. Resultados del Perceptrn DR 200 datos 3 N (2)............................................ 126
10.1.22. Resultados del Perceptrn DR 80 datos 3 N.................................................... 132
10.1.23. Resultados del Perceptrn DR 200 datos Red Simple..................................... 134
10.1.24. Resultados del Perceptrn DR 200 datos Red Simple (2) ............................... 136

4
2. NDICE DE FIGURAS
FIGURA 1.Flujo de un fluido a travs de un volumen infinitesimal............................................. 14
FIGURA 2. Espacio recorrido en un tiempo dt por una partcula en una lnea de corriente. ..... 16
FIGURA 3. Diagrama de cuerpo libre de una partcula de un fluido en movimiento.................. 18
FIGURA 4. Diagrama de cuerpo libre de una capa en forma de anillo de espesor r y longitud
l, en un tubo circular................................................................................................................... 28
FIGURA 5. Diagrama de cuerpo libre con .z=0. ........................................................................ 32
FIGURA 6. Esquema del perceptrn 1 para tres y cuatro variables independientes. .................. 61
FIGURA 7. Esquema del perceptrn 2 para 3 y 4 variables independientes. .............................. 63
FIGURA 8. Esquema del perceptrn 3 para 3 variables independientes. .................................... 64
FIGURA 9. Esquema de los perceptrones 4 y 5 para 3 variables independientes........................ 65

3. INDICE DE GRFICOS

GRFICA 1. Factor de friccin f vs. Nmero de Reynolds. Fuente: Sharp and Adrian [1]. ....... 29
GRFICA 2. Factor de friccin vs. Nmero de Reynolds discriminados por dimetros y longitud
para el flujo de agua en microcanales (Re>1800). Fuente Sharp y Adrian [1] ........................... 49
GRFICA 3. Nmero de Poiseuille vs. Nmero de Reynolds. Los puntos experimentales deben
ser 1 si el flujo es laminar aqu se puede observar el comienzo de la transicin para el flujo de
agua en microcanales . Fuente Sharp y Adrian [1]. ..................................................................... 50
GRFICA 4. Nmero de poiseuille vs. Nmero de Reynolds, discriminados por dimetro y
longitud para el flujo de agua en microcanales (Re>1800). Fuente Sharp y Adrian [1]............. 51
GRFICA 5. DP* vs. Re. para el flujo de agua en microcanales. Donde DP*, es un valor
adimensional calculado con los valores experimentales que debe ser igual al valor de reynolds.
Fuente Sharp y Adrian [1] ............................................................................................................ 52
GRAFICA A para el perceptrn DRN 3 200. La lnea superior representa el error de los datos de
calibracin (si slo existe una lnea, esta res la misma lnea superior). La lnea inferior
representa el error de validacin. En la ordenadas, est el nmero de entrenamiento, y la lnea
es el respectivo error. .................................................................................................................... 69
GRAFICA B para el perceptrn DRN 3 200. Factor de friccin simulado por la red neuronal vs.
Factor de friccin experimental . .................................................................................................. 70
GRFICA C para perceptrn DRN 3 200. Grfica de Transicin de Colebrook......................... 70
GRAFICA A para el perceptrn DR 3 233 datos 3 N. La lnea superior representa el error de los
datos de calibracin (si slo existe una lnea, esta res la misma lnea superior). La lnea inferior
GRAFICA B para el perceptrn DR 233 datos 3 N.
) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
simulado por la red
neuronal vs.
) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
experimental. ............................................................................ 72
5
GRFICA C para perceptrn DR 233 datos 3 N. Grfica de Transicin de Colebrook. ............. 72
GRFICA D: Simulacin del perceptrn DR 200 3 N (2). f simulado vs. f experimental. ........... 74
GRFICA E: Simulacin del perceptrn DR 200 3 N (2). Grfica de transicin de Colebrook.. 74
GRFICA D: Simulacin del perceptrn DR 200 datos Red Simple (2). f simulado vs. f
experimental. ................................................................................................................................. 75
GRAFICA A para el perceptrn lnDRN 3 233. La lnea superior representa el error de los datos
de calibracin (si slo existe una lnea, esta res la misma lnea superior). La lnea inferior
GRAFICA B para el perceptrn lnDRN 3 233. Factor de friccin simulado por la red neuronal
vs. Factor de friccin experimental . ............................................................................................. 93
GRFICA C para perceptrn lnDRN 3 233. Grfica de Transicin de Colebrook. .................... 93
GRAFICA B para el perceptrn lnDRN 3 80. Factor de friccin simulado por la red neuronal vs.
GRFICA C para perceptrn lnDRN 3 80. Grfica de Transicin de Colebrook. ...................... 95
6
GRAFICA A para el perceptrn DRNL 4 200. La lnea superior representa el error de los datos
es el respectivo error. .................................................................................................................. 100
GRAFICA B para el perceptrn DRNL 4 200. Factor de friccin simulado por la red neuronal
vs. Factor de friccin experimental . ........................................................................................... 101
GRFICA C para perceptrn DRNL 4 200. Grfica de Transicin de Colebrook. ................... 101
Factor de friccin experimental . ................................................................................................ 103
GRFICA C para perceptrn DRN 4 233. Grfica de Transicin de Colebrook....................... 103
GRFICA C para perceptrn lnDRN 4 233. Grfica de Transicin de Colebrook. .................. 105
GRAFICA B para el perceptrn lnDRNL 4 80. Factor de friccin simulado por la red neuronal
GRFICA C para perceptrn lnDRNL 4 80. Grfica de Transicin de Colebrook. .................. 107
GRAFICA A para el perceptrn DRNLD 4 200. La lnea superior representa el error de los datos
GRAFICA B para el perceptrn DRNLD 4 200. Factor de friccin simulado por la red neuronal
GRFICA C para perceptrn DRNLD 4 200. Grfica de Transicin de Colebrook. ................ 109
GRAFICA A para el perceptrn lnDRNLD 4 233. La lnea superior representa el error de los
7
GRAFICA B para el perceptrn lnDRNLD 4 233. Factor de friccin simulado por la red
neuronal vs. Factor de friccin experimental . ........................................................................... 111
GRFICA C para perceptrn lnDRNLD 4 233. Grfica de Transicin de Colebrook. ............. 111
neuronal vs. Factor de friccin experimental . ........................................................................... 113
GRFICA C para perceptrn DRNL 3 200. Grfica de Transicin de Colebrook. ................... 115
GRAFICA A para el perceptrn DRN 3 capas ocultas 200. La lnea superior representa el error
de los datos de calibracin (si slo existe una lnea, esta res la misma lnea superior). La lnea
inferior representa el error de validacin. En la ordenadas, est el nmero de entrenamiento, y
la lnea es el respectivo error. ..................................................................................................... 117
GRAFICA B para el perceptrn DRN 3 Capas Ocultas 200. Factor de friccin simulado por la
red neuronal vs. Factor de friccin experimental . ..................................................................... 117
GRFICA C para perceptrn DR 233 datos 3 N. Grfica de Transicin de Colebrook. ........... 121
GRAFICA A para el perceptrn DR 200 datos 3 N. La lnea superior representa el error de los
) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
simulado por la red
neuronal vs.
) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
experimental .......................................................................... 123
8
) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
simulado por la red
neuronal vs.
) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
experimental .......................................................................... 125
GRAFICA A para el perceptrn DR 200 datos 3 N(2). La lnea superior representa el error de
los datos de calibracin (si slo existe una lnea, esta res la misma lnea superior). La lnea
GRAFICA B para el perceptrn DR 200 datos 3 N (2).
) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
simulado por la red
neuronal vs.
) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
experimental .......................................................................... 127
GRFICA C para perceptrn DR 200 datos 3 N(2). Grfica de Transicin de Colebrook. ...... 127
GRAFICA B para el perceptrn DR 233 datos 3 N(2).
) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
simulado por la red
neuronal vs.
) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
experimental .......................................................................... 129
) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
simulado por la red
neuronal vs.
) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
experimental ......................................................................... 131
9
) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
simulado por la red
neuronal vs.
) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
experimental .......................................................................... 133
GRFICA C para perceptrn DR 80 datos 3 N. Grfica de Transicin de Colebrook. ............. 133
GRAFICA A para el perceptrn DR 200 datos Red Simple. La lnea superior representa el error
GRAFICA B para el perceptrn DR 200 datos Red Simple.
) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
simulado por la
red neuronal vs.
) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
experimental.................................................................... 135
GRFICA C para perceptrn DR 200 datos Red Simple. Grfica de Transicin de Colebrook.135
GRAFICA A para el perceptrn DR 200 datos Red simple(2). La lnea superior representa el
error de los datos de calibracin (si slo existe una lnea, esta res la misma lnea superior). La
lnea inferior representa el error de validacin. En la ordenadas, est el nmero de
entrenamiento, y la lnea es el respectivo error. ......................................................................... 136
GRAFICA B para el perceptrn DR 200 datos Red Simple(2).
) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
simulado por
la red neuronal vs.
) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
experimental............................................................... 137
GRFICA C para perceptrn DR 200 datos Red Simple(2). Grfica de Transicin de Colebrook.
..................................................................................................................................................... 138
GRFICA D: Simulacin del perceptrn DR 200 datos Red Simple (2). Grfica de transicin de
Colebrook.
) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
................................................................................................. 138
10

4. INTRODUCCIN

Desde el momento en que se desarrollaron los criterios para identificar el flujo de un fluido como
laminar o turbulento, a partir del nmero de Reynolds (Re), se estableci una zona de transicin
que actualmente no tiene definido su comportamiento hidrulico.

El inicio de la zona de transicin es determinada por los resultados errticos del factor de friccin
f vs. Re, que no se adaptan al modelo establecido para flujo laminar, es decir, que en el momento
en que se logre una buena aproximacin al comportamiento de f para la zona de transicin se
determinar su inicio y su comportamiento.

En la actualidad, lo que se ha logrado concluir es que el nmero mnimo de Reynolds al que se
produce la transicin est entre 1800 y 2300 [1], o 1500 y 2000 [23]. Estos valores han sido
establecidos por medio de exhaustivos experimentos hechos en varios pases, que involucran la
determinacin de la grfica de f vs. Re. Por la naturaleza no lineal de los datos obtenidos en la
zona de transicin, es muy compleja su modelacin. En algunos casos se han utilizado modelos
basados en mtodos numricos e inteligencia artificial, sin embargo, estos modelos slo sirven
para la prediccin en las condiciones dadas para los datos observados en laboratorio.

ltimamente, con el desarrollo de la nanotecnologa, se han hecho gran cantidad de experimentos
con lo que se conoce como micro-canales (dimetro menor a 1 mm), ya que tienen mucho
potencial como reguladores de temperatura, disipadores de calor y transmisores de calor por
conveccin.

Sin embargo, esta tecnologa, presenta una discusin mundial sobre la fsica que domina su
comportamiento, ya que dependiendo del dimetro, material del tubo y del fluido, y la velocidad
del flujo, existen opiniones contrarias sobre las leyes de la fsica que predominan en estos flujos.

11
A pesar de lo anterior, los experimentos [1] han concluido que el comportamiento de la transicin
en tubos de dimetros mayores a 1 mm es idntico al de tubos de menos de 1 mm, por lo que la
transicin se comporta igual en tubos capilares y las ecuaciones de Navier-Stokes y Poiseuille se
cumplen para Nmeros de Reynolds menores al crtico.

Gracias a los adelantos tecnolgicos que se han presentado en la ltima dcada, ha sido posible el
desarrollo de modelos no lineales basados en tipos de inteligencia artificial como son los modelos
neuronales, los genticos y la lgica difusa. Los cuales tienen la capacidad de reconocer patrones,
optimizar y tomar decisiones, de acuerdo con bases de datos de conocimiento experto.

Al tener en cuenta el alcance de los modelos de inteligencia artificial se puede vislumbrar su
aplicacin a la determinacin de modelos representativos de la zona de transicin.

Este trabajo de grado, consiste en comparar resultados experimentales de valores de f en funcin
de Re en la zona de transicin, con los valores entregados por aproximaciones numricas y
mtodos de inteligencia artificial. Y de esta forma concluir cul mtodo es el ms apropiado para
describir los datos de la transicin que se tienen.

Para lograr la finalidad de este trabajo de grado, este documento fue estructurado por captulos en
donde el quinto trata sobre la fsica dominante en el flujo de microcanales, el sexto muestra un
resumen del experimento de donde fue toma de la base de datos, el sptimo muestra los
resultados obtenidos por medio de redes neuronales y el ltimo captulo muestra las conclusiones,
recomendaciones y el trabajo futuro.
12

5. FLUJO EN MICROCANALES

El flujo en microcanales, ha sido estudiado de manera extensa en los ltimos 10 aos, en estos, se
han buscado tanto los valores del factor de friccin como los coeficientes de transferencia de
calor especfica. Para el alcance de esta tesis slo es relevante la investigacin hecha sobre los
factores de friccin.

Al igual que cualquier tubera, en los microcanales se tienen regmenes de flujo laminar,
turbulento y por su puesto la transicin. Sin embargo, durante estos 10 aos de estudio, se han
presentado pensamientos contrarios acerca de las variables que influyen en el Re crtico, as como
las variables necesarias para hallar el coeficiente de friccin de Darcy durante la transicin. Hasta
el momento no se ha llegado a una teora general y constantemente se conocen nuevas
investigaciones que contradicen o refuerzan la relacin terica establecida para macro tamaos.

Considerando lo anterior y teniendo en cuenta que los resultados experimentales son totalmente
dependientes de la exactitud de las mediciones y fabricacin de los microcanales, tal y como se
explicar ms adelante, se considera que las ltimas investigaciones son las ms confiables, ya
que la incertidumbre disminuye a medida que las tecnologas de fabricacin y medicin avanzan.

El estudio de flujo en microcanales, se basa en las mismas leyes fsicas utilizadas en macro
tamaos, por lo que a continuacin se explicarn las ecuaciones bsicas, de las cuales se derivan
todos los modelos matemticos que describen el flujo de lquidos en micro-canales.

5.1. Ecuacin de Bernoulli y ecuacin general de la energa general de la energa.

La ecuacin general de la energa es, como su nombre lo indica una ecuacin general, que se
aplica a flujo de fluidos con energas Potencial, presin y cintica y prdidas por friccin. La
ecuacin de Bernoulli, es la ecuacin general de la energa sin tener en cuenta las prdidas por
13
friccin. A continuacin se muestra la deduccin de la ecuacin de Bernoulli y posteriormente la
ecuacin general de la energa.

5.1.1. Ecuacin de Bernoulli
1

Suposiciones iniciales:
o No existen prdidas y ganancias de energa durante el tramo estudiado.
o No hay transferencia de calor.
o No existen prdidas de ningn tipo y slo son consideradas 3 energas: energa potencial
energa cintica y energa de presin. Esta ltima, es tomada del trabajo necesario para
mover un fluido.
o Se est considerando flujo de fluidos incompresibles (Vi = Vf).
) 1 (
2
2
1
2
2
1
2
2
1
2
2
1
f f f i i i
f f f i i i
f f f i i i
p v h g p v h g
V m Como
V p v m h g m V p v m h g m
Epr Ec Ep Epr Ec Ep
Ef Ei
+ + = + +
=
+ + = + +
+ + = + +
=

(1), es la ecuacin de Bernoulli expresada en Pa, En aplicaciones de ingeniera normalmente se
da en m.c.a., sin embargo, por facilidad en esta tesis se dar en Pa.

5.1.2. Ecuacin general de la energa.

Las suposiciones iniciales son las mismas que en la ecuacin de Bernoulli, con la diferencia que
esta considera las prdidas y ganancias de energa en el tramo estudiado.

Las prdidas y ganancias de energa al igual que las dems energas, son en funcin de la masa,
por lo que el volumen sigue siendo factor comn (flujo incompresible) y la ecuacin queda como:

1
La demostracin de la ecuacin de Bernoulli y la ecuacin general de la energa se basan en el mtodo establecido
por Robert MOTT L., Mecnica de fluidos aplicada, Ed. Prentice Hall, 1996. Pg. 155 a 157 y 195 a 196.
14

) 2 ( / /
2
2
1
2
2
1
f f f i i i
p v h g V Ea V Ef p v h g + + = + + +
Como se dijo anteriormente, estas ecuaciones pueden darse en varias unidades. Aqu se puede
observar claramente que tanto Ef (Joules) como Ea (Joules) estn divididas por V lo que da
unidades de presin (Pa) al igual que las dems energas. Para el alcance de esta tesis no habr
ganancias de energa, por lo que este trmino ser 0.

5.2. Ecuacin de continuidad
2

Para la deduccin de esta ecuacin, se considerar el cubo mostrado en la figura 1.

FIGURA 1.Flujo de un fluido a travs de un volumen infinitesimal.

