DESARROLLO DE MODELOS DE OPTIMIZACIN

2.1 Clasificacin de los modelos .............................................41

2.2 Cmo construir un modelo 46 .............................
2.3 Seleccin de funciones para ajustar datos empricos 48 .....................................
2.4 Diseos experimentales factoriales 62 ............................................. .
2.5 grados de libertad 66 ..............
2.6 Ejemplos de restricciones de desigualdad e igualdad en los modelos 69
Referencias ................................................. ..... 73 ......................................... Referencias
complementarias 73 Unesdoc.unesco.org unesdoc.unesco.org .....
Problemas 74

Las limitaciones en la optimizacin surgen porque un proceso debe describir los lmites fsicos de
las variables, las relaciones empricas y las leyes fsicas que se aplican a un problema especfico,
como se menciona en la Seccin 1.4. El enfoque principal de este captulo es cmo desarrollar
modelos que tengan en cuenta estas limitaciones. Los modelos matemticos se emplean en todas
las reas de la ciencia, la ingeniera y los negocios para resolver problemas, disear equipos,
interpretar datos y comunicar informacin. Eykhoff (1974) defini un modelo matemtico como
"una representacin de los aspectos esenciales de un sistema existente (o un sistema a construir)
que presenta el conocimiento de ese sistema en una forma utilizable". Para el propsito de la
optimizacin, nos ocuparemos del desarrollo de expresiones cuantitativas que nos permitan
utilizar matemticas y clculos informticos para extraer informacin til. Para optimizar un
modelo de proceso puede ser necesario desarrollar para la funcin objetivo5 las restricciones de
igualdad gy las restricciones de desigualdad h. Debido a que un modelo es una abstraccin, el
modelado nos permite evitar la experimentacin repetida y las mediciones. Tenga en cuenta, sin
embargo, que un modelo slo imita la realidad y no puede incorporar todas las caractersticas del
proceso real que est siendo modelado. En el desarrollo de un modelo, debe decidir qu factores
son relevantes y cun complejo debe ser el modelo. Por ejemplo, considere las siguientes
preguntas.
1. Debe el proceso ser modelado en un nivel fundamental o emprico, y qu nivel de esfuerzo
(tiempo, gastos, mano de obra) es requerido para cada enfoque? 2. Puede el proceso ser descrito
adecuadamente usando principios fsicos? 3. Cul es la precisin deseada del modelo y cmo
influye su precisin en su uso final? 4. Qu medidas estn disponibles y qu datos estn
disponibles para la verificacin del modelo? 5. Est el proceso realmente compuesto de
subsistemas ms pequeos y ms sencillos que pueden ser ms fcilmente analizados?
Las respuestas a estas preguntas dependen de cmo se utilice el modelo. A medida que el modelo
de la demanda se vuelve ms complejo, la optimizacin suele ser ms difcil. En este captulo
discutiremos varios factores que deben considerarse al construir un modelo de proceso. Adems,
examinaremos el uso de la optimizacin en la estimacin de los valores de coeficientes
desconocidos en los modelos para obtener una representacin compacta y razonable de los datos
del proceso. Informacin adicional puede encontrarse en libros de texto especializados en
modelado matemtico. Para ilustrar la necesidad de desarrollar modelos de optimizacin,
considere el siguiente ejemplo.
EJEMPLO 2.1 MODELIZACIN Y OPTIMIZACIN DEL FUNCIONAMIENTO DE LOS HORNOS
La optimizacin del funcionamiento del alto horno es importante en todas las grandes fbricas de
acero. Un nmero relativamente grande de variables importantes (varias de las cuales no pueden
medirse) interactan en este proceso de una manera muy compleja, se deben tener en cuenta
numerosas restricciones y la edad y eficiencia de la planta afectan significativamente al ptimo
punto de operacin (Deitz, 1997). En consecuencia, un examen detallado de este problema
demuestra las consideraciones involucradas en el modelado matemtico de un proceso tpico. El
funcionamiento de un alto horno es semicontinuo. Las materias primas son mineral de hierro que
contiene aproximadamente 20 a 60 por ciento de hierro como xidos y una variedad de otros
xidos metlicos y no metlicos. Estos materiales se combinan con coque, que reacciona para
formar gas de alto horno. La piedra caliza es un fundente que ayuda a separar las impurezas del
metal caliente influyendo en el pH. Aparte del gas de alto horno, que puede servir como medio de
calentamiento en otros procesos, la salida del horno consiste en hierro fundido, que incluye
algunas impurezas (notablemente carbono y fsforo) que se deben eliminar en el proceso de
fabricacin de acero, y la escoria, Que contiene la mayor parte de las impurezas y es de poco valor.
La operacin del alto horno requiere la determinacin de la cantidad de cada mineral, una tasa de
produccin y un modo de operacin que maximicen la diferencia entre el valor del producto y el
costo de producir la cantidad y calidad requeridas de hierro fundido. La figura E2.1 muestra el flujo
de materiales en el horno de soplado, el cual es parte de un molino mucho ms grande. Una
tonelada de metal caliente requiere alrededor de 1,7 toneladas de materiales que contienen
hierro, 0,5 a 0,65 toneladas de coque y otros combustibles, 0,25 toneladas de flujos y 1,8 a 2,0
toneladas de aire. Adems, por cada tonelada de metal caliente producido, el proceso crea 0,2 a
0,4 toneladas de acero, 0,05 toneladas o menos de polvo de chimenea y 2,5 a 3,5 toneladas de
gases de alto horno. El producto final, el metal caliente, es aproximadamente el 93% de hierro,
con otros ingredientes de la traza, incluyendo azufre, silicio, fsforo, y manganeso. Las variables de
proceso y los modelos conceptuales se identifican en la Figura E2.1 bajo la columna "Anlisis de
procesos", que tiene categoras para la funcin objetivo, restricciones de igualdad y restricciones
de desigualdad. Funcin objetiva
Para formular la funcin objetivo, hay que considerar dos categoras de costos: 1. Costos asociados
con los flujos de materiales (las variables de entrada y salida), como los costos de materiales
comprados. 2. Costes asociados con las operaciones relacionadas con las variables de proceso en
el modelo.
Los trminos que conforman la funcin objetivo (maximizar) se muestran en la figura E.2.1. El
beneficio del alto horno puede expresarse como
Limitaciones de igualdad y desigualdad
El siguiente paso en la formulacin del problema es construir un modelo matemtico del proceso
considerando los fenmenos qumicos y fsicos fundamentales y las limitaciones fsicas que
influyen en el comportamiento del proceso. Para el caso del alto horno, las caractersticas tpicas
son 1. Mineral de hierro: Los minerales de diferentes grados estn disponibles en cantidades
restringidas. Los diferentes minerales tienen porcentajes variables de hierro y diferentes tipos y
cantidades de impurezas. Se supone que la proporcin de cada mineral que se produce en el metal
caliente final se fija por su composicin. Por ejemplo, la cantidad de mineral fino debe limitarse
porque demasiado puede interrumpir el flujo de gas a travs del horno y limitar la produccin. 2.
Coque: La cantidad de coque que se puede quemar en cualquier horno est efectivamente
limitada por el diseo del horno y la temperatura del metal caliente est controlada por la
cantidad