Si se considera el flujo incompresible, y se tiene como inicio la definicin de flujo msico, y la
ley de conservacin de la masa (la masa que entra menos la que sale es igual al cambio de masa =
0), se pueden establecer las siguientes ecuaciones:

2
La demostracin de la ecuacin de continuidad fue basada en Pau chang Lu, Introduction To The Mechanics of
Viscous Fluids. Ed. Series In Thermal And Fluids Engineering. Pg. 11 a 12.
(x,y,z,t)
Direccin
del flujo
fluido
y
x
x
y

(x,y,z,t)
Direccin
del flujo
fluido
y
x
x
y
z
15

La ecuacin 3 se conoce como la ecuacin de continuidad para flujo incompresible. En el flujo
compresible la densidad no es constante por lo que la ecuacin de continuidad depende de la
densidad.

En las aplicaciones que conciernen a esta tesis, la ecuacin de continuidad y dems ecuaciones
mostradas, slo tienen en cuenta dos dimensiones y no las tres.

) 3 ( 0 :
0
:
)) , , , ( (
2
1
) , , , (
)) , , , ( (
2
1
) , , , (
)) , , , ( (
2
1
) , , , (
)) , , , ( (
2
1
) , , , (
)) , , , ( (
2
1
) , , , (
)) , , , ( (
2
1
) , , , (
*
=
= =
|
.
|
\
|
+ +

|
|
.
|
\
|
+ +
|
.
|
\
|
+ =
|
.
|
\
|
+

|
|
.
|
\
|
+

|
.
|
\
|
=
=
z
w
y
v
x
u
que tiene Se
M saliente Masa entrante Masa
masa la n Conservaci
y x
z
t z y x w
t z y x w
z x
y
t z y x v
t z y x v
z y
x
t z y x u
t z y x u saliente Masa
y x
z
t z y x w
t z y x w
z x
y
t z y x v
t z y x v
z y
x
t z y x u
t z y x u entrante Masa
v A M

16
5.3. Ecuaciones de Navier-Stokes
3

Las ecuaciones de Navier Stokes, representan la segunda ley de Newton en los fluidos. Es decir, a
partir del diagrama de cuerpo libre de un volumen infinitesimal de un fluido en movimiento
establece la sumatoria de fuerzas y las iguala a la masa por la aceleracin. A continuacin se
muestra la demostracin, partiendo de conceptos bsicos de mecnica de materiales.

Antes que nada, si se observa la ecuacin a m F =
tenemos la masa y la aceleracin como

trminos, por lo que antes de hacer el diagrama de cuerpo libre definiremos estas dos variables.

Masa:
Para comenzar a construir las ecuaciones de Navier-Stokes es primordial establecer como estudio
una lnea de corriente de flujo, como se muestra en la Figura 2. El lquido tiene una densidad j
por definicin la masa es jdA para flujo en dos dimensiones, Esto se ve con mayor facilidad en
la grfica 1.

FIGURA 2. Espacio recorrido en un tiempo dt por una partcula en una lnea de corriente.

3
Basado en Lu, Introduction to... Pg 9 a 47
v
u
y
x

17
Aceleracin:
Para demostrar la ecuacin general de la aceleracin, se va a utilizar la definicin de aceleracin
como la derivada de la velocidad. Para fines de entendimiento se utilizar la definicin de
derivada como lmite.

{ }
j
t
v
y
v
v
x
v
u
t
u
y
u
v
x
u
u a
t
j
t
v
y
v
v
x
v
u
t
u
y
u
v
x
u
u t
a
t v y
t u x
Pero
t
j t y x v t y x u
t
j t
t
v
y
y
v
x
x
v
t y x v t
t
u
y
y
u
x
x
u
t y x u
a
j t
t
v
y
y
v
x
x
v
t y x v t
t
u
y
y
u
x
x
u
t y x u v
j t y x v t y x u v
figura la con acuerdo De
t t t
v v
a
t t
v v
a
definicin Por
t
t
t
t
(
+
(
=
)
`
+
(
=
=
=
+
)
`
+ +
(
+
=
(
+ +
(
+ =
+ =
+
0
0
2
1
1 1
1 2
0
1 2
1 2
0
lim
) ; ; ( ) ; ; (
) ; ; ( ) ; ; (
lim
) ; ; ( ) ; ; ( *
) ; ; ( ) ; ; ( *
2
) (
* *
lim
* *
lim
:

18

FIGURA 3. Diagrama de cuerpo libre de una partcula de un fluido en movimiento.

Teniendo en cuenta la figura 3 (diagrama de cuerpo libre) se har la sumatoria de fuerzas

2 2
1 1
2
1
2
2
1
1
2
1
2
2
1
1
2
1
2
2
1
1
2
1
2
2
1
1
yx xy
yx xy
yx
yx yx
yx
yx yx
xy
xy xy
xy
xy xy
yy
yy yy
yy
yy yy
xx
xx xx
xx
xx xx
materiales de mecnica Por
y
y
y
y
x
x
x
x
y
y
y
y
x
x
x
x

=
=
+ =
+ =
+ =
+ =
=

y xy xy yy yy y
x yx yx xx xx x
g y x y y x x F
g y x x x y y F
+ + =
+ + =

2 1 1 2
2 1 1 2

x
y
2

(x,y)
xx1 xx2
yy2
yy1
x
y
1

yx1
yx2

y
x
19

x y g
y x
F
g x y x y
y
x y
y
y x
x
y x
x
F
x
yx
xx
x
x
yx
yx
yx
yx
xx
xx
xx
xx x

|
|
.
|
\
|
+
=
+
|
|
.
|
\
|

|
|
.
|
\
|
+
|
.
|
\
|

|
.
|
\
|

+ =
2
1
2
1
2
1
2
1

x y g
x y
F
g x y y x
x
y x
x
x y
y
x y
y
F
y
xy yy
y
y
xy
xy
xy
xy
yy
yy
yy
yy y

|
|
.
|
\
|
+
=
+
|
|
.
|
\
|

|
|
.
|
\
|
|
|
.
|
\
|

|
|
.
|
\
|
+ =
2
1
2
1
2
1
2
1

x
yy xy
y
y
xy yy
y
x
yx
xx
x
x
yx
xx
x
g
y x
a
y x g
x y
y x a
g
y x
a
y x g
y x
y x a
+
|
|
.
|
\
|
|
|
.
|
\
|
+
=
+
|
|
.
|
\
|
|
|
.
|
\
|
+

1
1

Las variables a
x
y a
y
son las aceleraciones ya mencionadas en direccin x e y.
20
|
|
.
|
\
|
= =
+ = + =
+ = + =
x
v
y
u
y
v
x
u
xy xy
yy yy
xx xx

2
2 2
2 2

Ac se pueden observar dos constantes desconocidas hasta el momento, su explicacin se
muestra a continuacin:

( )
( )
yy xx
yy xx
yy xx
y
v
x
u
y
v
x
u

+ =
|
|
.
|
\
|
+ + =
|
|
.
|
\
|
+ = +
2
1
2
2
1
4 2

El segundo trmino es igual a cero si el flujo es incompresible ya que esto equivale a la ecuacin
de continuidad anteriormente mencionada. Ac podemos observar que es el esfuerzo promedio
en x e y, los cales son las presiones en x e y respectivamente. Estos valores son iguales solamente
cuando los esfuerzos cortantes son 0 (Ej. : fluido esttico). Este valor es dado por los
experimentos como la presin p (equivale a la presin de la ecuacin de Bernoulli).

El otro valor, ] equivale a la viscosidad dinmica.

Al reemplazar estos valores en las ecuaciones de aceleracin se obtiene:
y x
u
y
v
y
v
x y
u
y
v
x
u
y
y x
v
x
u
y x
v
x
u
y
v
x
u
x
d continuida de ecuacin la De

=
|
|
.
|
\
|
=
|
|
.
|
\
|
2
2
2
2
2 2
2
2
2 2
2
2
0 0
0 0
:

21
) 4 (
1
2
1
2
2
2
2
2
2
2
2
2
2
2
2
2 2
2
2
a
y
u
x
u
x
p
g a
y
u
x
u
x
u
x
p
g a
y
u
x y
v
x
u
x
p
g a
x x
x x
x x
|
|
.
|
\
|

|
|
.
|
\
|
=
2
2
2
2
2
2
2
2
2
2
2
2 2
2
2
1
2
1
2
y
v
x
v
y
p
g a
x
v
y
v
y
v
y
p
g a
x
v
y x
u
y
v
y
p
g a
y y
y y
y y

(4b)

Donde es la viscosidad cinemtica que es ]j

Las ecuaciones 4a y 4b son llamadas las ecuaciones de Navier-Stokes para flujo incompresible.

5.4. Nmero de Reynolds

El nmero de Reynolds, es una relacin adimensional entre las fuerzas inerciales y las fuerzas
viscosas. La importancia de este nmero, es que por medio de l se definen tres tipos de flujo:
Laminar, turbulento y la transicin a la turbulencia. Esto es de mucha utilidad ya que
dependiendo del tipo de flujo, existen diferentes modelos fsicos de describen su movimiento.
Ms adelante se explicarn los tipos de flujo.

El nmero de Reynolds, est definido como:
h
R U 4
Re

=
Donde R
h
es el radio hidrulico y est definido como la relacin entre el rea mojada y el
permetro mojado en la seccin transversal estudiada.
22

Como se dijo anteriormente el flujo de los fluidos fsicamente se clasifica en tres tipos. Por lo que
a continuacin se explicarn:

5.5. Flujo laminar

Todas las ecuaciones mencionadas anteriormente son generales, por lo que se aplican a todos los
regmenes de flujo. Sin embargo, al igual que cualquier ecuacin diferencial, estas ecuaciones
cambian de acuerdo con las condiciones de frontera y las caractersticas del fluido.

Como se dijo anteriormente se va a trabajar con fluidos incompresibles, y adems deben ser
fluidos Newtonianos (La deformacin de cizalla es proporcional al cambio de velocidad en
relacin a la direccin transversal al flujo considerado).

El flujo laminar se caracteriza tal como su nombre lo indica por ser en lminas o capas, cada una
de estas capas tiene una velocidad especfica. Adems, las corrientes de flujo se mantienen
iguales en el tiempo. Otra caracterstica importante es que la velocidad perpendicular a las
lminas de flujo, es nula.

En el flujo laminar, al igual que en cualquier flujo, se considera que la capa que hace contacto
con una superficie slida, se mueve a la velocidad de esta superficie. Sin embargo hay casos muy
especficos, en donde es posible que esta velocidad en la capa lmite, no sea igual, aqu, se
considera una condicin de deslizamiento. Esto va ms all de los alcances de esta tesis.

El flujo de fluidos en microcanales, tambin se clasifica en laminar, turbulento y la transicin. El
flujo laminar en tuberas circulares, se encuentra en nmeros de Reynolds entre 0 y 1800 y hasta
2200, que es igual a lo observado en macro-tamaos
4
. Por otro lado, existen autores como Wu

4
K.V SHARP, R. J. ADRIAN, Transition from laminar to turbulent flow in liquid filled microtubes. Revista
Experiments in Fluids 2004 Vol. 36 Pg. 741-747.
23
and Little [2], que experimentaron con canales de diferentes formas, especialmente trapezoidales,
en donde se observaron nmeros de Reynolds (Re) crticos (Valor en el cual se entra en la zona
de transicin) de hasta 500, estos datos fueron considerados por Obot, N. [3], el cual concluy
que modificando estos valores por medio de una ecuacin emprica (5), determinaba un Reynolds
reducido, el cual muestra que los Re crticos reducidos estn entre 1800 y 2200, que se asemejan
a los valores de tuberas circulares obtenidos por Sharp and Adrian [1].

) 5 (
) 5 ( Re
Re
Re
Re
b f
f
f
f
a
a
ac
cc
m
a
ac
cc
m
=
=

Donde es el nmero de Reynolds y f es el factor de friccin. m equivale al valor modificado de
Re o f. cc es el valor de f o Re en tuberas circulares crtico. ac es el valor crtico de Re o f para
un arreglo de datos experimentales. a se refiere a un valor arbitrario del arreglo de datos
correspondiente al que se le busca su valor reducido.

En las Figuras 2 y 3 (figure 2 y3 Obot N. [3]) se pueden observar 8 tipos de canales estudiados.
La figura 2 muestra los resultados de Wu y Little [2], y la figura 3 muestra los valores reducidos
obtenidos por Obot N. [3].

Los resultados obtenidos por Sharp and Adrian [1], se muestran en la grfica 1, sin embargo, ms
adelante se hablar con ms detalle sobre estos datos.

Para los resultados obtenidos en otros experimentos nombrados por Obot N. [3], este sugiere que
hubo errores en el clculo del Dimetro hidrulico, al igual que en la medicin de las presiones al
inicio y al final del tramo estudiado.

24

Al leer referencias ms antiguas como Streeter [4], se puede concluir claramente, que el flujo en
tuberas capilares circulares, cumple con las ecuaciones propuestas para tuberas circulares en
macro tamaos, esto no es extrao a lo propuesto por Sharp and Adrian [1], por lo que a
continuacin se enuncian las ecuaciones que describen el flujo en microcanales y sus usos en las
investigaciones:

Darcy (6), se ha utilizado en la mayora de investigaciones para determinar el factor de friccin
experimentalmente
5
.

Poiseuille (7), se ha utilizado tanto para la calibracin del dimetro de los micro-canales como
para hallar el valor terico en la zona laminar del factor de friccin. Tambin se ha utilizado para
establecer los comienzos de la transicin.
6

Perfil de velocidad (8), describe el perfil en microcanales circulares
7
.

U D
C
f
U
dx
dP
D f
h
Dh
Dh
h

=
=
|
|
.
|
\
|
=
4
Re
) 7 (
Re
8
) 6 ( 4 2
1
2

Donde C1 Es una constante que depende de la seccin (8 para seccin circular), Dh es el
dimetro hidrulico, r la densidad, v la velocidad promedio axial, y m la viscosidad dinmica.

5
Sharp, Transition From Laminar. Pg. 741 a 747.
6
Sharp, Transition From Laminar. Pg. 741 a 747.
7
Victor L. Streeter, Handbook of fluid Dynamics McGraw Hill, New York, 1961 Pg. 16-93
25
) 8 ( 1
2
0
max
|
|
.
|
\
|
|
|
.
|
\
|
=
r
r
v v

Donde v
max
es la velocidad mxima (se presenta en el centro del tubo), r
0
es el dimetro de la
tubera y r es la distancia entre el centro y el punto donde se necesita la velocidad.

La ltima ecuacin (8) es una deduccin hecha por Poiseuille, al igual que (7), derivadas de las
ecuaciones de Navier Stokes (4), en coordenadas cilndricas, sin embargo, al igual que cualquier
ecuacin, se puede llegar de varias formas.

A continuacin se muestra un procedimiento sencillo
8
, que parte de la segunda ley de Newton,
aplicada a un tubo, con aceleracin 0, es decir, flujo estable e incompresible.

Observando un anillo (figura 4), que equivale a una lmina de flujo con la misma velocidad, se
puede ver que la sumatoria de fuerzas es:

8
Sacado de, Victor L Streeter, Mecnica de los fluidos. Ediciones del Castillo, S.A. 1968. Pg. 235 a 238
26
( ) 0 ) (
1
0 ) (
1
:
0 2 2 ) 2 (
2
) 2 ( 2
2
2
2
0
4
3
2
1
4 3 2 1
= + +
= + +
=
= +
=
+ =
|
.
|
\
|
+ =
=
=
+ + =
h g p
dl
d
r
dr
d
r
dl
dh
g
dl
dp
r
dr
d
r
tiene Se
dl
dh
sen
Pero
sen g l r r l
dl
dp
r r r l r
dr
d
Entoces
sen g l r r W
r l r
dr
d
l r F
l
dl
dp
p r r F
l r F
p r r F
W F F F F

multiplicando por r*dr e integrando se obtiene
( ) A h g p
dl
d r
r = + +
2
2

En esta ecuacin por condiciones de frontera, cuando r=0; A=0
27
( )
( )
( )
( ) B r
A
h g p
dl
d r
w
dr
r
A
dr h g p
dl
d r
dw
dr
dw
r
A
h g p
dl
d r
A h g p
dl
d r
r
dr
dw
dr
dw
Pero
+ + =
+ =
= +
= + +
=
) ln(
4
2
2
2
2
2

Las condiciones de frontera son:
r = R
0
;A=0; w=0
) (
4
2
0
h g p
dl
d R
B + =

Entonces la velocidad en funcin del radio queda:
( ) h g p
dl
d r R
w +
=
4
) (
2 2
0

Por mximos y mnimos, se puede ver que la velocidad mxima se da cuando r=0. Adems si el
tubo es horizontal h=0 y -dp/dl = .P/.l entonces:
( )
l
P r R
w
=
4
2 2
0

El caudal y la velocidad media se pueden hallar con el siguiente procedimiento:
4
0
0
2 2
0
0
8
4
2
2
0
0
R
l
P
Q
dr
l
P r R
r Q
dr w r Q
R
R
|
|
.
|
\
|
=
=
}
}

28
8
2
0
2
0
R
l
P
R
Q
A
Q
Velmedia
= = =
Si esta velocidad se expresa de acuerdo con su dimetro se tiene:
) 9 (
32
2
D
l
P
V
media

=
Como se dijo anteriormente, estas dos ecuaciones, son aplicadas slo a tubos circulares. Adems,
solo aplica a flujo laminar.

FIGURA 4. Diagrama de cuerpo libre de una capa en forma de anillo de espesor r y longitud l, en un tubo
circular.

29
GRFICA 1. Factor de friccin f vs. Nmero de Reynolds. Fuente: Sharp and
Adrian [1].
y = 63.098x
-0.9984
R
2
= 0.9982
0.0100
0.1000
1.0000
10.0000
10.00 100.00 1000.00 10000.00
Re
f

GRFICA 1. Factor de friccin f vs. Nmero de Reynolds. Fuente: Sharp and Adrian [1].
30
5.6. Flujo Turbulento

El flujo turbulento a diferencia del flujo laminar, es catico y no es posible determinar lminas de
flujo. Por lo tanto, las lneas de flujo se cruzan en el tiempo, y existen velocidades en todas las
direcciones, lo cual es propicio para los procesos de mezcla en el flujo.

Estas caractersticas hacen del flujo turbulento muy til, a la hora de mezclar dos o ms fluidos,
adems de ayudar a aumentar la transferencia de calor hacia un fluido o fuera de este
9
.

El flujo turbulento, se establece despus de la zona de transicin, a la cual no se le ha
determinado su inicio y final, y consecuencia el punto de inicio del flujo turbulento se desconoce.
Para seguir en la misma lnea establecida en el flujo laminar, se sigui el anlisis desarrollado por
Obot N. [3], el cual establece una comparacin entre los datos obtenidos por diferentes autores, al
analizar esto, es claro que despus de Re = 3000, el flujo es turbulento. Por otro lado, una
publicacin ms reciente Yang et Al. [5], en su experimento muestra claramente (figuras 6, 7 y 8
de Yang et Al. [5] ), que la zona de flujo turbulento se desarrolla aproximadamente por estos
valores y adems concluye que para los lquidos estudiados (agua y R-134) la ecuacin de
Blassius (10) y Filonenko (1954) se aproximan a los resultados experimentales. Sin embargo para
el aire despus de Re = 4000, los valores de f caen por debajo de los valores tericos, Yang et Al.
declara que esto se da debido a las condiciones generadas por velocidades sub-snicas altas que
comienzan a desarrollarse en este Re. Seguramente, la ecuacin de Swamee-Jain (11), se
aproxima tambin, esta ecuacin es ms reciente (1976)
10
.

9
Mott, Mecnica de Fluidos Aplicada, Pg. 221.
10
Tomada de Mott Mecnica de Fluidos Aplicada, Pg. 248.
31
) 11 (
Re
74 . 5
4
7 . 3
1
ln
25 . 0
) 10 (
4
Re
079 . 0
2
9 . 0
25 . 0
|
|
|
.
|
\
|
+
=
|
.
|
\
|
=
Dh
Dh
Dh
f
f

En las figuras 6, 7 y 8 de Yang et al. [5] es importante observar que no todos los canales
estudiados entran dentro de la clasificacin de microcanales establecida por Obot, N. [3]. Sin
embargo si se observa la figura 2 (figure 2 en Obot N. [3]), los datos experimentales de Wu and
Little [2], cumplen con la ecuacin de Blassius (6), pero los resultados reducidos mostrados por
Obot N. [3] (figura 3. Obot N. [3]), no tienen un recorrido especfico, y no se asemejan a la
ecuacin de Blasiuss.

Con todo lo nombrado anteriormente, se puede concluir, que las ecuaciones establecidas para el
flujo turbulento en tuberas grandes, se cumplen para micro-canales circulares. Por esto, se
hablar sobre estas ecuaciones a continuacin.

El perfil del flujo turbulento por sus propiedades caticas, es ms complicado de analizar y
depende de ms variables, ya que por ejemplo, el factor de friccin no es constante en la longitud
(canales y conductos cerrados no circulares). Esto se produce por que la tensin de cizalla no es
constante en la longitud y ha sido descrita con la ecuacin (12)
11
.
) 12 ( *
2
2
0
v =

Donde r es la densidad, v* es la velocidad promedio en la direccin principal de flujo y l un
coeficiente sin dimensiones.

11
La demostracin de la ecuacin de Darcy es basada en Streeter, Mecnica de Fluidos, Pg. 271 a 272.
32
Ya teniendo el valor de la tensin de cizalla, se puede establecer el diagrama de cuerpo libre
(figura 5), y as la segunda ley de Newton, en donde para flujos permanentes y sin cambio de
seccin, la aceleracin es 0. Esto es:
( )
mojado
P L A z g A P P = +
0 2 1

Por la ecuacin general de la energa, se tiene que las prdidas de energa en un conducto con
seccin constante son:
( ) z g P P +
2 1

h
perdida
D
v
L
E

=
2
*
2

Donde D
h
es el radio hidrulico que es A/P
mojado
(A = rea mojada y P
mojado
= permetro mojado)
Si . es f/4 y la E
perdida
/L es -dP/dx, obtenemos la ecuacin de Darcy (6). (v* es la misma
velocidad promedio U).

FIGURA 5. Diagrama de cuerpo libre con .z=0.

Ahora bien, sabiendo, que el flujo en microcanales circulares con dimetro mayor a 1 ]m, se
pueden desarrollar los conceptos bsicos del flujo turbulento como son el perfil de velocidad
12
y
los factores de friccin
13
, que estn ligados por la tensin de cizalla ya nombrada la cual puede
ser determinada tambin por la ecuacin:

12
La demostracin del perfil de velocidad se basa en Streeter, Mecnica de Fluidos, Pg. 246 a 249.
13
La demostracin y anlisis emprico se basan en Streeter, Mecnica de Fluidos, Pg. 275 a 278.
P
mojado
L
0

P
1
A P
2
A
L
R
0

W
33
( )
dy
du
+ =
0

Donde ) es la viscosidad de Eddie, que depende de la densidad y del movimiento del fluido.
Sin embargo, en una distancia predomina la viscosidad ] y ) tiende a 0, adems para
fluidos newtonianos, du/dy se aproxima a u/y, y dividiendo por la densidad la ecuacin anterior
tenemos:

= y para
y
u
0
(13)
Para este caso, se tiene un flujo laminar cerca de la pared, de aqu en adelante, las viscosidad )
toma prelacin, y el flujo es turbulento. Para este caso se tiene:
2
2
0
|
|
.
|
\
|
=
dy
du
l
Donde l es una longitud proporcional a y: l=ty, sustituyendo y reacomodando la ecuacin se
tiene:
) 14 ( ) ln(
1
:
1
0
0
C y
u
Integrando
y
dy du
+ =
=

Si en las ecuaciones 13 y 14 se reemplaza (
0
/)
0.5
por u
*
, se tiene:
) 14 ( ) ln(
1
) 13 (
*
*
*
a y C y
u
u
a y
y u
u
u
+ =
=

Si se reemplaza la condicin de frontera y= en 13a, u=u
w
(u
w
es la velocidad en la pared), se
tiene lo siguiente:
34
|
|
.
|
\
|
= +
|
|
.
|
\
|
=
+ =
= = =
* *
*
*
*
*
ln
1
ln
1
) ln(
1
:
: min
u
N
N C C
u
N
N
C
u
u
Turbulento
u
N
N
u
u
u
ar La
w
w

( )
( )
( ) ) 15 ( ln
1
ln
1
ln
1
ln
1
ln
1
ln
1
ln
1
* *
* *
*
*
* *
N N A Donde A
u
y
u
u
N N
u
y
u
u
N
u
N
y
u
u
N
u
N
y
u
u
+ = +
|
|
.
|
\
|
=
+
|
|
.
|
\
|
=
+
|
|
|
|
.
|
\
|
=
+
|
|
.
|
\
|
=

A es una constante experimental, que tiene un valor de 5,5 para tuberas lisas. Y t para las
mismas condiciones tiene un valor de 0,40
14
.

La ecuacin 15 tiene el problema de no asignar un valor de 0 a du/dy en el centro del tubo.

Esta ecuacin, proporciona el perfil de velocidad para flujo turbulento, sin embargo u
*
no es una
valor que se conozca claramente, ya que no se conoce
0
, para poder esclarecer la ecuacin, se va
a hallar la velocidad media por medio del concepto de caudal y una integral
15
.

14
Valores tomados de Streeter, Mecnica de Fluidos Pg. 249. Sin embargo son datos experimentales tomados de
L. Nikuradse, Gesetzmassigkeiten der turbulenten Strmung in Glatten Rohren, VDI Forschungsh., Vol 356, 1932.
15
Streeter, Mecnica de Fluidos, Pg 247 a 248.
35
|
|
.
|
\
|
+ =
|
|
.
|
\
|
=
|
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
=
+ |
.
|
\
|
=
0
*
0
* *
* * 0
* *
* 0
*
ln
ln
1
ln ln
1
) 15 ( ln
1
r
y u
u u
y
r
u
u
u
u
u y u r
u
u
u
u
a A
u r
u
u
m
m
m
m

u
m
es la velocidad mxima, la cual se da cuando y = r
0

( )
}
}
}
|
|
.
|
\
|
|
|
.
|
\
|
+
|
|
.
|
\
|
=
|
|
.
|
\
|
|
|
.
|
\
|
+ =
=
|
|
.
|
\
|
|
|
.
|
\
|
+ = =
0
0
0
0
*
0
0
0
*
0
2
0
0
0 0
* 2
0
ln 1 2
ln 2
ln 2
r
m
r
m
r
m
dy
r
y u
u
r
y
U r
dy
r
y u
u y r U r
r y r do Sustituyen
dr
r
y u
u r U r Q

Haciendo una sustitucin de y por y/r
0
, se tiene:
}
}
}
|
|
.
|
\
|
|
|
.
|
\
|

|
|
.
|
\
|
+ =
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
+
|
|
.
|
\
|
=
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
+
|
|
.
|
\
|
=
1
0 0 0
*
0 0
*
1
0 0
*
0
1
0 0
*
0
0 0
0
0
0
ln ln 2
ln 1 2
ln 1 2
r
m m
r
m
r
m
r
y
d
r
y
r
y u
r
y
u
r
y u
u U
r
y
d
r
y u
u
r
y
U
r
y
d
r
y u
u
r
y
r U r

36
La solucin de esta integral, consta de dos integrales por partes (las de ln), y dos integrales de
polinomios. La solucin es:
) 16 (
2
3
0 ln , 0
4
1
ln
2
ln
2
2
*
0 0 0
1
2
0
*
0
2
0
*
0
*
0 0
*
2
0 0
0
u
u U
r r
y
r
Como
r
y u
r
y
r
y u
r
y u
r
y
r
y u u
r
y
r
y
u U
m
r
m
m
=
|
|
.
|
\
|

|
|
.
|
\
|
|
|
.
|
\
|
+
|
|
.
|
\
|
|
|
.
|
\
|

|
|
.
|
\
|
+
|
|
.
|
\
|
=

Donde U es la velocidad promedio de flujo en la direccin principal.

Del diagrama de cuerpo libre de la figura 5, en tuberas circulares, se tiene que la fuerza de la
diferencia de presiones es contrarrestada por la fuerza cortante. De esto se tiene que la tensin de
cizalla es:
) 17 (
8
: Re
2 2
1
:
2
*
0
2
0
0
0
u U
f
emplazando
U
r
f
L
p
tiene se Darcy Por
r
L
p
= =
=

Reemplazando las ecuaciones 15 y 16 en 17 se tiene que:

1
2
3
8
ln
1 8
1
2
3
ln
1
8
0
* 0
* *
+
|
|
.
|
\
|
=
|
|
.
|
\
|

|
|
.
|
\
|
+ |
.
|
\
|
=
A U
f r
f
A
u r
u
f
u

Como
U r
=
0
2
Re
entonces:
37

Reeplazando A=5,5 y t=0.4
16
se tiene:
( ) 913 . 0 Re ln 884 . 0
1
= f
f

Experimentalmente
17
, estos valores son modificados a
( ) ) 18 ( 8 . 0 Re ln 86 . 0
1
a f
f
=
Esta ecuacin es utilizada para tuberas lisas. Nikuradse, igualmente, determin la ecuacin (18b)
para tuberas rugosas en la zona de turbulencia total, teniendo en cuenta la rugosidad artificial
generada por arena homognea.
) 18 ( ln 86 . 0 14 . 1
1
b
D
f
|
.
|
\
|
=
Donde es el tamao de la arena. La constante de 1.14, es determinada por dos variables que
son la forma y la distribucin de las protuberancias de la rugosidad (arena). Para tuberas
comerciales es diferente este valor. Esto se hace evidente en la grfica de transicin de
Colebrook
18
, que sale de manejar las ecuaciones 18a, y 18b.

La grfica de Colebrook tiene como ordenadas la ecuacin 18c y abscisas la ecuacin 18d.

16
Valores tomados de Streeter, Mecnica de Fluidos Pg. 249. Son datos experimentales tomados de L. Nikuradse,
Gesetzmassigkeiten der turbulenten Strmung in Glatten Rohren, VDI Forschungsh., Vol 356, 1932.
17
Tomado de Streeter, Mecnica de Fluidos, Pg. 276. Son datos experimentales tomados de L. Nikuradse,
Gesetzmassigkeiten der turbulenten Strmung in Glatten Rohren, VDI Forschungsh., Vol 356, 1932.
18
Grfica tomada de Streeter, Mecnica de Fluidos. Pg. 276.
( ) ( )

1
8 2
3
8
2 4 ln
8
1
Re ln
8
1 1
1
2
3
2
Re
8
ln
1 8
+
=
+
|
|
.
|
\
|
=
A
f
f
A
f
f
38
) 18 ( Re ln
) 18 ( ln 86 . 0
1
d f
D
c
D f
|
.
|
\
|

|
.
|
\
|
+

Colebrook, desarroll una frmula emprica para tuberas comerciales entre la ecuacin de
turbulencia total y tuberas lisas, esta frmula es:
) 19 (
Re
51 . 2
7 . 3
ln 86 . 0
1
|
|
|
|
.
|
\
|
=
f
D
f

Donde es la rugosidad de la tubera, este valor es experimental, y se encuentra en las
propiedades del fabricante.

Hasta ahora se han mostrado ecuaciones para el perfil de velocidad, en funcin de u
*
, esto es un
poco complicado de entender, por lo que a continuacin se va a mostrar una ecuacin del perfil,
que solo depende de la velocidad promedio y el factor de friccin de Darcy.

Anteriormente se dijo que:
|
|
.
|
\
|
+ =
0
*
1 ln
r
r u
u u
m

Si en la ecuacin (16) se despeja u
m
y se reemplaza en esta ecuacin y adems el valor de u
*
se
reemplaza por (17) se tiene:

39
) 20 ( 1 log 15 . 2 43 . 1 1
1 log ) 10 ln(
8 2
3
8 2
3
1
) 10 ln(
1 ln
1 log
1 ln
8 2
3
8 2
3
0
10
0
10
0
0
10
0
|
|
.
|
\
|
|
|
.
|
\
|
+ + =
|
|
.
|
\
|
|
|
.
|
\
|

+ =
|
|
.
|
\
|
=
|
|
.
|
\
|
|
|
.
|
\
|

+ =
r
r
f f U u
r
r f f
U u
r
r
r
r
r
r
U
f
U
f
U u

La ecuacin (20) se aplica a cualquier tubera en flujo turbulento. Al igual que en flujo laminar,
la mxima velocidad se presenta en el centro de la tubera. Es importante recordar, que esta
ecuacin se aplica hasta que r=r
o
-

Cabe anotar, que actualmente, las aplicaciones de los microcanales estn encaminadas a sistemas
de refrigeracin y se ha observado que el flujo laminar es mucho ms eficiente que el flujo
turbulento. Actualmente se utilizan valores de Re muy bajos. Sin embargo como se dijo al
principio, segn Mott [6], en flujo turbulento aumenta la transferencia de calor en macro-
tamaos.
40
5.7. Flujo durante la transicin.

El flujo a comienzos de la turbulencia (transicin), se puede definir como la prdida de
estabilidad del fluido a causa del aumento de la velocidad, que se traduce en un aumento en la
friccin. Su estudio se ha basado ms que todo en el anlisis de la capa lmite. Este estudio se
considera la altura y <= , anteriormente nombrada a la cual, se encuentra un Reynolds crtico en
donde se cambia de flujo laminar a turbulento
19
.