660/5000
FIGURA E.2.1 Componentes de la funcin objetivo y tipos de restricciones para un alto
horno.
De coque (o carbono). La tasa de consumo de coque puede basarse en relaciones empricas
desarrolladas a travs de la regresin de los datos del horno. 3. Escoria: Por razones
tcnicas, el nivel de impurezas en la escoria debe ser controlado. Hay un lmite superior
sobre el porcentaje de magnesio, lmites superiores e inferiores sobre el porcentaje de
silicio y aluminio, y lmites cercanos a la relacin de "basicidad" (CaO + MgO) / (SiO, +
Al, O). La relacin de basicidad controla la viscosidad y el punto de fusin de la escoria, lo
que a su vez afecta a la temperatura del hogar ya la calidad del hierro producido.

La relacin de basicidad puede expresarse en trminos de las alimenta- ciones de alto horno xi
como sigue:
Donde w, ~ = fraccin en peso de CaO en la alimentacin i w, ~ = fraccin en peso de MgO en la
alimentacin i w, ~ = fraccin en peso de SiO, en la alimentacin i wSi = fraccin en peso de Al, O
en la alimentacin i
4. Fsforo: todo el fsforo en la materia prima encuentra su camino en el metal fundido. Hay un
lmite superior en el fsforo permitido, aunque a veces se prescriben cantidades precisas. En
general, es ms barato producir hierro de fsforo ms alto, pero ms caro para refinarlo.
A partir de estas y otras consideraciones puede preparar:
1. Un conjunto de variables de entrada y salida. 2. Un conjunto de materiales de entrada-salida en
estado estacionario y balances de energa (restricciones de igualdad). 3. Un conjunto de relaciones
empricas explcitas (restricciones de igualdad). 4. Un conjunto de restricciones (restricciones de
desigualdad) sobre las variables de entrada y salida como se indica en la Figura E.2.1.

2.1 CLASSIFICATION OF MODELS

Existen dos categoras generales de modelos:

1. Los basados en la teora fsica.

2. Los basados en descripciones estrictamente empricas (los llamados modelos de caja negra).

Los modelos matemticos basados en leyes fsicas y qumicas (por ejemplo, balanzas de masa y
energa, termodinmica, cintica de reaccin qumica) se emplean frecuentemente en aplicaciones
de optimizacin (vanse los ejemplos en los captulos 11 a 16). Estos modelos son
conceptualmente atractivos porque un modelo general para cualquier tamao de sistema se
puede desarrollar incluso antes de que el sistema se construya. Una exposicin detallada de los
modelos matemticos fundamentales en ingeniera qumica est fuera de nuestro alcance aqu,
aunque presentamos numerosos ejemplos de modelos fisicoqumicos a lo largo del libro,
especialmente en los Captulos 11 a 16. Modelos empricos, por otro lado, son atractivos cuando
un fsico Modelo no se puede desarrollar debido a la limitacin de tiempo o recursos. Los datos de
entrada-salida son necesarios para ajustar coeficientes desconocidos en cualquiera de los dos
tipos del modelo.

FIGURA E2.2 Eficacia de recoleccin de ESP en funcin del rea de recoleccin especfica
para un modelo lineal 7 = 0,129A + 85,7 y un modelo no lineal 7 = 100 {1 - [e-0,0264A /
(4,082 - 3,15 X lop6A)]).
EJEMPLO 2.2 MODELOS DE UN PRECIPITADOR ELECTROSTATICO
Se utiliza una planta piloto de combustin de carbn para obtener datos de eficiencia sobre
la recoleccin de materia particulada por un precipitador electrosttico (ESP). El
rendimiento de ESP vara cambiando la superficie de las placas colectoras. La figura E2.2
muestra los datos recopilados para estimar los coeficientes en un modelo para representar la
eficiencia 7 en funcin del rea de recoleccin especfica A, medida como caudal
volumtrico de la placa. Se han propuesto dos modelos de diferente complejidad para
ajustar los datos de rendimiento: Modelo 1: 7 = b, A + b, Modelo 2: 7 = 100 I El modelo 1
es lineal en los coeficientes y el modelo 2 es no lineal en los coeficientes. La estructura
matemtica del modelo 2 tiene una base fundamental que tiene en cuenta las caractersticas
fsicas de la materia particulada, incluyendo el tamao de partcula y las propiedades
elctricas, pero no tenemos el espacio para derivar la ecuacin aqu. Qu modelo es
mejor?

Solucin. Los coeficientes de los dos modelos se ajustaron utilizando MATLAB, obtenindose los
siguientes resultados:
Modell: b, = 0,129 b, = 85,7
Modelo 2: y, = 0,0264 y, = 4,082 y, = -0,00000315
Como puede verse en la Figura E2.2, el modelo 2 proporciona un mejor ajuste que el modelo 1
sobre el rango de reas A considerado, pero el modelo 2 puede presentar algunas dificultades
cuando se utiliza como una restriccin insertada en un cdigo de optimizacin.

El precipitador electrosttico en el Ejemplo 2.2 es tpico de procesos industriales; El

funcionamiento de la mayora de los equipos de proceso es tan complicado que la aplicacin de
leyes fsicas fundamentales puede no producir un modelo adecuado. Por ejemplo, los datos de
cintica termodinmica o qumica pueden ser requeridos en tal modelo pero pueden no estar
disponibles. Por otro lado, aunque el desarrollo de modelos de caja negra puede requerir menos
esfuerzo y los modelos resultantes pueden ser de forma ms simple, los modelos empricos suelen
ser relevantes slo para rangos restringidos de operacin y ampliacin. Por lo tanto, un modelo
como el modelo ESP 1 podra necesitar ser reformulado completamente para un rango diferente
de tamao de material en partculas o para un tipo diferente de carbn. Es posible que tenga que
utilizar una serie de modelos de caja negra para lograr una exactitud adecuada para diferentes
condiciones de funcionamiento. Adems de clasificar los modelos como tericos en funcin de
empricos, generalmente podemos agrupar modelos de acuerdo con los siguientes tipos:
Lineal versus no lineal. Estado estacionario versus estado inestable. Parmetro lumped versus
parmetro distribuido. Variables continuas versus discretas.
Lineal Kersus no lineal Los modelos lineales exhiben la importante propiedad de la superposicin;
No lineales no. Las ecuaciones (y por lo tanto los modelos) son lineales si las variables
dependientes o sus derivadas aparecen solamente a la primera potencia: de lo contrario son no
lineales. En la prctica, la capacidad de utilizar modelos lineales es de gran importancia porque son
un orden de magnitud ms fcil de manipular y resolver que los no lineales. Para probar la
linealidad de un modelo, examine la ecuacin (s) que representa el proceso. Si cualquier trmino
no es lineal, el modelo en s es no lineal. Por implicacin, el proceso es no lineal. Examinar los
modelos 1 y 2 para el precipitador electrosttico. Es el modelo 1 lineal en A? Modelo 2? La
prueba de superposicin en cada caso es:

Estado estacionario versus estado inestable Otros sinnimos para el estado estacionario son
invariantes en el tiempo, estticos o estacionarios. Estos trminos se refieren a un proceso en el
cual los valores de las variables dependientes permanecen constantes con respecto al tiempo. Los
procesos de estado estacionario tambin se denominan estado no estacionario, transitorio o
dinmico y representan la situacin cuando las variables dependientes del proceso cambian con el
tiempo. Un ejemplo tpico de un procedimiento de estado inestable es la operacin de una
columna de destilacin discontinua, que exhibira una composicin de producto variable en el
tiempo. Un modelo transitorio se reduce a un modelo de estado estacionario cuando d / dt = 0. La
mayora de los problemas de optimizacin tratados en este libro se basan en modelos de estado
estacionario. Los problemas de optimizacin que involucran modelos dinmicos suelen referirse a
un "control ptimo" oa problemas de optimizacin en tiempo real (vase el Captulo 16)
Parmetros distribuidos versus parmetros agrupados En resumen, una representacin de
parmetros agrupados significa que las variaciones espaciales son ignoradas y que las diversas
propiedades y el estado del sistema pueden considerarse homogneos en todo el volumen. Por el
contrario, una representacin de parmetros distribuidos tiene en cuenta las variaciones
detalladas de comportamiento de un punto a otro en todo el sistema. En la Figura 2.1, compare
estas definiciones para un reactor bien agitado y un reactor tubular con flujo axial. En el primer
caso, asumimos que la mezcla es completa para que no haya concentracin o gradiente de
temperatura en el reactor, por lo que sera apropiado un modelo matemtico de parmetros
agrupados. En contraste, el reactor tubular tiene variaciones de concentracin o temperatura a lo
largo de la direccin axial y tal vez en la direccin radial, por lo tanto, se requerira un modelo de
parmetro distribuido. Todos los sistemas reales estn, por supuesto, distribuidos porque algunas
variaciones de estados ocurren a travs de ellos. Debido a que las variaciones espaciales a menudo
son relativamente pequeas, pueden ser ignoradas, lo que conduce a una aproximacin agrupada.
Si se van a incluir en un modelo las caractersticas espaciales y transitorias, se requiere una
ecuacin diferencial parcial o una serie de etapas para describir el comportamiento del proceso.
No es fcil determinar si el agrupamiento en un modelo de proceso es una tcnica vlida para
representar el proceso. Una buena regla es que si la respuesta es esencialmente el mismo en
todos los puntos del proceso, entonces el modelo puede agruparse como una sola unidad. Si la
respuesta muestra diferencias instantneas significativas en cualquier direccin a lo largo del vaso,
entonces el problema debe tratarse usando una ecuacin diferencial apropiada o una serie de
compartimentos. En un problema de optimizacin es deseable simplificar un modelo distribuido
utilizando un sistema de parmetros equivalente, aunque debe evitar el enmascaramiento de las
caractersticas sobresalientes del elemento distribuido (construyendo as un modelo inadecuado).
En este texto, consideraremos principalmente las tcnicas de optimizacin aplicadas a los sistemas
aglomerados.