El anlisis presentado del comienzo de la prdida de estabilidad en la capa lmite, se deriva de las
ecuaciones diferenciales generadas por la ecuacin de la continuidad y las ecuaciones de Navier
Stokes, con condiciones de frontera para una un flujo entre dos placas planas, al colocarse una
funcin de corriente que describa una onda, la cual es una funcin con variables complejas. La
idea de esta onda es generar la inestabilidad y as encontrar los comienzos de la transicin (punto
en donde cambia de perfil).

La solucin a la ecuacin diferencial planteada, genera un perfil de velocidad, para diferentes
posiciones de la ola generada por la funcin de corriente.

Este concepto, de la prdida de estabilidad se puede explicar de una manera ms simple
20
,
teniendo en cuenta la mecnica de materiales.

Si se observa el flujo de un material muy viscoso, saliendo de un orificio a gran velocidad al aire,
se visualiza que al principio, es en lnea recta, en la cual se puede considerar un flujo laminar. A
cierta distancia del orificio de salida, la lnea de corriente se tuerce, y se comienzan a generar
espirales en el caso de un orificio circular o comienza a oscilar como un pndulo en el caso de
una salida rectangular alargada. En este tipo de flujo, la resistencia que genera el aire, se puede

19
Victor L. Streeter, Handbook of fluid Dynamics Pg. 9-56 a 9-64
20
Tomado de S.L. Arsenjev, I. B. Lozovitski, Y.P. Sirik, The Laminar flow instability criterion ang turbulence in
pipe
41
analizar de dos maneras, i) Prdida de energa por friccin, utilizada para una anlisis comn en
tuberas. ii) Fuerza por longitud, que genera un esfuerzo axial en la corriente de flujo.

Esta ltima forma de interpretar le resistencia del aire, hace que el sistema sea semejante al de
una barra larga y delgada muy elstica que comienza a doblarse por la acumulacin de carga
axial consecuencia de su peso propio. Este problema fue analizado por Euler, para el caso de un
empotramiento en uno de los extremos.

La conclusin de Euler fue la siguiente ecuacin:
( )
2
2
723 . 0 L
J E
N
E

Donde N
E
es la fuerza axia, E el mdulo de elasticidad, J el momento de inercia y L la longitud de la barra.

En esta ecuacin si N
E
llega a ser mayor, la barra se vuelve inestable. Como se puede ver
claramente, la longitud es un factor importante.

Esta ecuacin para secciones circulares queda:
( )
64
4
2
2
D
L
E
N
E

Donde _ es un coeficiente de reduccin de longitud de la barra.

Con esta ecuacin, se puede describir el inicio de la transicin si se busca la semejanza entre la
fuerza axial y la diferencia de presin. Esto se puede lograr con la ecuacin de Poiseuille.
Teniendo en cuenta que la presin cae linealmente, la presin promedio es .P/2 se tiene que la
fuerza es esta presin por el rea y se tiene lo siguiente:
1 9 . 25
2
2
__
|
|
.
|
\
|
L
L
U
E

Donde L barra es la relacin entre longitud y el dimetro.
42
El mdulo de elasticidad de un fluido puede ser expresado en funcin de la velocidad de
propagacin del sonido. Reemplazando este valor y expresando la ecuacin en funcin de Re y el
nmero Mach (M) la ecuacin queda de la siguiente forma:
) 21 ( 1
Re
9 . 25
1 9 . 25
2
2
3
__
2
2
2
__
2
2
|
|
|
.
|
\
|
|
|
.
|
\
|

L
M k
L
D L V a
D V k

Donde k es el exponente adiabtico. Para fluidos el valor de _ varia entre 0.715 y 1.12

En conclusin, de acuerdo con esta ecuacin, la transicin a la turbulencia se presenta cuando el
trmino de la izquierda es menor a 1.

Es importante observar, que de acuerdo con este anlisis, la transicin depende de la relacin
entre la longitud y el dimetro, por lo que para los anlisis posteriores con inteligencia artificial,
se harn modelos que incluyan este factor.

43
6. DATOS EXPERINENTALES SUMINISTRADOS POR SHARP Y ADRIAN

Sharp y Adrian condujeron un experimento en el ao 2003, en el que se tomaron lquidos de
diferentes polaridades en micro tubos de vidrio con dimetros entre 50 y 247 micras. En total se
tomaron 1500 datos experimentales. A continuacin se hace una breve explicacin de los datos
obtenidos, descripcin del experimento y el anlisis de los datos. Adems se mostrarn las
conclusiones establecidas por Sharp and Adrian en [1].

Para cumplir los objetivos de esta tesis fue necesario contar con la informacin de este artculo de
primera mano, por lo que se contact por medio de mail a PhD. K. V. Sharp, el cual estuvo
gustoso de suministrar la informacin de su experimento publicado en [1] .

6.1. Descripcin del experimento.

El experimento consiste en hacer pasar un lquido a travs de un tubo capilar, a partir de una
diferencia de presiones.

Cada tubo capilar est hecho de una fusin silicio (fused Silica, cubierto externamente por
Polyimide rugosidad asumida: 1 ]m), a los cuales se hizo una medida exacta de su dimetro
interno por medio de la ecuacin de flujo de Poiseuille, y nmeros de Reynolds menores a 400,
de tal forma que se disminuyera la incertidumbre y se aumentara la confiabilidad de las
mediciones.

Una vez que se ha establecido el flujo permanente por la diferencia de presin, se procedi a
tomar lecturas de esta, de la velocidad y temperatura.

44
Esto se repiti varias veces para cada tubo capilar y cada fluido utilizado. A continuacin se
muestra una tabla resumen (Tabla 1)
21
. En esta tabla se muestran las condiciones iniciales para
cada arreglo de datos, adems del nmero de mediciones de velocidad, (por cada dato de
velocidad se tiene un nmero de Reynolds y un factor de friccin de Darcy, crucial para el
alcance de los objetivos de esta tesis), y por ltimo, se muestra el nmero de datos tomados con
Reynolds mayores a 1800, lo cuales son los que se van a utilizar en la modelacin por medio de
Redes Neuronales.

El equipo que se utiliz para este experimento fue:

Cilindro de gas comprimido. Su funcin es suministrar gas a una presin constante que logre
empujar el fluido a travs del tubo capilar (genera la diferencia de presin).

Recipiente con lquido: Este recipiente es totalmente hermtico, de tal forma que no hallan
escapes. Ac la presin suministrada por el gas, es transferida al lquido. El recipiente tiene dos
salidas, cada una con un tubo y su respectiva vlvula, por la primera llega el gas comprimido y
por la segunda salida se desplaza el fluido hacia el tubo capilar.

Amortiguadores de vibraciones: Son necesarios para no inducir a errores en las mediciones,
producidas por ondas en el lquido.

Tubo capilar y lquido: En este tubo es en el que se hacen las medidas de velocidad del lquido,
para as determinar los valores del factor de friccin. En total se utilizaron 13 tubos distintos, que
variaban dimetro y longitud, la lista se muestra en al tabla 1,Los lquidos utilizados fueron (agua
des-ionizada, l-propanol y solucin al 20% en peso de glicerol).

21
Esta tabla resumen, fue tomada de los datos suministrados por Sharp y Adrian. Base del artculo presentado
Transition from laminar to turbulent flow in liquid filled microtubes. Revista Experiments in Fluids 2004 Vol. 36
Pg. 741-747.
45
Computadores y sistemas de medicin: Se utilizaron balanzas, censores y computadores para
tomar las mediciones de presin.

Se midieron algunas velocidades a partir de PIV (Particle Image Velocimetry), que es un sistema
que toma la velocidad de partculas fluorescentes de aproximadamente 2 micras de dimetro.

En la figura 2 del artculo de Sharp et. al. [1] se muestra el montaje del equipo.

Adems de las mediciones hechas, se tuvieron en cuenta los cambios en la densidad y viscosidad
por el cambio de temperatura de los fluidos utilizados, y se consideraron las prdidas de entrada y
salida en le tubo capilar.

Los datos significativos para esta investigacin (agua), utilizados en este experimento se
muestran en la siguiente lista:
Agua: Densidad a 20 C (kg/m^3) 998,21
Densidad a 30 C (kg/m^3) 995,65
Viscosidad a 20 C (N-s/m^2) 1,003E-03
Viscosidad at30 C (N-s/m^2) 7,990E-04

6.2. Posibles errores y sus consecuencias.

A travs de los ltimos 10 aos, se han hecho varios experimentos, similares a este, en donde el
objetivo es hallar el valor del factor de friccin en microcanales, se ha encontrado que los
resultados obtenidos, parecen tener problemas con la medicin del radio hidrulico de la seccin,
este valor es muy importante, ya que genera resultados catastrficos en la apreciacin del factor
de friccin: Un incremento del 5% en el radio hidrulico genera un decremento del 28% al 22%
en el factor de friccin y la constante de friccin laminar aproximadamente
22
.

22
Ian Papautsky y Tim Ameel A Review Of Laminar Single-Phase Flow In Microchannels, Proceedings of 2001
ASME International Mechanical Engineering Congress and Exposition. Noviembre 11-16, 2001, New York, NY.
46
Run Name liquid T (C) rho (kg/m^3) mu (N-s/m^2)
Dia (in
microns)
L (in
mm)
Cantidad de
vel.
Tomadas
Cantidad
datos en
transicin
d250L230p100bd1_605 DI 26 996,674 8,81E-04 247 231 21 0
d250L230p100bd2_605 DI 26,0 996,7 8,81E-04 247 231 33 0
d250L230p100bd3_605 DI 26,0 996,7 8,81E-04 247 231 32 0
d250L230p150bd1_615 DI 26,0 996,7 8,81E-04 247 231 35 4
d250L230p150bd2_615 DI 26,0 996,7 8,81E-04 247 231 32 5
d250L230p150bd3_615 DI 26,0 996,7 8,81E-04 247 231 34 9
d250L230p150bd4_615 DI 26,0 996,7 8,81E-04 247 231 33 8
d250p200L200bd1 DI 25,0 996,9 9,01E-04 246 194 33 14
d250p200L200bd2 DI 25 996,9 9,01E-04 246 194 35 15
d250p200L200bd3 DI 24,8 997,0 9,05E-04 246 194 46 9
d250p100bd DI 26,2 996,6 8,77E-04 242 100 28 22
d250p100bd2 DI 26,2 996,6 8,77E-04 242 100 40 9
d250p100bd3 DI 26,2 996,6 8,77E-04 242 100 41 8
p1d250p125bd1 1-propanol 25,2 799,3 1,95E-03 242 100 15 0
d250Bp100bd4 DI 25 996,9 9,01E-04 242 100 40 15
d250Bp100bd5 DI 25,2 996,9 8,97E-04 242 100 40 11
d250Bp100bd6 DI 25,2 996,9 8,97E-04 242 100 41 14
d250Bp100bd7 DI 25,4 996,8 8,93E-04 242 100 42 14
gd250p100bd1 glycerol 25 1045,2 1,54E-03 242 100 41 0
gd250p100bd3 glycerol 25 1045,2 1,54E-03 242 100 43 0
d180L180p200bd1_621 DI 26 996,7 8,81E-04 184 179,5 32 4
d180L180p200bd2_621 DI 25,5 996,8 8,91E-04 184 179,5 36 1
d180L180p200bd3_621 DI 25,8 996,7 8,85E-04 184 179,5 34 2
d180p200bd1 DI 26,0 996,7 8,81E-04 181 100 41 4
d180p200bd2 DI 25,2 996,9 8,97E-04 181 100 39 3
d180p200bd3 DI 25,1 996,9 8,99E-04 181 100 38 4
gd180p200bd1 glycerol 24,5 1045,3 1,54E-03 181 100 35 0
gd180p200bd2 glycerol 24,5 1045,3 1,54E-03 181 100 44 0
gd180p200bd3 glycerol 24,5 1045,3 1,54E-03 181 100 42 0
d180CL150p200bd1_717 DI 25 996,9 9,01E-04 177 154,5 24 2
d180CL150p200bd2_717 DI 25,1 996,9 8,99E-04 177 154,5 25 2
d180CL150p200bd3_717 DI 25,1 996,9 8,99E-04 177 154,5 25 2
d180CL150p200bd4_717 DI 25,2 996,9 8,97E-04 177 154,5 25 3
d100p2000bd1_710 DI 25 996,9 9,01E-04 101,5 200 27 11
d100p2000bd2_710 DI 25,0 996,9 9,01E-04 101,5 200 34 7
d100p2000bd3_710 DI 25,0 996,9 9,01E-04 101,5 200 34 6
TABLA 1. Datos constantes de cada arreglo de f y Re recolectados.

47
d100p2000bd4_710 DI 25,1 996,9 8,99E-04 101,5 200 33 8
d100L180p1800bd1_710 DI 25,8 996,7 8,85E-04 100,5 180 25 10
d100L180p1800bd2_710 DI 25,8 996,7 8,85E-04 100,5 180 30 7
d100L180p1800bd3_710 DI 25,8 996,7 8,85E-04 100,5 180 28 7
d100p200bd1 DI 25,5 996,8 8,91E-04 99,5 100 15 0
d100p200bd2 DI 25,5 996,8 8,91E-04 99,5 100 23 0
d100p200bd3 DI 25,2 996,9 8,97E-04 99,5 100 12 0
p1d100p200bd1 1-propanol 25 799,5 1,96E-03 99,5 100 5 0
p1d100p200bd2 1-propanol 25 799,5 1,96E-03 99,5 100 8 0
p1d100p200bd3 1-propanol 25 799,5 1,96E-03 99,5 100 11 0
p1d100p200bd10 1-propanol 24 800,3 2,01E-03 99,5 100 13 0
p1d100p200bd11 1-propanol 24,8 799,7 1,97E-03 99,5 100 19 0
p1d100p200bd12 1-propanol 25,2 799,3 1,95E-03 99,5 100 20 0
d75L180p1800bd1_710 DI 25,5 996,8 8,91E-04 76,5 180 8 0
d75L180p1800bd2_710 DI 25,5 996,8 8,91E-04 76,5 180 15 0
d75L180p1800bd3_710 DI 25,1 996,9 8,99E-04 76,5 180 11 0
d75L80p1800bd1_710 DI 25,0 996,9 9,01E-04 75,8 80 28 4
d075p200bd40 DI 24,8 997,0 9,05E-04 75 100 14 0
d075p200bd41 DI 24,8 997,0 9,05E-04 75 100 23 0
d075p200bd42 DI 24,8 997,0 9,05E-04 75 100 9 0
d050p200bd1 DI 25,5 996,8 8,91E-04 50 100 4 0
d050p200bd2 DI 25,5 996,8 8,91E-04 50 100 3 0
1594 244 Totales

6.3. Descripcin y anlisis de los datos obtenidos.

El artculo elaborado por Sharp y Adrian [1], tena como objetivo principal estudiar la transicin
hacia la turbulencia, por lo que los resultados, fueron dirigidos a mostrar con claridad los
nmeros de Reynolds a los cuales se comenzara a no cumplir el flujo de Poiseuille. Los grficos
utilizados para esto fueron:

o f vs. Re. Ya fue mostrada anteriormente (grfica 1), en ella se observa la linealidad para
Re menores a 1800, en donde como se ha dicho, se cumple la ecuacin de Poiseuille, de
aqu en adelante (grfica 2), ocurre la transicin de acuerdo con Sharp y Adrian.
48

o Po/16 vs. Re, (grfica 3) Aqu se observa ms claramente, los comienzos de la transicin.
Para flujo laminar, se cumple que el valor es 1. Los datos experimentales oscilan entre 0.9
y 1.1, lo que est en los lmites de la incertidumbre del ensayo. Para Reynolds mayores a
1800, se ve claramente que esta relacin se rompe, llevando la relacin a 1,4 (grfica 4).
Las bases tericas de esta relacin se encuentran en la ecuacin (7). Po, llamado en
nmero de Poiseuille, es 2*C
1
= 16 (tubera circular), lo que es igual a f*Re/4, su divisin
debe ser 1.

o .P* vs. Re. (Grfica 5) En esta grfica se ve el aumento de la cada de la presin en los
comienzos de la transicin. Su ecuacin se basa en el flujo de Poiseuille ec. (9) de la
siguiente manera:
2
3
2
2
32
Re
32
Re
32
=
D
L
P
D
L
P
D
D
L
P
U

De acuerdo con esto, la grfica debe dar una recta a 45. Esto sucede para Re <1800, de
aqu en adelante se entra en la transicin. Esta zona se muestra mejor en la grfica 6.
49
GRFICA 2. El factor de friccin vs. Re en la transicin discriminados por dimetro y longitud para el flujo de
agua en microtubos
0.01
0.1
1000.00 10000.00
Nmero de Reynolds
F
a
c
t
o
r

d
e

f
r
i
c
c
i
n
Tubo de D=247micras y L=231mm
Tubo de D=184micras y L=179,5mm
Tubo de D=101,5micras y L=200mm

GRFICA 2. Factor de friccin vs. Nmero de Reynolds discriminados por dimetros y longitud para el flujo de agua en
microcanales (Re>1800). Fuente Sharp y Adrian [1]
50
GRFICA 3. Nmero de Poiseuille vs. Nmero de Reynolds
0.8
0.9
1
1.1
1.2
1.3
1.4
10.00 100.00 1000.00 10000.00
Nmero de Reynolds
2
C
1
/
1
6
. .. .P*/Re terico =1.