Variables continuas y discretas Las variables continuas pueden asumir cualquier valor dentro de un
intervalo; Las variables discretas pueden tomar solamente valores distintos. Un ejemplo de una
variable discreta es aqul que asume valores enteros solamente. A menudo en la ingeniera
qumica variables discretas y variables continuas ocurren simultneamente en un problema. Si
desea optimizar un sistema compresor, por ejemplo, debe seleccionar el nmero de etapas del
compresor (un nmero entero) adems de la presin de succin y produccin de cada etapa
(variables continuas positivas). Los problemas de optimizacin sin variables discretas son mucho
ms fciles de resolver que aquellos con una sola variable discreta. Consulte el Captulo 9 para
obtener ms informacin sobre el efecto de variables discretas en la optimizacin.

Un ingeniero se esfuerza tpicamente en tratar variables discretas como continuas incluso a costa
de lograr una solucin subptima cuando la variable continua se redondea. Considere la variacin
del costo del aislamiento de varios espesores como se muestra en la Figura E 1.1. Aunque el
aislamiento slo est disponible en 0,5 pulg. Se puede utilizar una aproximacin continua para el
espesor para facilitar la solucin a este problema de optimizacin.

2.2 CMO CONSTRUIR UN MODELO

Por conveniencia de presentacin, el modelo de construccin se puede dividir en cuatro fases: (1)
definicin y formulacin de problemas, (2) anlisis preliminar y detallado, (3) evaluacin y (4)
aplicacin de interpretacin. Tenga en cuenta que la construccin de modelos es un
procedimiento iterativo. En la Figura 2.2 se resumen las actividades a realizar, Que se discuten en
detalle ms adelante. El contenido de esta seccin es bastante limitado; Antes de embarcarse en
un programa integral de desarrollo de modelos, consultar libros de texto sobre modelado (ver
Referencias).
Definicin del problema y fase de la formulacin En esta fase se define el problema y se identifican
los elementos importantes que pertenecen al problema ya su solucin. Debe determinarse el
grado de precisin necesario en el modelo y en los usos potenciales del modelo. Para evaluar la
estructura y complejidad del modelo,
1. El nmero de variables independientes a incluir en el modelo. 2. El nmero de ecuaciones
independientes requeridas para describir el sistema (a veces llamado el "orden" del modelo). 3. El
nmero de parmetros desconocidos en el modelo.
En la seccin anterior abordamos algunas de estas cuestiones en el contexto de modelos fsicos
versus modelos empricos. Estas cuestiones tambin se entrelazan con la cuestin de la
verificacin de modelos: qu tipos de datos estn disponibles para determinar que el modelo es
una descripcin vlida del proceso? La construccin de modelos es un proceso iterativo, como lo
demuestra el reciclaje de informacin de la Figura 2.2. Antes de llevar a cabo la modelizacin real,
es importante evaluar la justificacin econmica (y los beneficios de) el esfuerzo de modelado y la
capacidad del personal de apoyo para llevar a cabo tal proyecto. Primero, determine que un
modelo desarrollado con xito ayudar a solucionar el problema de optimizacin.
Fase de diseo La fase de diseo incluye la especificacin del contenido de la informacin, la
descripcin general de la lgica de programacin y los algoritmos necesarios para desarrollar y
emplear un modelo til, la formulacin de la descripcin matemtica de dicho modelo y la
simulacin del modelo. En primer lugar, definir las variables de entrada y salida y determinar qu
son el "sistema" y el "entorno". Adems, seleccione las representaciones matemticas especficas
que se utilizarn en el modelo, as como las suposiciones y limitaciones del modelo resultantes de
su traduccin al cdigo informtico. La implementacin del modelo requiere que se compruebe la
disponibilidad y la adecuacin del hardware y el software de la computadora, se especifiquen los
medios de entrada-salida del ordenador, se desarrollen la lgica del programa y los flujos y se
definan los mdulos del programa y sus relaciones estructurales. El uso de subrutinas y bases de
datos existe ntes le ahorra tiempo pero puede complicar un problema de optimizacin por las
razones explicadas en el Captulo 15.
Fase de evaluacin Esta fase pretende ser una verificacin final del modelo en su conjunto. Las
pruebas de elementos individuales del modelo deben realizarse en fases anteriores. La evaluacin
del modelo se realiza de acuerdo con los criterios de evaluacin y el plan de pruebas establecidos
en la fase de definicin del problema. A continuacin, lleve a cabo pruebas de sensibilidad de las
entradas del modelo Y parmetros, y determinar si las relaciones aparentes son fsicamente
significativas. Utilice los datos reales en el modelo cuando sea posible. Esta etapa se denomina
tambin verificacin diagnstica y puede implicar un anlisis estadstico de los parmetros
ajustados (Box et al., 1978). La validacin del modelo requiere confirmacin de la lgica,
suposiciones y comportamiento. Estas tareas implican la comparacin con los datos histricos de
entrada-salida, o datos en la literatura, la comparacin con el rendimiento de la planta piloto, y la
simulacin. E n general, los datos utilizados en la formulacin de un modelo no deben utilizarse
para validarlo si es posible. Debido a que la evaluacin del modelo involucra mltiples criterios, es
til encontrar una opinin de expertos en la verificacin de modelos, es decir, qu piensa la gente
que sabe acerca del proceso que est siendo modelado? Ningn procedimiento de validacin es
apropiado para todos los modelos. Sin embargo, es apropiado hacer la pregunta: Qu quieres
que haga el modelo? En el mejor de los mundos posibles, usted quiere que el modelo prediga el
desempeo del proceso deseado con la precisin adecuada, pero esto es a menudo una meta
difcil de alcanzar.
2.3 SELECCIN DE FUNCIONES PARA FIT EMPIRICAL DATA
Un modelo relaciona la salida (la variable o variables dependientes) con la (s) variable (s)
independiente (es). Cada ecuacin en el modelo generalmente incluye uno o ms coeficientes que
se presumen constantes. El trmino parmetro utilizado aqu significa coeficiente y posiblemente
entrada o condicin inicial. Con la ayuda de datos experimentales, podemos determinar la forma
del modelo y posteriormente (o simultneamente) estimar el valor de algunos o todos los
parmetros del modelo.
2.3.1 Cmo determinar la forma de un modelo
Los modelos se pueden escribir en una variedad de formas matemticas. La Figura 2.3 muestra
algunas de las posibilidades, algunas de las cuales ya fueron ilustradas en la Seccin 2.1. Esta
seccin se centra en el caso ms simple, a saber, los modelos compuestos de ecuaciones
algebraicas, que constituyen la mayor parte de las restricciones de igualdad en la optimizacin de
procesos. Aqu se hace hincapi en la estimacin de los coeficientes en modelos simples y no en la
complejidad del modelo. La seleccin de la forma de un modelo emprico requiere juicio, as como
alguna habilidad para reconocer cmo los patrones de respuesta coinciden con las posibles
funciones algebraicas. Los mtodos de optimizacin pueden ayudar en la seleccin de la
estructura del modelo as como en la estimacin de los coeficientes desconocidos. Si se puede
especificar un criterio cuantitativo que defina qu "mejor" representa los datos, entonces el
modelo se puede mejorar ajustando su forma para mejorar el valor del criterio. El mejor modelo
presumiblemente presenta el menor error entre los datos reales y la respuesta predicha en algn
sentido.