GRFICA 3. Nmero de Poiseuille vs. Nmero de Reynolds. Los puntos experimentales deben ser 1 si el flujo es laminar
aqu se puede observar el comienzo de la transicin para el flujo de agua en microcanales . Fuente Sharp y Adrian [1].

51
GRFICA 4. Nmero de Poiseuille vs. Nmero de Reynolds, discriminados por
dimetro y longitud para el flujo de agua en microtubos (Re > 1800)
0.8
0.9
1
1.1
1.2
1.3
1.4
1000.00 10000.00
Nmero de Reynolds
2
C
1
/
1
6

GRFICA 4. Nmero de poiseuille vs. Nmero de Reynolds, discriminados por dimetro y longitud para el flujo de agua
en microcanales (Re>1800). Fuente Sharp y Adrian [1]
52
GRFICA 5. . . . . P* vs. Re
0
500
1000
1500
2000
2500
3000
3500
4000
4500
0.00 500.00 1000.00 1500.00 2000.00 2500.00 3000.00 3500.00
Re
. .. .

P
*

GRFICA 5. DP* vs. Re. para el flujo de agua en microcanales. Donde DP*, es un valor adimensional calculado con los
valores experimentales que debe ser igual al valor de reynolds. Fuente Sharp y Adrian [1]
53

GRFICA 6. DP* vs. Re en la transicin discriminados por dimetro y longitud para
el flujo de agua en microtubos
1500
2000
2500
3000
3500
4000
4500
1800.00 2000.00 2200.00 2400.00 2600.00 2800.00 3000.00
Re
. .. .
P
*
GRFICA 6. DP* vs. Re. para el flujo de agua en microcanales. Donde DP*, es un valor
adimensional calculado con los valores experimentales que debe ser igual al valor de reynolds.
(Re>1800). Fuente Sharp y Adrian [1]

6.4. Conclusiones

De acuerdo con los resultados obtenidos en el experimento Sharp y Adrian concluyen:

o La zona laminar en flujo de lquidos en microcanales circulares se extiende hasta nmeros
de Reynolds entre 1800 y 2300, lo cual no es distinto a lo observado en macro-tamaos.

o Por debajo del nmero de Reynolds crtico, el flujo puede ser descrito por la Ecuacin de
Poiseuille con muy buena aproximacin.

54
o El criterio del nmero de Reynolds, se aplica bastante bien al flujo en micro-canales.

Para el alcance de esta tesis, de acuerdo con estas conclusiones se tiene lo siguiente:
o Los datos importantes en la modelacin en redes neuronales, se constituyen en valores del
nmero de Reynolds mayores a 1800.

o De acuerdo con esto, la base de datos con que se cuenta es de 244 datos, todos para agua.

o La gama de dimetros que se van a manejar est entre 50 ]m y 247 ]m.

o En la teora de factores de friccin es muy importante el conocimiento de la rugosidad del
material, informacin con la que no se cuenta, sin embargo, por la flexibilidad de los
modelos de inteligencia artificial, este valor puede ser asumido. Esto se explicar en el
momento de establecer las variables para cada modelo.

55
7. MODELOS DE INTELIGENCIA ARTIFICIAL

7.1. Identificacin de Variables Independientes y Dependientes.

Para el alcance de esta tesis, se puede ver claramente, que la nica variable dependiente es el
factor de friccin de Darcy.

Las variables independientes en la transicin, al menos deben ser las mismas que en flujo
turbulento, es decir la rugosidad relativa /D Y el nmero de Reynolds. Por otro lado, existen
teoras que aseguran que este factor de friccin depende de la longitud, por lo que ser incluida
para algunos casos como variable independiente con dimensin en metros y en otros casos como
en la relacin adimensional L/D.

Adems de estas variables independientes, existen otras variables, como son la distribucin y la
forma de las protuberancias (rugosidades), estas variables no son cuantificables, por lo que hasta
el momento, todas sus estimaciones se han hecho a partir de constantes halladas empricamente,
tal y como ya se mostr en la teora. Siguiendo esta misma lnea, los sistemas de inteligencia
artificial, consiguen estos factores constantes, por lo que no es necesario incluirlos
explcitamente.

En los datos que se tienen por Sharp y Adrian, la rugosidad es una constante, ya que todos los
tubos estn hechos del mismo material. Por lo tanto, la rugosidad relativa puede ser la relacin
entre una constante (determinada por el modelo de I.A. igual a la rugosidad por una constante) y
el dimetro. Por esta razn el desconocimiento de esta variable no es importante para la
modelacin.

Adems de observar los anlisis hechos por Sharp y Adrian a su informacin, se decidi que era
importante, tratar de encontrar un patrn para los datos obtenidos en la transicin. Para ello se
utiliz la grfica de transicin de Colebrook (fig. 5.29 de Streeter [7]), como un buen sistema de
56
entendimiento de los datos. Para ello se calcularon las abscisas y ordenadas de esta grfica para la
informacin recolectada. Esto se grafic en Excel y se obtuvo la grfica 14.

Por otro lado teniendo en cuenta la teora de transicin mencionada en esta tesis, se decidi
incluir la relacin entre la longitud y el dimetro, teniendo en cuenta que a medida que la
longitud tiende a infinito, su influencia es menor, se hizo el grfico 15. A continuacin se
muestran las ecuaciones utilizadas para las abscisas y las ordenadas.

|
|
|
|
|
.
|
\
|
|
|
.
|
\
|
|
.
|
\
|
+ |
.
|
\
|
+ =
|
.
|
\
|

=
2
ln
1
1 ln 86 . 0
1
:
Re ln
:
D
L
D f
Ordenadas
D
L
D
f
Abscisas

57
GRFICA 14. GRFICA DE TRANSICIN DE COLEBROOK
1,00E-01
1,00E+00
1,00E+01
0,25 0,45 0,65 0,85 1,05 1,25 1,45 1,65 1,85
LN(Re*f^0,5* D)
1
/
f
^
0
,
5
+
0
,
8
6
*
l
n
(

/
D
)
Tubo de D=247micras y L=231mm Tubo de D=246micras y L=194mm Tubo de D=242micras y L=100mm Tubo de D=184micras y L=179,5mm
Tubo de D=181micras y L=100mm Tubo de D=177micras y L=200mm Tubo de D=101,5micras y L=200mm Tubo de D=100,5micras y L=180mm
Tubo de D=75,8micras y L=80mm Swamee-Jain 247 Swamee-Jain 246 Swamee-Jain 242
Swamee-Jain 181 Swamee-Jain 177 Swamee-Jain 101.5 Swamee-Jain 100.5
Swamee-Jain 75.8 Swamee-Jain 184 Blassius Poiseuille
58
GRFICA 15. Grfica emprica similar a la grfica de transicin de Colebroke, que tiene en cuenta la
longitud del tubo capilar.
1
10
6,2 6,7 7,2 7,7 8,2 8,7 9,2 9,7

Tubo de D=247micras y L=231mm Tubo de D=246micras y L=194mm Tubo de D=242micras y L=100mm Tubo de D=184micras y L=179,5mm
Tubo de D=181micras y L=100mm Tubo de D=177micras y L=200mm Tubo de D=101,5micras y L=200mm Tubo de D=100,5micras y L=180mm
Tubo de D=75,8micras y L=80mm Swamme fucsia Swamee azul 242
181 184 177 101.5
100.5 75.8 BLassius
59
7.2. Modelo en Redes Neuronales

Una red neuronal artificial es una estructura computacional inspirada en la forma de trabajo de las
redes de neuronas naturales del cerebro. Esta consiste en simples unidades computacionales
llamadas neuronas, que estn altamente interconectadas. Cada interconexin tiene una fuerza,
expresada como un nmero real llamado peso.

La capacidad bsica de las redes neuronales es aprender a partir de ejemplos. Esto es logrado
ajustando los pesos de las interconexiones de acuerdo con un algoritmo de aprendizaje. En
general el aprendizaje puede ser supervisado o no supervisado. En un algoritmo de aprendizaje
supervisado, a cada patrn de entrada se asigna una clase a la cual debe pertenecer. Es decir, la
respuesta deseada de la red para cada entrada de entrenamiento, se compara con la salida
entregada por la red neuronal actual, de tal forma que se ajustan los pesos y as la red aprende.
Estos ajustes, que tienen como propsito minimizar la diferencia entre el valor de salida esperado
y actual, son hechos gradualmente. Es decir, se efectan pequeos ajustes en los pesos en la
direccin deseada para cada pareja de entrada-salida. Esto es esencial para facilitar una solucin
convergente, en la que los patrones de entrenamiento son representados con gran fidelidad. Una
vez la red neuronal a llegado a una solucin, esta es capaz de clasificar cada patrn de entrada
desconocido, en datos cercanos con patrones de entrada conocidos.

En un algoritmo de aprendizaje no supervisado, la red forma su propia clasificacin de patrones.
La clasificacin se basa en semejanzas entre ciertos rasgos. Esto requiere que la red neuronal que
implemente este tipo de algoritmo sea capaz de reconocer ciertos rasgos comunes a lo largo de
los patrones de entrada.

El modelo a utilizar para describir el comportamiento, tal y como se puede observar es
supervisado ya que se cuenta con los valores deseados, que corresponden a los valores del factor
de friccin.

60
Existen muchas formas de estructurar una red neuronal. Para este trabajo de grado, se va a utilizar
el mtodo Bakcpropagation, en el cual, la idea es arreglar los pesos comenzando desde la ltima
capa, hasta a primera capa, pasando por todas las capas ocultas. Los modelos utilizados estn
programados en una red neuronal hecha en Matlab
23
.

Para cumplir con los objetivos de este trabajo de grado se hicieron varios perceptrones, de tal
forma que se tuvieran en cuenta todas las posibles combinaciones de variables para obtener
resultados ptimos.

Los perceptrones utilizados, se basaron en las variables independientes y las grficas 14 y 15. A
continuacin se muestran los diagramas de cada perceptrn entrenado, y un resumen de las
caractersticas ms importantes.

7.2.1. Perceptrn 1.

La estructura de este perceptrn se muestra en la figura 6. La tabla 2 muestra un resumen de los
diferentes datos utilizados para la calibracin de cada modelo con esta estructura de perceptrn:

TABLA 2. RESUMEN DE CARACTERSTICAS DEL PERCEPTRN 1
Nombre
Perceptrn
Variables independientes Variables
dependientes
Funcin
utilizada
No. datos
calibracin.
No. Datos
validacin.
DRN 3 233 D, Re, v/D f Logsig 233 0
lnDRN 3 233 Ln(D), ln(Re), ln(v/D) f Logsig 233 0
lnDRN 3 80 Ln(D), ln(Re), ln(v/D) f Logsig 80 0
DRNL 3 200 D, Re, v/D, L f Logsig 200 33
DRNLD 3 200 D, Re, v/D, L/D f Logsig 200 33

23
El cdigo fue creado por Liliana Vivas, auxiliar del grupo Hidrociencias de la Pontificia Universidad Javeriana,
Facultad de Ingeniera, Carrera de Ingeniera Civil, seccin Hidrotecnia y Hambiental.
61
DR 233* Ln(Re), ln(v/D), ln(f) Ecuacin 18c Logsig 233 0
DR 80 Ln(Re), ln(v/D), ln(f) Ecuacin 18c Logsig 80 0
DR 200 * Ln(Re), ln(v/D), ln(f) Ecuacin 18c Logsig 200 33

*Se hicieron ms de 1 corrida cada una con diferente error.

FIGURA 6. Esquema del perceptrn 1 para tres y cuatro variables independientes.

C
a
p
a

1
,

o

v
a
r
i
a
b
l
e
s

i
n
d
e
p
e
n
d
i
e
n
t
e
s

C
a
p
a

2
,

C
a
p
a

o
c
u
l
t
a
.

C
a
p
a

3
,

C
a
p
a

d
e

s
a
l
i
d
a
.

Pesos 1-2
W1-2
Pesos 2-3
W2-3
C
a
p
a

1
,

o

v
a
r
i
a
b
l
e
s

i
n
d
e
p
e
n
d
i
e
n
t
e
s

C
a
p
a

2
,

C
a
p
a

o
c
u
l
t
a
.

C
a
p
a

3
,

C
a
p
a

d
e

s
a
l
i
d
a
.

Pesos 1-2
W1-2
Pesos 2-3
W2-3
Perceptrn 1 cuando se tienen 3
variables independientes
62
7.2.2. Perceptrn 2

La estructura de este perceptrn se muestra en la figura 7. La tabla 3 muestra un resumen de los
diferentes datos utilizados para la calibracin de cada modelo con esta estructura de perceptrn:

TABLA 3. RESUMEN DE CARACTERSTICAS DEL PERCEPTRN 1
Nombre
Perceptrn
Variables independientes Variables
dependientes
Funcin
utilizada
No. datos
calibracin.
No. Datos
validacin.
DRNL 4 233 D,Re,v/D,L f Logsig 233 0
DRNL 4 80 D,Re,v/D,L f Logsig 80 0
DRNL 4 200 D, Re, v/D, L f Logsig 200 33
lnDRNL 4 200 Ln(D), ln(Re), ln(v/D),ln(L) f Logsig 200 33
lnDRNL 4 80 Ln(D), ln(Re), ln(v/D),ln(L) f Logsig 80 0
DRNLD 4 200 D, Re, v/D, L/D f Logsig 200 33
lnDRNLD 4
233
Ln(D), ln(Re),
ln(v/D),ln(L/D)
f Logsig 233 0

Ms adelante se muestran los resultados obtenidos.

7.2.3. Perceptrn 3

La estructura de este perceptrn se muestra en la figura 8. Para este, no se hicieron varios
modelos con distintas variables, simplemente se utilizaron como variables independientes D, Re y
v/D, f como variable dependiente, se utilizaron 200 datos de calibracin y 33 de validacin.

La idea de este perceptrn fue observar el comportamiento con varias capas ocultas.

63
7.2.4. Perceptrn 4 y 5

Estos perceptrones, fueron utilizados para observar los cambios en la salida con esta estructura
neuronal. Se emplearon la variables independientes Ln(Re), ln(v/D), ln(f),la variable dependiente
Ecuacin 21.

Para el perceptrn 4 se utilizaron todos los datos para calibracin, mientras que para el perceptrn
5 se utilizaron 200 para calibracin y 33 para validacin. El diagrama de estos perceptrones se
muestra en la figura 9.

FIGURA 7. Esquema del perceptrn 2 para 3 y 4 variables independientes.

C
a
p
a

1
,

o

v
a
r
i
a
b
l
e
s

i
n
d
e
p
e
n
d
i
e
n
t
e
s

C
a
p
a

2
,

C
a
p
a

o
c
u
l
t
a
.

C
a
p
a

3
,

C
a
p
a

d
e

s
a
l
i
d
a
.

Pesos 1-2
W1-2
Pesos 2-3
W2-3
C
a
p
a

1
,

o

v
a
r
i
a
b
l
e
s

i
n
d
e
p
e
n
d
i
e
n
t
e
s

C
a
p
a

2
,

C
a
p
a

o
c
u
l
t
a
.

C
a
p
a

3
,

C
a
p
a

d
e

s
a
l
i
d
a
.

Pesos 1-2
W1-2
Pesos 2-3
W2-3
64

FIGURA 8. Esquema del perceptrn 3 para 3 variables independientes.

7.2.5. Observaciones

Las redes neuronales modeladas que tienen como variable dependiente la ecuacin 21, tienen el
problema que utilizan a f, como variable independiente. Esto hace que se pierda el objetivo de
hallar el factor de friccin, ya que es necesario f como dato de entrada. Este problema, se
soluciona, despus del entrenamiento del modelo neuronal, es decir, teniendo los pesos de la red,
utilizando una semilla para el factor de friccin y as, iterando hallar un valor de f, que satisfaga
la igualdad. El mtodo de iteracin que se va a utilizar es el mtodo de Newton-Raphson.

C
a
p
a

4
,

C
a
p
a

o
c
u
l
t
a
.

C
a
p
a

5
,

C
a
p
a

d
e

s
a
l
i
d
a
.

Pesos 3-4
W3-4
Pesos 4-5
W4-5
C
a
p
a

1
,

o

v
a
r
i
a
b
l
e
s

i
n
d
e
p
e
n
d
i
e
n
t
e
s

C
a
p
a

2
,

C
a
p
a

o
c
u
l
t
a
.