Las relaciones tpicas para los modelos empricos podran ser y = a. + Alxl + a2x2 + ... lineal en las
variables y coeficientes y = a. + Al, x: + a, + lx, + -. Lineal en los coeficientes, no lineal en las
variables (xl, x2) 1 G (s) = no lineal en todos los coeficientes a, + als + a2s2 - @Nu = a (~ e) ~ no
lineal en el coeficiente b (Nu: Nusselt Nmero Reynolds) Cuando el modelo es lineal en los
coeficientes, puede estimarse mediante un procedimiento llamado regresin lineal. Si el modelo
no es lineal en los coeficientes, estimarlos se denomina regresin no lineal. En cualquier caso,
debe usarse el modelo adecuado ms simple (con el menor nmero de coeficientes). La
presentacin grfica de los datos ayuda a determinar la forma de la funcin de una sola variable (o
dos variables). La respuesta y frente a la variable independiente x puede trazarse y la forma
resultante del modelo evaluada visualmente. La Figura 2.4 muestra los datos experimentales de
transferencia de calor trazados en coordenadas log-log. La trama Parece ser aproximadamente
lineal en amplios rangos del nmero de Reynolds (Re). Una lnea recta en la figura 2.4
correspondera a log N = log a + b log Re o Nu = u (R ~) ~. Observe la dispersin de datos
experimentales en la Figura 2.4, especialmente para los grandes valores de la Re. Si dos variables
independientes estn involucradas en el modelo, los diagramas como los mostrados en la Figura
2.5 pueden ser de ayuda; En este caso la segunda variable independiente se convierte en un
parmetro que se mantiene constante en varios niveles. La Figura 2.6 muestra una variedad de
funciones no lineales y sus parcelas asociadas. Estas grficas pueden ayudar a seleccionar
relaciones para funciones no lineales de y en lugar de x. Las funciones empricas de ms de dos
variables deben ser construidas (o podadas) paso a paso para evitar incluir un nmero excesivo de
variables irrelevantes o faltar una importante. Consulte la Seccin 2.4 para los procedimientos
adecuados. Ahora revisemos un ejemplo para seleccionar la forma de un modelo para ajustarse a
los datos experimentales.

725/5000
EJEMPLO 2.3 ANLISIS DEL COEFICIENTE DE LA TRANSFERENCIA DE CALOR
Supongamos que el coeficiente global de transferencia de calor de un intercambiador de
calor de casco y tubo se calcula diariamente en funcin de los caudales en ambos lados de
la carcasa y del tubo (w y w ,, respectivamente). U tiene las unidades de ~ tu / (h) ("F) (ft ~)
yw, yw, estn en lbh Las figuras E2.3a y E2.3b ilustran los datos medidos Determine la
forma de un modelo semiemprico De U en funcin de w, yw, sobre la base del anlisis
fsico, Solucin Podramos elegir simplemente ajustar U como una funcin polinmica de
ws y w, parece que hay muy poco efecto de ws en U, pero U parece variar linealmente Con
w, (excepto en el rango superior de w, donde comienza a nivelarse) .Un enfoque ms
cuantitativo Puede basarse en un anlisis fsico del intercambiador. En primer lugar determinar
por qu w, no tiene ningn efecto sobre U. Este resultado se puede explicar por la frmula para el
coeficiente global de transferencia de calor
Donde h, = el coeficiente de transferencia de calor de la envolvente h, = el coeficiente de
transferencia de calor del lado del tubo hf = el coeficiente de ensuciamiento
Si h, es pequea yh, es grande, U est dominado por h, por lo que los cambios en w, tienen poco
efecto, como se muestra en la figura E2.3a. A continuacin examinaremos los datos de U versus w,
en el contexto de la Figura 2.6. Para un rango razonable de w, el patrn es similar a la curva D en la
Ecuacin (3) donde
Que tambin puede escribirse como
Obsrvese la similitud entre las ecuaciones (c) y (a), donde x = hyy = U. A partir de una correlacin
estndar del coeficiente de transferencia de calor (Gebhart, 1971), puede encontrar que h,
tambin vara de acuerdo con Ktwp8, Donde Kt es un coeficiente que depende de las propiedades
fsicas fluidas y de la geometra del intercambiador. Si agrupamos llh y l / hf juntos en una
constante l / hsf, el modelo semiemprico se convierte en

En los ejemplos y figuras anteriores se indic que se pueden seleccionar funciones para dos
variables independientes. Cuando se producen tres (o ms) variables independientes, se requieren
herramientas avanzadas de anlisis, tales como diseo experimental (ver Seccin 2.4) o anlisis de
componentes principales (Jackson, 1991) para determinar la estructura del modelo. Una vez que
se selecciona la forma del modelo, incluso cuando involucra ms de dos variables independientes,
ajustar razonablemente los coeficientes desconocidos en el modelo usando regresin lineal o no
lineal. Discutimos los mtodos de ajuste de coeficientes en la siguiente seccin.
2.3.2 Modelos de ajuste por mnimos cuadrados
Esta seccin describe la idea bsica de la estimacin por mnimos cuadrados, que se utiliza para
calcular los valores de los coeficientes en un modelo a partir de datos experimentales. Al estimar
los valores de los coeficientes para un modelo emprico o terico, tenga en cuenta que el nmero
de conjuntos de datos debe ser igual o mayor que el nmero de coeficientes en el modelo. Por
ejemplo, con tres puntos de datos de y contra x, puede estimar como mximo los valores de tres
coeficientes. Examine la Figura 2.7. Una lnea recta puede representar adecuadamente los tres
puntos, pero los datos pueden ajustarse exactamente utilizando un modelo cuadrtico
Al introducir los valores de un punto de datos (Y ,, x) en la ecuacin 2.2, se obtiene una ecuacin
de Y1 en funcin de tres coeficientes desconocidos. El conjunto de tres puntos de datos, por tanto,
produce tres ecuaciones lineales en tres incgnitas (los coeficientes) que se pueden resolver
fcilmente. Para compensar los errores involucrados en los datos experimentales, el nmero de
conjuntos de datos debe ser mayor que el nmero de coeficientes p en el modelo. Los mnimos
cuadrados son slo la aplicacin de optimizacin para obtener la "mejor" solucin de las
ecuaciones, lo que significa que la suma de los cuadrados de los errores entre los valores
predichos y experimentales de la variable dependiente y para cada punto de datos x se minimiza.
Consideremos un modelo algebraico general que es lineal en los coeficientes.

Hay p variables independientes xj, j = 1,. . . , pag. Independiente aqu significa controlable o
ajustable, no funcionalmente independiente. La ecuacin (2.3) es lineal con respecto a Pj, pero xj
puede ser no lineal. Tenga en cuenta, sin embargo, que los valores de xj (basados en los datos de
entrada) son slo nmeros que se sustituyen antes de resolver para las estimaciones Dj, por lo que
las funciones no lineales de xj en el modelo no son de preocupacin. Por ejemplo, si el modelo es
una funcin cuadrtica,
Nosotros especificamos
XI = 1
Y se satisface la estructura general de la Ecuacin (2.3). Al leer la seccin 2.4, aprender que se
debe tener especial cuidado en recolectar valores de x para evitar un alto grado de correlacin
entre los xi. Introduccin de la ecuacin (2.3) en una funcin de objetivo de error de suma de
cuadrados da
Sumatorio en el texto

Las variables independientes se identifican ahora con un subndice doble, el primer ndice
que designa el conjunto de datos (experimento) nmero (i = 1, ..., n) y el segundo las
variables independientes (j = 1, p). Minimizar f con respecto a p implica diferenciar f con
respecto a PI, Pz,. . . , P, y equiparando las p derivadas parciales a cero. Esto produce p
ecuaciones que relacionan los p valores desconocidos de los coeficientes estimados B1,. . . ,
Sp:
Donde Si = el valor estimado de pi x, 's = los valores experimentales de xj Yi = las
variables dependientes medidas
Obsrvese la simetra de los trminos de suma en x, y la numeracin de xu en las sumas
corresponde a ndices de matriz (filas, columnas). Este conjunto de p ecuaciones en p
desconocidos puede ser resuelto en un ordenador usando una de las muchas rutinas
fcilmente disponibles para resolver ecuaciones lineales simultneas. Las ecuaciones (2.5)
se pueden expresar en forma ms compacta si se emplea la notacin matricial (ver
Apndice A). Deje que el modelo se exprese en la matriz de matriz vectorial como
Donde E = el error aleatorio en los datos Y = el vector de las variables dependientes
medidas