C
a
p
a

3
,

C
a
p
a

o
c
u
l
t
a
.

Pesos 1-2
W1-2
Pesos 2-3
W2-3
Perceptrn 3. Varias capas ocultas
65
Este razonamiento se utiliz por la base histrica que se tiene acerca del factor de friccin en
rgimen turbulento, en el cual se tiene una ecuacin implcita de f. Que es a lo que se llega con el
modelo de redes neuronales y el mtodo de Newton-Rapston.

FIGURA 9. Esquema de los perceptrones 4 y 5 para 3 variables independientes.

7.3. Arreglo de los datos experimentales para el modelo en redes neuronales.

Para todas las redes neuronales, los datos de entrada fueron arreglados de manera lineal teniendo
en cuenta el valor mayor y menor de la variable, y haciendo una regla de tres se obtuvieron los
valores arreglados. En la tabla 4 y 5 se muestran los valores mximos y mnimos reales y
arreglados utilizados para cada corrida y variable.

C
a
p
a

1
,

o

v
a
r
i
a
b
l
e
s

i
n
d
e
p
e
n
d
i
e
n
t
e
s

C
a
p
a

2
,

C
a
p
a

d
e

s
a
l
i
d
a
.

Pesos 1-2
W1-2
C
a
p
a

1
,

o

v
a
r
i
a
b
l
e
s

i
n
d
e
p
e
n
d
i
e
n
t
e
s

C
a
p
a

2
,

C
a
p
a

o
c
u
l
t
a
.

Pesos 1-2
W1-2
Pesos 2-3
W3-2
C
a
p
a

3
,

C
a
p
a

d
e

s
a
l
i
d
a
.

Perceptrn 4 Perceptrn 5
66
TABLA 4. Valores mximos y mnimos escalados utilizados para reescalar las variables
independientes y dependientes.
Nombre
Perceptrn
D o Ln(D) Re o Ln(Re) v/D o ln(v/D)
L, L/D,
ln(L) o
ln(L/D)
f o ln(f) Ln K
DRN 3 233 -2.85 2.85 -2.85 2.85 -2.85 2.85 0.05 0.95
DRN 3 200 -2.85 2.85 -2.85 2.85 -2.85 2.85 0.05 0.95
lnDRN 3 233 -2.85 2.85 -2.85 2.85 -2.85 2.85 0.05 0.95
lnDRN 3 80 -3 3 -3 3 -3 3 0.05 0.95
DRNL 3 200 -2.85 2.85 -2.85 2.85 -2.85 2.85 -2.85 2.85 0.05 0.95
DRNLD 3 200 -2.85 2.85 -2.85 2.85 -2.85 2.85 -2.85 2.85 0.05 0.95
LnK 233* -2.85 2.85 -2.85 2.85 0.05 0.95 0.05 0.95
LnK 80 -3 3 -3 3 0.05 0.95 0.05 0.95
LnK 200 * -2.85 2.85 -2.85 2.85 0.05 0.95 0.05 0.95
DRN 4 233 -2.85 2.85 -2.85 2.85 -2.85 2.85 0.05 0.95
DRN 4 200 -2.85 2.85 -2.85 2.85 -2.85 2.85 0.05 0.95
DRNL 4 233 -2.85 2.85 -2.85 2.85 -2.85 2.85 -2.85 2.85 0.05 0.95
DRNL 4 80 -3 3 -3 3 -3 3 -3 3 0.05 0.95
DRNL 4 200 -2.85 2.85 -2.85 2.85 -2.85 2.85 -2.85 2.85 0.05 0.95
lnDRNL 4 200 -2.85 2.85 -2.85 2.85 -2.85 2.85 -2.85 2.85 0.05 0.95
lnDRNL 4 80 -3 3 -3 3 -3 3 -3 3 0.05 0.95
DRNLD 4 200 -2.85 2.85 -2.85 2.85 -2.85 2.85 -2.85 2.85 0.05 0.95
lnDRNLD 4 233 -2.85 2.85 -2.85 2.85 -2.85 2.85 -2.85 2.85 0.05 0.95

67
TABLA 5. Valores mximos y mnimos de las variables reales utilizadas para el modelo de
redes neuronales
Base de 233 datos o 200 datos Base de 80 datos
Mximo Mnimo Mximo Mnimo
Re 2903.9 1800.05 2903.90 1998.75
Ln(Re) 7.9738 7.4956 7.9738 7.6003
D 0.000247 0.0000758 0.000247 0.0001005
Ln(D) -8.3061 -9.4874 -8.3061 -9.2054
L 0.231 0.0800 0.231 0.100
Ln(L) -1.4653 -2.5257 -1.4653 -2.3026
L/D 1970.4433 413.2231 1970.4433 413.2231
Ln(L/D) 7.5860 6.0240 7.5860 6.0240
v/D 0.0132 0.0040 0.0100 0.0040
Ln(v/D) -4.3281 -5.5094 -4.6102 -5.5094
f 0.0371 0.0249 0.0371 0.0249
Ln(f) -3.2941 -3.6929 -3.2941 -3.6929
Ln(Ecuacin 18c)
ln(K)
0.6436 -0.7827 0.6146 -0.7827

Para las variables de los perceptrones 4 y 5 se utilizaron los mismos lmites del perceptrn
llamado lnDRN 3 233.
68

7.4. Resultados obtenidos por las redes neuronales

Al correr todos los modelos que se describieron anteriormente, se obtuvieron bases de datos
compuestas por valores del factor de friccin experimentales y simulados por las redes
neuronales.

Todos los resultados obtenidos se graficaron de distintas formas para ver cul de todos los
modelos hechos se asemejaban mejor a los datos experimentales, finalmente las grficas que se
escogieron para interpretar los resultados fueron 3, las cuales se describen a continuacin:

La primera grfica (grfica A), obtenida directamente de Matlab muestra la forma en que el error
es reducido lo mximo posible entre el valor de salida de la Red y el valor esperado (valor
experimental de f o la ecuacin 18c), Abscisas: Nmero de Ciclo, Ordenadas: Promedio del error
cuadrado. En todas las grficas, el error de calibracin al final siempre estuvo por encima del
error de validacin. Existen grficas que slo tienen una lnea, esto es por que slo se tenan datos
de calibracin y en consecuencia no existe error de validacin.

La segunda grfica (grfica B), consiste en mostrar el nivel de aproximacin entre el valor de
salida de la red y el valor esperado. Si la aproximacin es perfecta, el resultado de esta grfica
sera una lnea de 45. Abscisas: f experimental o ecuacin 18c calculada con f experimental y
v/D experimental. Ordenadas: f de salida de la red o ecuacin 18c calculada con el f de la red y
v/D experimental.

La tercera grfica (Grfica C), consiste en la grfica de transicin de Colebrook, la cual ha sido
anteriormente explicada.

Cuando se observaron todos los resultados en estas grficas, se vi un comportamiento
caracterstico en las redes neuronales, de tal forma que los resultados se pueden dividir en dos. A
69
continuacin se muestran los dos tipos de resultados, si se quiere ver ms detalle de los resultados
de cada red neuronal, se pueden observar en los anexos.

7.4.1. Resultados obtenidos de los modelos basados nicamente en redes
neuronales.

Como se dijo anteriormente, los resultados se caracterizaron en dos grupos. Para caracterizar este
primer grupo, se van a tomar los valores del primer perceptrn mostrado en los anexos (10.1).

El error promedio obtenido fue de 0.11 para los datos de calibracin, este error no es cuadrtico,
lo que es bastante alto, en el anlisis se mostrar detalles de esto. Este tipo de modelos nunca
tuvieron un error menor a 0.095. A continuacin se muestran las grficas del modelo
anteriormente nombrado, que son muy parecidas a las grficas de este grupo.

es el respectivo error.
70

0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
f experimental
f

s
i
m
u
l
a
d
o

Factor de friccin experimental .
0.025
0.225
0.425
0.625
0.825
1.025
1.225
1.425
1.625
1.825
2.025
0.025 0.225 0.425 0.625 0.825 1.025 1.225 1.425 1.625 1.825
Ecuacin 18d
1
/
f
^
0
.
5
+
0
.
8
6
l
n
(
/
D
)
Datos de la red neuronal Datos experimentales

GRFICA C para perceptrn DRN 3 200. Grfica de Transicin de Colebrook.

71

7.4.2. Resultados obtenidos al utilizar las redes neuronales como una funcin
implcita en el modelo.

Los resultados de este tipo de modelos, sin haber utilizado ningn mtodo de resolucin de
ecuaciones implcitas, dieron un error mnimo de 0.017, el cual es ostensiblemente menor que el
del primer grupo de resultados, a continuacin se muestran las grficas representativas de este
grupo.


72
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Ecuacin 18c experimental
E
c
u
a
c
i
n

1
8
c

s
i
m
u
l
a
d
a

) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
simulado por la red
neuronal vs.
) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
experimental.
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
0 0.5 1 1.5 2
Ln(Re*/D*f^0.5)
1
/
f
^
0
.
5
+
0
.
8
6
l
n
(
/
D
)
fa2-3 arreglado
Experimental

GRFICA C para perceptrn DR 233 datos 3 N. Grfica de Transicin de Colebrook.

73
Este tipo de modelos, se componen de dos partes, los anteriores resultados corresponden a la
primera, en donde el factor de friccin se encuentra an implcito, por lo que es necesario utilizar
algn mtodo para despejar el factor de friccin. Esto se hizo por medio de un mtodo iterativo y
adems por medio del mtodo de Newton-Raphson. A continuacin se hace una breve
explicacin de cada grfica para la interpretacin de estos resultados para cada tipo de solucin
de la ecuacin implcita de f.

Grfica D, en esta grfica, se muestra a f simulado vs. f experimental, con el resultado del mtodo
iterativo programado en Matlab. Esta grfica se muestra para algunas corridas no en todas, ya que
en algunas como se explicar ms adelante el error obtenido de esta manera puede ser grande, se
grafican los mejores obtenidos.

Grfica E, muestra la grfica de transicin de Colebrook, obtenida con los factores de friccin
calculados por el mtodo numrico de aproximacin. Esta grfica se muestra para algunas
corridas no en todas, ya que en algunas como se explicar ms adelante el error obtenido de esta
manera puede ser grande, se grafican los mejores obtenidos.

7.4.2.1. Resultados obtenidos resolviendo el modelo implcito por medio de un
mtodo iterativo simple

El mtodo iterativo utilizado, trata de despejar una f de la ecuacin implcita generada por la red
neuronal, dejando al otro lado, una funcin de f, es decir, se iguala f a una funcin de f, y de esta
manera se coloca una semilla para el f de la funcin y se evala, hallando un nuevo f, el cual es
nuevamente reemplazado en la funcin, este procedimiento se repite hasta que se obtiene que el f
evaluado en la funcin es igual al f que da como resultado de la evaluacin.

Este es un mtodo numrico sencillo, y normalmente de buenos resultados, sin embargo hay
ocasiones en que el resultado no es satisfactorio, por lo que adems, se utiliz el mtodo de
Newton-Raphson, para casos similares pero con un perceptrn simple, es decir, sin capas ocultas.
74
A continuacin se muestran las grficas obtenidas:
0
0.005
0.01
0.015
0.02
0.025
0.03
0.035
0.04
0.045
0
.
0
0
0
0
.
0
0
5
0
.
0
1
0
0
.
0
1
5
0
.
0
2
0
0
.
0
2
5
0
.
0
3
0
0
.
0
3
5
0
.
0
4
0
0
.
0
4
5
f experimental
f

s
i
m
u
l
a
d
o

GRFICA D: Simulacin del perceptrn DR 200 3 N (2). f simulado vs. f experimental.
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
0 0.5 1 1.5 2
Ln(Re*/D*f^0.5)
1
/
f
^
0
.
5
+
0
.
8
6
l
n
(
/
D
)
Experimental
Red neuronal

GRFICA E: Simulacin del perceptrn DR 200 3 N (2). Grfica de transicin de Colebrook.

75
Los dems anlisis con este mtodo, no son satisfactorios por varias razones que se van a
enumerar en el anlisis de resultados.

7.4.2.2.Resultados obtenidos resolviendo el modelo implcito por medio de
Newton-Raphson.

Por medio del mtodo numrico de Newton-Raphson, se resolvi el perceptrn DR 200 datos
Red simple. Ya que se quera observar el comportamiento del mtodo aplicado a redes
neuronales, se hicieron diferentes modelos de Newton-Raphson con error admisible distinto, en la
grfica 6 para este perceptrn se ve claramente cmo es la aproximacin lograda por medio del
mtodo de Newton-Raphson.
0.025
0.027
0.029
0.031
0.033
0.035
0.037
0.039
0.025 0.027 0.029 0.031 0.033 0.035 0.037 0.039
f experimental
f

s
i
m
u
l
a
d
o

GRFICA D: Simulacin del perceptrn DR 200 datos Red Simple (2). f simulado vs. f
experimental.
77
GRFICA 6. Grfica de Transicin de colebrook. Datos de Newton-Raphson
con diferentes errores admisibles.
0.3
0.5
0.7
0.9
1.1
1.3
1.5
1.7
1.9
0.2 0.4 0.6 0.8 1 1.2 1.4 1.6
Ln(Re*/D*f^0.5)
1
/
f
^
0
.
5
+
0
.
8
6
l
n
(
/
D
)
Grf. experimental Grf. simulada error de .0000001
Grf. simulada error de 0.0003 Grf. simulada error de 0.0001

78
7.4.3. Otros modelos analizados.

Adems de los modelos mostrados ac, se estudiaron y analizaron 7 modelos ms utilizando el
perceptrn 1 de la figura 6, diferenciada por no sacar la funcin sigmoidal en la capa oculta, sino
que ac solamente se hace la sumatoria de los pesos por las variables, dando resultados distintos.

Para estos 7 modelos, se utiliz como variable de salida la ecuacin 18c, llegndose, al mismo
resultado obtenido en los perceptrones con la misma variable de salida, adems, se utiliz
Newton-Raphson, para determinar el valor de f, ac se obtuvieron los mismos resultados que en
el perceptrn del numeral 4.4.26adems, para ver el comportamiento de Newton.Raphson, se
utilizaron las variables sin escalar del lnf, lnRe y lnvD, en estos casos, la red neuronal parti los
datos de la transicin por la mitad, obtenindose los mismos resultados que los primeros modelos
basados nicamente en redes neuronales.

Adems de estos modelos, se corrieron modelos en donde existan 10 capas ocultas para observar
el comportamiento, se lleg a la conclusin que lo nico que cambiaba era la rapidez con que se
bajaba el error a lo mnimo, sin ninguna mejora en este error.
79

7.5. Anlisis de los resultados obtenidos en los modelos de redes neuronales

Como se sabe la zona de transicin es muy compleja y no existe en la actualidad ningn modelo
fsico que la represente, como objetivo de este trabajo de grado se tiene hallar un modelo en redes
neuronales y observar si es posible la modelacin de la zona de transicin por medio de este
mtodo matemtico.

En los resultados, se muestra claramente el proceso de prueba de los diferentes modelos, al
principio se identificaron las variables de entrada, las cuales se utilizaron sin ningn tipo de
operacin especial, simplemente se escalaron para adaptarlas al tipo de red neuronal, como se
pudo observar, en estos modelos, no fue posible una buena aproximacin en la zona de
transicin, en donde el error producido por la ecuacin de Poiseuille era mayor al 10%, tan slo
se logr en la zona laminar.

Al observar la grfica de transicin de Colebrook, no existe una buena adaptacin de la red a los
datos experimentales, la zona de transicin es partida por la mitad, de forma que el factor de
friccin en la transicin no cumple con los requerimientos. Esto, es un comportamiento, que
puede ser debido a:

Las variables necesitan estar como logaritmo de la variable real.
Falta una variable de entrada.
Los datos tomados para la red, que incluyen la zona laminar estn haciendo que la red
trate de simular esta zona sin tener en cuenta los datos de la transicin.
Los datos utilizados para la calibracin no eran todos los puntos extremos para la buena
descripcin del factor de friccin en la zona de transicin.

Para lograr determinar lo que estaba ocurriendo se prosigui a descartar cada una de las razones
nombradas anteriormente:
80
Se eliminaron los datos de la zona de laminar (modelos que utilizaron tan slo 80 datos)
Se comenz a correr modelos que utilizaban todos los datos para calibracin, es decir no
existan datos de validacin (modelos que utilizaron 233 datos en calibracin)
Se probaron nuevos tipos de variables, en donde se utilizaba el logaritmo natural de la
variable real (perceptrones que tienen como variables de entrada y salida el logaritmo
natural de las variable real).

De estas nuevas alternativas se hicieron combinaciones, es decir 80 datos con logaritmo,200 y
233 datos con o sin logaritmo, entre otras.

Con todos estos nuevos tipos de redes, que tan slo se diferenciaban por las variables de entrada
y salida, y el nmero de datos tomados para la calibracin, no se tuvieron resultados distintos: la
grfica de transicin de Colebrook, mostraba claramente que los datos de la transicin estaban
siendo partidos por la mitad.

Hasta este momento se estaban utilizando, las variables que se consideraban independientes en
una ecuacin explcita, sin embargo, si se observa la grfica de transicin de Colebrook, las
funciones que se hagan en este grfico son implcitas, f se encuentra tanto en las ordenadas como
en las abscisas, este podra ser la razn por la cual, las redes neuronales partan los datos de
transicin por la mitad, adems el factor de friccin en flujo turbulento, fue descrito por una
ecuacin implcita, lo que podra cumplirse tambin con flujo en la transicin.

Por lo anterior, se decidi utilizar en las variables de entrada el factor de friccin, y de esta forma
obtener una grfica satisfactoria a partir de las redes neuronales. Si se observan los resultados
obtenidos con esta nueva variable independiente, se ve claramente que los datos de transicin
estn siendo simulados satisfactoriamente, con errores muy bajos, sin importar que se incluyan
los datos de flujo laminar.

81
El modelo anterior, da como resultado una ecuacin implcita para f, es decir, es necesario el
valor de f para hallar este mismo valor, lo que es ineficiente e intil. Para corregir este problema,
se decidi utilizar mtodos numricos para llegar hallar f a partir de una semilla. Aqu, es donde
el resultado de las redes neuronales comienza a ser valioso, ya que a partir de los valores de
Reynolds, rugosidad relativa y una semilla del factor de friccin, se puede llegar a un resultado
interesante. Para lograr que la semilla y el mtodo numrico funcione, se utiliz el modelo de la
red neuronal como una funcin derivable, y as poder utilizar Newton-Raphson y el otro mtodo
iterativo.

Al utilizar la combinacin de Redes neuronales con Newton-Raphson y el otro mtodo numrico,
se encontr que el comportamiento de f no es el mejor si se utiliza una gran aproximacin en las
redes neuronales, esto sucede, seguramente, por las propiedades de las aproximaciones numricas
y el sobre-entrenamiento de las redes neuronales, en donde a medida que hay un mayor
entrenamiento, se tiene una mayor aproximacin a los valores observados pero a la vez, para
otros valores (as sean muy cercanos a los observados), se aleja rpidamente el valor real del
valor simulado, al ser as, y emplear mtodos numricos, se tiene el problema que los errores de
ambos mtodos se suman, y al hacer la aproximacin, no da un valor cercano al observado, y
como resultado de la desviacin generada por el sobre-entrenamiento, se tiene un resultado no
satisfactorio.

Por lo anterior, se utilizaron errores en el entrenamiento mayores al mnimo posible, de tal forma
que al utilizar el mtodo numrico, se obtuvieran los mejores resultados en f.

Utilizando la combinacin de estos dos mtodos, se lleg a valores de f desfasados en un 5% en
promedio respecto al valor real en transicin, sin embargo, en la zona laminar, no dio buenos
resultados.

Adems de los modelos que se enumeran aqu, se hicieron otros modelos, que no llegaron a un
resultado satisfactorio, mostrando el mismo comportamiento que los primeros modelos
82
generados. Se considera, que las redes neuronales no supervisadas, pueden llegar a dar muy
buenos resultados, ya que estos tienen la propiedad de generar ecuaciones implcitas, que es lo
necesario para tratar la transicin.

Con todos lo modelos estudiados e implementados para la descripcin del factor de friccin, se
puede ver que la grfica de transicin de Colebrok no fue simulada aceptablemente, pero, al
observar las incertidumbres del experimento llevado a cabo por Sharp y Adrian [1], se considera
que los valores de f simulados, cumplen.

Si se observan los resultados obtenidos por los dos modelos matemticos: los que usan
nicamente redes neuronales y redes neuronales ms mtodo numrico, es claro que el primero
representa los datos de flujo laminar mejor que la segunda, sin embargo en la zona en donde es
necesario el modelo, el segundo tipo de modelo representa mucho mejor los valores
experimentales.

En los primeros modelos el factor de friccin es casi el mismo para los datos de la zona de
transicin, lo que no es cierto en la realidad, mientras que el segundo tipo de modelo, s logra dar
diferentes valores, aproximndose mejor.

83
8. CONCLUSIONES, RECOMENDACIONES Y TRABAJO FUTURO.

Con esta investigacin, se pudo observar claramente que todos los modelos simulados
basados en redes neuronales, al momento de describir la transicin, toman un promedio de los
valores, partiendo en dos los datos experimentales de transicin, de acuerdo con la grfica de
transicin de Colebrook. Esto se pudo dar por dos posibles causas, la primera, que los datos
experimentales no tengan la confiabilidad necesaria; y la segunda, que falte alguna variable
independiente que no se conozca, haciendo imposible la modelacin..

Sin embargo, aunque no se logr una buena modelacin con redes neuronales del tipo
backpropagation, utilizando modelos de redes neuronales implcitas complementados por
mtodos numricos para la resolucin de funciones implcitas, se puede lograr una mejor
aproximacin, para los datos de entrada disponibles para esta investigacin.

La implementacin del modelo con Newton-Raphson, que da la solucin al modelo implcito
de las redes neuronales, no representa los datos del final de la zona laminar
satisfactoriamente, siendo de menor calidad que los modelos explcitos de redes neuronales,
sin embargo, en la zona de transicin, se acerca ms a los datos experimentales.

En este trabajo de grado solo se probaron redes neuronales de back-propagation supervisadas,
con esta investigacin se pudo observar que es probable que al hacer nuevos modelos
utilizando redes neuronales recurrentes y no supervisadas, se logre una mejor aproximacin,
ya que estas son ms robustas y en cierta forma implcitas, por lo que se puede lograr un
mejor resultado, adems, si se tiene una base de datos ms amplia, es probable mostrarle a la
red neuronal la tendencia hacia los valores del factor de friccin en flujo turbulento.

84
Por lo anterior se recomienda hacer modelos recurrentes y no supervisados en redes
neuronales, adems de ampliar la base de datos, especialmente con valores del factor de
friccin con datos para Reynolds mayores a 2700 .
85

9. BIBLIOGRAFA

1. K.V SHARP, R. J. ADRIAN: Transition from laminar to turbulent flow in liquid filled
microtubes. Revista Experiments in Fluids 2004 Vol. 36 pag. 741-747.

2. P. WU AND W. A. LITTLE: Measurement of Friction Factors for the Flow of Gases in Very
Fine Channels Used for Microminiature Joule-Thomson Refrigerators, Revista Cryogenics,
vol. 23, no. 5, pp. 273277, 1983.

3. N. T. OBOT: Toward a better understanding of friction and heat/mass transfer in
microchannels A literature review. Revista Microscale Thermophysical Engineering. 2002,
Vol 6 pg. 155-173.

4. STREETER, Victor L.: Handbook of fluid dinamics, McGraw Hill, New York, 1961.

5. CHIEN-YUH YANG, JIUNN-CHI WU, HSIN-TANG CHIEN, y SHU-RU LU: Friction
characteristics of water,r-134a,and air in small tubes. Revista Microscale Thermophysical
Engineering, 7:335348, 2003.

6. MOTT, Robert L., Mecnica de fluidos aplicada, Ed. Prentice Hall, 1996.

7. STREETER, Victor L.: Mecnica de los fluidos. Ediciones del Castillo, S.A. 1968.

8. HAGAN, Martn T, DEMUTH, Howard B., BEALE, Mark.: Neural network design, Boston,
Massachusetts, PWS, 1996.

9. BISHOP, Christopher M.: Neural Networks for patern recognition, Oxford, Clarendon, 2002.

86
10. MORINI, Gian Luca: Laminar to turbulent flow transition in microchannels, Universit degli
Studi di Ferrara, Italia.

11. REN Liqing, LI, Dongqing, QU, Weilin: Electro-Viscous effects on liquid flow in
microchannels, Revista Journal of Coloidal and interface Science Vol. 233, pg 12-22, 2001.

12. PAPAUTSKY, Ian, AMEEL, Tim, FRAZIER, A. Bruno: A review of laminar single phase
flow in microchannels, Proceedings of 2001 ASME International Mechanical Engineering
Congress and Exposition, New York, Noviembre 11-16, 2001.

13. KANDLIKAR, Satish G.: Microchannels Short history and bright future, Revista Heat
transfer engineering Vol. 24, Nmero 1 pg. 1-2, 2003.

14. ROY, Subrata, RAJU, Reni, CHUANG, Helen F., CRUDEN, Bret A., MEYYAPAN M.:
Modeling gas flow through microchannels and nanopores. Revista Journal of aplied physics,
Vol 93, Nmero 8, pg. 4870-4877, 2003.

15. CHOI, Chang-Hwan, WESTIN, Johan A., BREUER, Kenneth S.: Apparent slip flows in
hydrophilics and hydrophobic microchannels, Revista Physics of Fluids, Vol. 15, Nmero 10,
pg 2897-2902, 2003.

16. CHEN, Yu Tang, KANG, Shung Wen, TUH, Wen Chian, HSIAO, Tsung Hsin: Experimental
investigation of fluid folw and heat transfer in microchannels, Revista Tamkang Journal of
Science and Engineering, Vol. 7, Nmero 1, pg. 11-16, 2004.

17. MORTENSEN, Niels Asger, OKELS, Fridolin, BRUNS, Henrik: Hagen-Poiseuille flow
revisited: shape-dependence of hidraulic resistance in microchannels, Department of micro
and nanotechnology, bldg. 345 esat Technical University of Denmark, DK-2800Kgs, Lyngby,
Demark. December 2 2004.
87

18. LU, Pau Chang: Introduction to the mechanics of viscous fluids, Series in thermal and fluids
engineering, Editorial Hemisphere, Washington, 1977.

19. SWINNEY, H. L., GOLLUB, J. P. Ed: Hydrodynamic Instabilities and the transition to
turbulence, Libro 45, Serie Topics in Applied Physics, Editorial Swinney, Springer-Verlag,
Berlin Heidelberg, New York, 1981.

20. MCCRACKEN, Daniel D., DORN, William S.: Mtodos numricos y programacin fortran :
con aplicaciones en ingeniera y ciencias, Editorial Limusa, Mxico, 1978.

21. APPEL, D. W., ROUSE, Hunter: Advanced mechanics of fluids, Editorial Jhon Wiley, New
York, 1959.

22. SCHLICHTING, Hermann, GERSTEN, Klaus, traduccin de MAYERS , Katherine:
Boundary layer theory, Octava edicin, Editorial Springer, Belin, New York, 2000.

23. CHIEN-YUH YANG, JIUNN-CHI WU, HSIN-TANG CHIEN, y SHU-RU LU: Friction
characteristics of water,r-134a,and air in small tubes. Revista Microscale Thermophysical
Engineering, 7:335348, 2003. Copyright Taylor & Francis Inc.

88
10. ANEXOS

10.1.1. Resultados del Perceptrn DRN 3 200

pocas 20
Funcin siglog
No. de valores utilizados para la calibracin 200
Archivo de texto DRN.txt
cuadrado del error datos de calibracin 1.23E-02
cuadrado del error datos de validacin 1.14E-02

W1-2
-0.42919 0.43356 -0.76783 0.81799
-1.3615 -1.5954 0.03767 0.69262
-0.65434 0.056986 -0.32849 0.29903

W2-3
-0.71972 -0.93889 2.3986 -2.66E-01


89
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
f experimental
f

s
i
m
u
l
a
d
o

0.025
0.225
0.425
0.625
0.825
1.025
1.225
1.425
1.625
1.825
2.025
0.025 0.225 0.425 0.625 0.825 1.025 1.225 1.425 1.625 1.825
Ln(Re*/D*f^0.5)
1
/
f
^
0
.
5
+
0
.
8
6
l
n
(
/
D
)


90

pocas 35
funcin siglog
cuadrado del error datos de validacin N/A

W1-2
1.8257 1.0932 -0.2839 -0.032207
0.7805 -0.58265 -1.1222 -0.42769
-0.85165 -1.5611 -0.60268 0.26629

W2-3
0.31613 -1.3359 -0.34284 1.43E+00


91
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
f experimental
f

s
i
m
u
l
a
d
o


0.025
0.225
0.425
0.625
0.825
1.025
1.225
1.425
1.625
1.825
2.025
0.025 0.225 0.425 0.625 0.825 1.025 1.225 1.425 1.625 1.825
Ln(Re*/D*f^0.5)
1
/
f
^
0
.
5
+
0
.
8
6
l
n
(
/
D
)


92

10.1.3. Resultados del Perceptrn lnDRN 3 233

pocas 35
funcin siglog

W1-2
1.8257 1.0932 -0.2839 -0.032207
0.7805 -0.58265 -1.1222 -0.42769
-0.85165 -1.5611 -0.60268 0.26629

W2-3
0.31613 -1.3359 -0.34284 1.43E+00


93
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
f experimental
f

s
i
m
u
l
a
d
o

vs. Factor de friccin experimental .
0.025
0.225
0.425
0.625
0.825
1.025
1.225
1.425
1.625
1.825
2.025
0.025 0.225 0.425 0.625 0.825 1.025 1.225 1.425 1.625 1.825
Ln(Re*/D*f^0.5)
1
/
f
^
0
.
5
+
0
.
8
6
l
n
(
/
D
)

GRFICA C para perceptrn lnDRN 3 233. Grfica de Transicin de Colebrook.

94
10.1.4. Resultados del Perceptrn lnDRN 3 80

pocas 50
funcin siglog

W1-2
0.80044 -0.24679 -0.41102 0.21336
-0.62287 0.73658 -0.86899 0.13686
0.35583 14 893 0.69092 0.53577

W2-3
0.49141 0.29611 -0.41327 -1.23E+04

95
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
Ecuacin 18d
E
c
u
a
c
i
n

1
8
c

GRAFICA B para el perceptrn lnDRN 3 80. Factor de friccin simulado por la red neuronal vs.
0.025
0.525
1.025
1.525
2.025
2.525
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8
Ln(Re*/D*f^0.5)
1
/
f
^
0
.
5
+
0
.
8
6
l
n
(
/
D
)

96


pocas 20
funcin siglog
cuadrado del error datos de validacin 0.011093

W1-2
-0.8165 -1.3075 0.5218 1.253
0.18259 0.61473 -0.80429 0.81361
-0.4694 0.34333 -0.39214 0.52237
0.12465 1.3647 0.69706 -0.37904

W2-3
0.27503 1.7783 -1.231 -3.63E-01 -1.06E+00

97

0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
f experimental
f

s
i
m
u
l
a
d
o

0.025
0.225
0.425
0.625
0.825
1.025
1.225
1.425
1.625
1.825
2.025
0.025 0.225 0.425 0.625 0.825 1.025 1.225 1.425 1.625 1.825
Ln(Re*/D*f^0.5)
1
/
f
^
0
.
5
+
0
.
8
6
l
n
(
/
D
)

98


pocas 30
funcin siglog

W1-2
0.21706 1.2249 1.0428 0.13282
0.70164 0.35724 -1.0924 0.28768
-0.77297 -1.3056 0.24015 0.9308
-0.19261 0.48392 -0.6114 0.25411

W2-3
0.24019 -1.0395 -0.81832 1.72E+00 -6.86E-01

99

0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
f experimental
f

s
i
m
u
l
a
d
o


0.025
0.225
0.425
0.625
0.825
1.025
1.225
1.425
1.625
1.825
2.025
0.025 0.225 0.425 0.625 0.825 1.025 1.225 1.425 1.625 1.825
Ln(Re*/D*f^0.5)
1
/
f
^
0
.
5
+
0
.
8
6
l
n
(
/
D
)


100
10.1.7. Resultados del Perceptrn DRNL 4 200

pocas 20
funcin siglog
Archivo de texto DRNL.txt

W1-2
0.24156 0.19393 0.11955 -0.017183 0.72448
-1.5449 -1.4538 0.12504 0.15155 0.65183
-1.0121 -1.0347 -0.7663 -0.027801 -0.2698
-0.48235 0.29593 -0.57078 0.24875 0.48378

W2-1
-0.68645 -0.48695 1.6781 8.69E-01 -9.19E-01

101
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
f experimental
f

s
i
m
u
l
a
d
o

0.025
0.225
0.425
0.625
0.825
1.025
1.225
1.425
1.625
1.825
2.025
0.025 0.225 0.425 0.625 0.825 1.025 1.225 1.425 1.625 1.825
Ln(Re*/D*f^0.5)
1
/
f
^
0
.
5
+
0
.
8
6
l
n
(
/
D
)

GRFICA C para perceptrn DRNL 4 200. Grfica de Transicin de Colebrook.
102

pocas 40
funcin siglog

W1-2
1.0161 1.5342 0.24619 -0.11781 -0.45803
-0.56661 0.6875 0.54173 -0.1597 0.41755
0.33991 -0.61093 0.53681 -0.32373 -0.47825
-0.15679 0.38287 0.10212 -0.052192 0.99582

W2-1
0.57769 -2.2225 -0.17317 9.48E-01 -5.88E-01

103

0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
f experimental
f

s
i
m
u
l
a
d
o


0.025
0.225
0.425
0.625
0.825
1.025
1.225
1.425
1.625
1.825
2.025
0.025 0.225 0.425 0.625 0.825 1.025 1.225 1.425 1.625 1.825
Ln(Re*/D*f^0.5)
1
/
f
^
0
.
5
+
0
.
8
6
l
n
(
/
D
)


104
10.1.9. Resultados del Perceptrn lnDRNL 4 233

pocas 20
funcin siglog
Archivo de texto lnDRNL.txt

W1-2
14 393 11 686 0.67487 0.24583 0.83888
-0.47217 -0.23655 0.18012 0.54961 0.54309
0.62768 10 869 0.1481 -0.27956 -0.096691
-0.19758 -10 003 0.43095 -0.31262 0.94023

W2-1
11 376 -11 289 0.035789 -1.01E+03 2.27E-01

105
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
f experimental
f

s
i
m
u
l
a
d
o


0.025
0.225
0.425
0.625
0.825
1.025
1.225
1.425
1.625
1.825
2.025
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8
Ln(Re*/D*f^0.5)
1
/
f
^
0
.
5
+
0
.
8
6
l
n
(
/
D
)

106

10.1.10. Resultados del Perceptrn lnDRNL 4 80

pocas 25
funcin siglog
fecha 38470
Archivo de texto lnDRNL.txt

W1-2
0.85093 0.78163 0.49794 0.7922 1.0158
-0.54253 0.35171 -0.29118 0.45976 1.0144
0.15816 0 0.087519 -0.62652 -0.036114
-0.11077 -0.92352 0.36003 -0.069666 1.0111

W2-3
-0.1246 -0.24968 0.84791 -3.89E-01 4.02E-02

107
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
f experimental
f

s
i
m
u
l
a
d
o

GRAFICA B para el perceptrn lnDRNL 4 80. Factor de friccin simulado por la red neuronal
0.025
0.525
1.025
1.525
2.025
2.525
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8
Ln(Re*/D*f^0.5)
1
/
f
^
0
.
5
+
0
.
8
6
l
n
(
/
D
)

GRFICA C para perceptrn lnDRNL 4 80. Grfica de Transicin de Colebrook.