La funcin objetivo a ser minimizada es

Las ecuaciones 2.5 se pueden expresar como
Que tiene la solucin formal a travs del lgebra matricial
Los paquetes estadsticos y las hojas de clculo resuelven las ecuaciones simultneas en (2.8) a la
estimacin 6 en lugar de calcular la matriz inversa en la ecuacin (2.9). Los siguientes dos ejemplos
ilustran la aplicacin de la ecuacin 2.9 para ajustar los coeficientes en una funcin objetivo. El
mismo procedimiento se utiliza para ajustar coeficientes en modelos de restriccin.
EJEMPLO 2.4 APLICACIN DE LAS CUADRAS MENORES PARA DESARROLLAR
UN MODELO DE COSTO PARA EL COSTE DE LOS INTERCAMBIADORES DE
CALOR
En la introduccin mencionamos que a veces es necesario desarrollar un modelo para la
funcin objetivo usando datos de costos. El ajuste de la curva de los costes de fabricacin
de los intercambiadores de calor puede utilizarse para predecir el coste de un nuevo
intercambiador de la misma clase con diferentes variables de diseo. Que el costo se
exprese como una ecuacin lineal
Donde p ,, p2 y p3 son constantes N = nmero de tubos A = superficie de la envoltura
Estimacin de los valores de las constantes p ,, P2 yp, a partir de los datos de la Tabla E2.4.
Los regresores son x, = 1, x, = N, y x3 = A. Solucin. Los mavices que se van a utilizar en
el clculo de fi son los siguientes (cada conjunto de datos tiene la misma ponderacin):

Ciertas suposiciones subyacen en los clculos de mnimos cuadrados, como la

independencia de los errores no observables, una varianza de error constante y la falta de
error en las x (Draper y Smith, 1998). Si el modelo representa adecuadamente los datos, los
residuales deben poseer caractersticas que estn de acuerdo con estos supuestos bsicos.
Por lo tanto, el anlisis de los residuos es una manera de comprobar que no se viola una o
ms de las suposiciones que subyacen a la optimizacin de mnimos cuadrados. Por
ejemplo, si el modelo encaja bien, los residuos deben distribuirse aleatoriamente sobre el
valor de y predicho por el modelo. Las desviaciones sistemticas de la aleatoriedad indican
que el modelo es insatisfactorio; El examen de los patrones formados por los residuos
puede proporcionar pistas sobre cmo se puede mejorar el modelo (Box y Hill, 1967;
Draper y Hunter, 1967). Los exmenes de las parcelas de los residuos frente a pi o xi, o un
grfico de la frecuencia de los residuos frente a la magnitud de los residuos, se han sugerido
como Ayudas numricas o grficas para ayudar en el anlisis de residuos. Se puede utilizar un
estudio de los signos de los residuos (+ o -) y sumas de signos. El anlisis residual debe incluir
1. Deteccin de un outlier (una observacin extrema). 2. Deteccin de una tendencia en los
residuos. 3. Deteccin de un cambio abrupto en el nivel del experimento (observaciones
secuenciales). 4. Deteccin de cambios en la varianza del error (generalmente asumida como
constante). 5. Examen para determinar si los residuos estn representados por una distribucin
normal (de modo que se puedan aplicar ensayos estadsticos).
Cuando se usan residuos para determinar la adecuacin de un modelo, tenga en cuenta que a
medida que se agregan ms variables independientes al modelo, los residuos pueden volverse
menos informativos. Cada residuo es, en efecto, un promedio ponderado de los eiys; A medida
que se aaden ms xi innecesarios a un modelo, los residuos se vuelven ms parecidos, reflejando
un promedio indiscriminado de todos los E'S en lugar de representar principalmente un ci. Al
realizar el anlisis de los residuos, descubrir rpidamente que una presentacin grfica de los
residuos ayuda materialmente al diagnstico porque una aberracin, como un nico valor
extremo, puede afectar simultneamente varias de las pruebas numricas.
Mnimos cuadrados no lineales Si un modelo es no lineal con respecto a los parmetros del
modelo, entonces se deben utilizar mnimos cuadrados no lineales en lugar de mnimos cuadrados
lineales para estimar los coeficientes del modelo. Por ejemplo, supongamos que los datos
experimentales deben ser ajustados por una expresin de la velocidad de reaccin de la forma rA
= kc, "Aqu r es la velocidad de reaccin del componente A, CA es la concentracin del reactivo, yk
yn son parmetros del modelo. Este modelo es lineal con respecto a la constante de velocidad k,
pero es no lineal con respecto al orden de reaccin N. Un modelo no lineal general puede ser
escrito como
Donde y = la salida del modelo xj = entradas del modelo Pj = parmetros a estimar
An podemos definir un criterio de error de suma de cuadrados (a minimizar) seleccionando el
conjunto de parmetros Pj de modo que a min 2 (Yi - Pj i = 1
Donde Yi = la i-sima medida de salida k. = Prediccin del modelo correspondiente al i-simo
punto de datos.