108
10.1.11. Resultados del Perceptrn DRNLD 4 200

pocas 18
funcin siglog
Archivo de texto DRNLD.txt

W1-2
-0.58491 -0.50774 0.99919 0.38832 -0.54387
0.23857 -0.18503 0.47495 -0.10316 -0.59614
-0.67279 -0.75032 -0.030869 0.33162 -0.10133
0.69417 1.5124 0.55706 -0.10366 -0.21482

W2-3
-0.092825 0.49656 0.60989 5.33E-01 -1.88E+00


109
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
f experimental
f

s
i
m
u
l
a
d
o

GRAFICA B para el perceptrn DRNLD 4 200. Factor de friccin simulado por la red neuronal
0.025
0.225
0.425
0.625
0.825
1.025
1.225
1.425
1.625
1.825
2.025
0.025 0.225 0.425 0.625 0.825 1.025 1.225 1.425 1.625 1.825
Ln(Re*/D*f^0.5)
1
/
f
^
0
.
5
+
0
.
8
6
l
n
(
/
D
)

GRFICA C para perceptrn DRNLD 4 200. Grfica de Transicin de Colebrook.

110
10.1.12. Resultados del Perceptrn lnDRNLD 4 233

pocas 20
funcin siglog
fecha 23/04/2005
Archivo de texto lnDRNLD.txt

W1-2
-0,54398 -0,75426 0,81154 0,19713 -0,90863
-0,80916 -1,2502 -0,1359 -0,21401 0,43045
0,36408 1,1862 0,061904 -0,30547 -0,46564
-0,51305 0,37822 0,5126 0,518 0,84344

W2-1
0,044489 0,73403 1,0246 -1,4521 -0,45113

GRAFICA A para el perceptrn lnDRNLD 4 233. La lnea superior representa el error de los

111
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
f experimental
f

s
i
m
u
l
a
d
o

neuronal vs. Factor de friccin experimental .
0.025
0.225
0.425
0.625
0.825
1.025
1.225
1.425
1.625
1.825
2.025
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8
Ln(Re*/D*f^0.5)
1
/
f
^
0
.
5
+
0
.
8
6
l
n
(
/
D
)

GRFICA C para perceptrn lnDRNLD 4 233. Grfica de Transicin de Colebrook.

112
10.1.13. Resultados del Perceptrn DRNLD 3 200

capas ocultas 1
funcin siglog
Archivo de texto DRNLD.txt

W1-2
1.2846 0.74297 -0.39847 -0.43139 0.17218
-1.42 -1.6191 -0.54819 0.10989 0.11709
-0.29328 -0.69086 0.5061 -1.2351 0.57723

W2-3
-0.58793 -0.95279 1.6238 5.68E-01

113

0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
f experimental
f

s
i
m
u
l
a
d
o

neuronal vs. Factor de friccin experimental .
0.025
0.225
0.425
0.625
0.825
1.025
1.225
1.425
1.625
1.825
2.025
0.025 0.225 0.425 0.625 0.825 1.025 1.225 1.425 1.625 1.825
Ln(Re*/D*f^0.5)
1
/
f
^
0
.
5
+
0
.
8
6
l
n
(
/
D
)

114

pocas 18
funcin siglog

W1-2
1.2846 0.74297 -0.39847 -0.43139 0.17218
-1.42 -1.6191 -0.54819 0.10989 0.11709
-0.29328 -0.69086 0.5061 -1.2351 0.57723

W2-3
-0.58793 -0.95279 1.6238 5.68E-01


115
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
f experimental
f

s
i
m
u
l
a
d
o

0.025
0.225
0.425
0.625
0.825
1.025
1.225
1.425
1.625
1.825
2.025
0.025 0.525 1.025 1.525 2.025
Ln(Re*/D*f^0.5)
1
/
f
^
0
.
5
+
0
.
8
6
l
n
(
/
D
)

GRFICA C para perceptrn DRNL 3 200. Grfica de Transicin de Colebrook.

116

10.1.15. Resultados del Perceptrn DRN 3 capas ocultas 200

pocas 20
funcin siglog
cuadrado del error datos de calibracin 0.012786

W1-2
1.5478 1.1685 0.46412 0.49242
-0.14668 1.3955 0.59695 -0.35728
0.14217 -0.14847 0.43961 -0.76823
-0.072303 -0.5787 0.9478 -0.41565

W2-3
0.82706 1.2333 0.96045 -0.83554 -0.80686
1.0696 -1.6912 -1.5028 -1.95E-01 2.58E-02
0.15106 -1.2657 -1.2878 6.59E-01 -2.27E-01

W3-4
-0.14603 -1.5737 1.1895 1.2696
0.35056 0.9388 -1.3611 -1.4046
0.6811 0.35275 0.59883 0.47978

W4-5
-0.43025 2.3429 -1.9653 5.29E-01
117

GRAFICA A para el perceptrn DRN 3 capas ocultas 200. La lnea superior representa el error
la lnea es el respectivo error.

0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
f experimental
f

s
i
m
u
l
a
d
o

GRAFICA B para el perceptrn DRN 3 Capas Ocultas 200. Factor de friccin simulado por la
red neuronal vs. Factor de friccin experimental .
118
0.025
0.225
0.425
0.625
0.825
1.025
1.225
1.425
1.625
1.825
2.025
0.025 0.225 0.425 0.625 0.825 1.025 1.225 1.425 1.625 1.825
Ln(Re*/D*f^0.5)
1
/
f
^
0
.
5
+
0
.
8
6
l
n
(
/
D
)
Datos red neuronal Datos experimentales


Los perceptrones mostrados de aqu en adelante, tienen la caracterstica de tener como variable
independiente f , lo que hace a estas redes neuronales ser distintas a las pasada, adems, la
variable dependiente es la ecuacin 18c, en el anlisis de los resultados, se explica claramente
cul es la lgica de estos resultados y la razn por la cual es necesario el uso de un mtodo
numrico para hallar f.

Para estos perceptrones es necesario, mostrar adems de las grficas A y B ya descritas, las
siguientes grficas:

Grfica D, en esta grfica, se muestra a f simulado vs. f experimental, con el resultado del mtodo
iterativo programado en Matlab. Esta grfica se muestra para algunas corridas no en todas, ya que
en algunas como se explicar ms adelante el error obtenido de esta manera puede ser grande, se
grafican los mejores obtenidos.
119

Grfica E, muestra la grfica de transicin de Colebrook, obtenida con los factores de friccin
calculados por el mtodo numrico de aproximacin. Esta grfica se muestra para algunas
corridas no en todas, ya que en algunas como se explicar ms adelante el error obtenido de esta
manera puede ser grande, se grafican los mejores obtenidos.

120
10.1.16. Resultados del Perceptrn DR 233 datos 3 N

W 1-2
-1.0958000 -0.6901100 0.2017500 0.9817100
0.4080000 -0.1472100 1.2271000 0.2079900
-2.0213000 0.1299600 -0.0486740 3.3225000

W 2-3
2.0741000 -1.0866000 2.3096000 -3.6139000

Error validacin N/A
error calibracin 0.0013025
pocas 80
Archivo de texto transcole233.txt


121
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
E
c
u
a
c
i
n

1
8
c

s
i
m
u
l
a
d
a

) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
simulado por la red
neuronal vs.
) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
experimental.
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
0 0.5 1 1.5 2
Ln(Re*/D*f^0.5)
1
/
f
^
0
.
5
+
0
.
8
6
l
n
(
/
D
)
Datos simulados
Datos experimentales

122


W 1-2
1.3907000 0.4241300 0.0912610 -1.7491000
-0.7408400 0.0519140 -0.8071500 0.6657600
0.3017700 0.2613200 0.8073100 0.0406030

W 2-3
0.5044900 2.2845000 -1.8864000 0.5373200

Error validacin 0.0042566
pocas 35
Archivo de texto transcolerandom233.txt


123

0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
E
c
u
a
c
i
n

1
8
c

s
i
m
u
l
a
d
a
Calibracin
Validacin

) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
simulado por la red
neuronal vs.
) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
experimental

0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
0 0.5 1 1.5 2
Ln(Re*/D*f^0.5)
1
/
f
^
0
.
5
+
0
.
8
6
l
n
(
/
D
)
Calibracin
Experimentales
Validacin

124

W 1-2
-2.6071000 -0.0341660 -0.4438500 2.8626000

W 2-3
2.5787000 -4.8384000 0.0000000 0.0000000

Error validacin N/A
pocas 85


125
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
E
c
u
a
c
i
n

1
8
c

s
i
m
u
l
a
d
a
Calibracin
Validacin

) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
simulado por la red
neuronal vs.
) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
experimental
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
0 0.5 1 1.5 2
Ln(Re*/D*f^0.5)
1
/
f
^
0
.
5
+
0
.
8
6
l
n
(
/
D
)
Calibracin Experimentales Validacin

126

10.1.19. Resultados del Perceptrn DR 200 datos 3 N (2)

W 1-2
-0.4766900 0.3764100 -0.5293600 -1.8399000
-0.5671000 0.1538800 -1.1864000 -0.2828000
1.7367000 -0.0230100 0.1778300 -2.8176000

W 2-3
-0.1270600 1.2827000 -1.9782000 3.2214000

Error validacin N/A
pocas 50


127
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
E
c
u
a
c
i
n

1
8
c

s
i
m
u
l
a
d
a
Calibracin
Validacin

GRAFICA B para el perceptrn DR 200 datos 3 N (2).
) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
simulado por la red
neuronal vs.
) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
experimental
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
0 0.5 1 1.5 2
Ln(Re*/D*f^0.5)
1
/
f
^
0
.
5
+
0
.
8
6
l
n
(
/
D
)
Calibracin
Experimentales
Validacin

GRFICA C para perceptrn DR 200 datos 3 N(2). Grfica de Transicin de Colebrook.
128

W 1-2
2.1822000 0.1210900 0.0192440 -2.9849000
-1.6408000 0.0520430 -0.4141100 1.6551000
0.5785500 -0.4428200 0.9312100 -0.0595930

W 2-3
-0.2370400 3.4957000 -3.4756000 0.9083000

Error validacin N/A
pocas 200


129
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
E
c
u
a
c
i
n

1
8
c

s
i
m
u
l
a
d
a

) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
simulado por la red
neuronal vs.
) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
experimental
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
0 0.5 1 1.5 2
Ln(Re*/D*f^0.5)
1
/
f
^
0
.
5
+
0
.
8
6
l
n
(
/
D
)

130

W 1-2
1.8372000 0.0529790 0.1612500 -2.7678000
-1.2523000 0.0011070 -0.3337800 1.6523000
0.4342800 -0.0804340 0.7746800 -0.1092700

W 2-3
0.1698800 3.3053000 -2.9722000 0.7730900

Error validacin N/A
pocas 50


131
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
E
c
u
a
c
i
n

1
8
c

s
i
m
u
l
a
d
a
Calibracin
Validacin

) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
simulado por la red
neuronal vs.
) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
experimental
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
0 0.5 1 1.5 2
Ln(Re*/D*f^0.5)
1
/
f
^
0
.
5
+
0
.
8
6
l
n
(
/
D
)

132

W 1-2
1.6706000 0.1092300 0.0921230 -3.3726000
-0.5215600 0.3390200 -1.1009000 0.7144100
0.2173400 0.5426900 0.5624200 0.6526000

W 2-3
0.5463300 3.8185000 -2.0275000 -0.2637100

Error validacin N/A
pocas 105
Archivo de texto transcole80.txt


133

0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
E
c
u
a
c
i
n

1
8
c

s
i
m
u
l
a
d
a

) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
simulado por la red
neuronal vs.
) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
experimental
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
0 0.5 1 1.5
Ln(Re*/D*f^0.5)
1
/
f
^
0
.
5
+
0
.
8
6
l
n
(
/
D
)
Calibracin Experimentales

134
10.1.23. Resultados del Perceptrn DR 200 datos Red Simple

W 1-2
2.2555000 0.1460100 0.4375600 -1.7485000

pocas 15

GRAFICA A para el perceptrn DR 200 datos Red Simple. La lnea superior representa el error

135
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
E
c
u
a
c
i
n

1
8
c

s
i
m
u
l
a
d
a
Calibracin
Validacin

GRAFICA B para el perceptrn DR 200 datos Red Simple.
) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
simulado por la
red neuronal vs.
) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
experimental
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
0 0.5 1 1.5 2
Ln(Re*/D*f^0.5)
1
/
f
^
0
.
5
+
0
.
8
6
l
n
(
/
D
)
Calibracin
Experimentales
Validacin

GRFICA C para perceptrn DR 200 datos Red Simple. Grfica de Transicin de Colebrook.

136

10.1.24. Resultados del Perceptrn DR 200 datos Red Simple (2)

W 1-2
2.7011000 0.0668210 0.4471700 -2.5558000

pocas 25

GRAFICA A para el perceptrn DR 200 datos Red simple(2). La lnea superior representa el
error de los datos de calibracin (si slo existe una lnea, esta res la misma lnea superior). La
lnea inferior representa el error de validacin. En la ordenadas, est el nmero de
entrenamiento, y la lnea es el respectivo error.

137

0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
E
c
u
a
c
i
n

1
8
c

s
i
m
u
l
a
d
a
Calibracin
Validacin

GRAFICA B para el perceptrn DR 200 datos Red Simple(2).
) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
simulado por
la red neuronal vs.
) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+
experimental
138
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
0.0 0.5 1.0 1.5 2.0
Ln(Re*/D*f^0.5)
1
/
f
^
0
.
5
+
0
.
8
6
l
n
(
/
D
)
Calibracin
Experimentales
Validacin

GRFICA C para perceptrn DR 200 datos Red Simple(2). Grfica de Transicin de Colebrook.

0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
0.2 0.7 1.2 1.7
Ln(Re*/D*f^0.5)
1
/
f
^
0
.
5
+
0
.
8
6
l
n
(
/
D
)
Grf. ecperimental
Grf. simulada

GRFICA D: Simulacin del perceptrn DR 200 datos Red Simple (2). Grfica de transicin de
Colebrook.
) 18 ( ln 86 . 0
1
c
D f
|
.
|
\
|
+

Tesis124 PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

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

Tesis124 PDF

Hochgeladen von

Copyright:

Verfügbare Formate

TRABAJO DE GRADO PARA OPTAR POR EL TTULO DE INGENIERO

tenemos la masa y la aceleracin como

Das könnte Ihnen auch gefallen