Los coeficientes estimados listados para el modelo 2 en el Ejemplo 2.2 se obtuvieron utilizando
mnimos cuadrados no lineales (Bates y Watts, 1988). Como otro ejemplo, considrese el
problema de estimar la ganancia K y las constantes de tiempo ri para los modelos dinmicos de
primer y segundo orden basados en una respuesta de escaln unitario medida del proceso y (t).
Los modelos para la respuesta escalonada de estos dos procesos son, respectivamente (Seborg et
al., 1989),
Donde t = la variable independiente (tiempo) y = la variable dependiente
Aunque K aparezca linealmente en ambas ecuaciones de respuesta, 7, en (2.12) y r1 y r2 en (2.13)
aparecen de manera no lineal, de modo que se deben usar mnimos cuadrados no lineales para
estimar sus valores. Los detalles especficos de cmo llevar a cabo los clculos sern diferidos
hasta que tomemos mtodos numricos de optimizacin sin restricciones en el Captulo 6.
2.4. DISEOS FACTORIALES EXPERIMENTALES
Debido a que las variables de los modelos suelen estar altamente correlacionadas, cuando se
recopilan datos experimentales, la matriz xTx en la ecuacin 2.9 puede ser mal condicionada (ver
Apndice A), y por lo tanto las estimaciones de los valores de los coeficientes en un modelo
pueden tener asociaciones considerables incertidumbre. El mtodo de diseo experimental
factorial obliga a que los datos sean ortogonales y evita este problema. Este mtodo permite
determinar la importancia relativa de cada variable de entrada y as desarrollar un modelo
parsimonioso, que incluya slo las variables y efectos ms importantes. Los experimentos
factoriales tambin representan una experimentacin eficiente. Usted planifica y realiza
experimentos sistemticamente en los que todas las variables se cambian simultneamente en
lugar de una a la vez, reduciendo as el nmero de experimentos necesarios. Debido a la propiedad
de ortogonalidad del diseo factorial, las pruebas estadsticas son eficaces para discriminar entre
los efectos de las variaciones naturales de las materias primas, las operaciones unitarias replicadas
(por ejemplo, equipos en paralelo), los diferentes operadores, los diferentes lotes y otros factores
ambientales. Una matriz de diseo ortogonal adecuada para la recopilacin de datos proporciona
estimaciones independientes de las sumas de cuadrados para cada variable, as como
combinaciones de variables. Tambin las estimaciones de los coeficientes tienen una varianza
menor que la que puede obtenerse con un diseo experimental no ortogonal (Montgomery, 1997,
Box et al., 1978). Es decir, usted puede tener ms confianza en los valores calculados para Pi que
ocurrira con un diseo no ortogonal.

TABLA 2.1 Diseo experimental ortogonal

Valores escalados (codificados) de las variables independientes
Experimento Nmero de respuesta Y 21 Z2
Desde un punto de vista prctico, el usuario del modelo debe decidir qu variables de
entrada deben estudiarse, ya que esto determinar el nmero de pruebas que se deben
realizar (Drain, 1997). En un diseo factorial estndar, se requieren 2" pruebas, donde n es
el nmero de variables de entrada a ser estudiado. Tambin debe decidir la cantidad de cada
variable de entrada debe ser cambiado de su valor nominal, teniendo en cuenta la
sensibilidad de la respuesta del proceso a un cambio en una variable de entrada dada, as
como el intervalo de funcionamiento tpico del proceso. la determi- nacin de la regin de
la experimentacin requiere conocimiento del proceso. la gama experimental debe ser
elegido de manera que las mediciones resultantes de la respuesta hacen No impliquen
errores en los sensores que sean mayores que los niveles de ruido tpicos.Supongamos que
se desea ajustar el modelo lineal y = P1 + P5z1 + P3z2, donde z1 yz son las variables
independientes.Permitir que los valores de z1 y z2 en el experimento ser deliberacio-
damente elegido por un diseo ortogonal experimental como la que se muestra en la Tabla
2.1. los valores de las variables independientes codificados corresponden a las cuatro
esquinas de un cuadrado en el z1 y z, el espacio. las sumas de la Ecuacin (2.5) simplificar
en este caso (x, = 1, x2 = z, x3 = z):
Para el diseo experimental en la Tabla 2.1,

FIGURA E2.6 Diseo ortogonal para las variables temperatura, presin y caudal.
Es muy fcil resolver la ecuacin (2.9) ahora porque estas expresiones estn desacopladas; La
inversa de xTx para la ecuacin (2.13) se puede obtener simplemente tomando el recproco de los
elementos diagonales.
EJEMPLO 2.6 IDENTIFICACIN DE VARIABLES IMPORTANTES POR EXPERIMENTACIN UTILIZANDO
UN DISEO FACTORIAL ORTOGONAL
Supongamos que un reactor est funcionando en el estado de referencia de 220 C, presin de 3
atm y un caudal de gas de 200 kgh. Podemos establecer un diseo factorial ortogonal para
modelar este proceso con un modelo lineal Y = P, + Pp2 + P3x3 + P4x4 SO para que los valores
codificados de los xi sean 1, - 1 y 0. Examine la Figura E2.6. Supongamos que seleccionamos los
cambios en las condiciones de funcionamiento de _'20 C para la temperatura, 22 atm para la
presin, y 250 kglh para los caudales. Sea x, = 1; Entonces x ,, x3 y x, las variables codificadas, se
calculan en trminos de las condiciones operativas propuestas de la siguiente manera:

Basndose en el diseo, se recogen los siguientes datos:

Y (rendimiento) x2 x3 x4
Los datos adicionales en el punto (0, O) se utilizan para obtener una medida del error implicado en
el experimento.
Solucin. Las matrices involucradas son
H Con estas matrices se pueden calcular las estimaciones de Pi mediante la resolucin de la
ecuacin (2.9), produciendo
En trminos de las variables originales
Resulta claro del tamao de los coeficientes estimados que los cambios en el caudal msico tienen
una influencia mucho menor sobre el rendimiento y, por tanto, para fines prcticos, podran
eliminarse como una variable independiente importante.

Si las variables independientes son ortogonales, decidir si se aaden o eliminan variables o

funciones de variables en modelos es sencillo usando mnimos cuadrados por pasos (regresin),
una caracterstica disponible en muchos paquetes de software. La regresin escalonada consiste
en aadir secuencialmente (o suprimir) una variable (o funcin) de variables a un modelo
propuesto y luego probar en cada etapa para ver si la variable agregada (o suprimida) es
significativa. El procedimiento slo es eficaz cuando las variables independientes son
esencialmente ortogonales. El acoplamiento del diseo experimental ortogonal con la
optimizacin de las condiciones de funcionamiento se ha denominado "operacin evolutiva"
mediante la cual las mejores condiciones de funcionamiento se determinan por sucesivos
experimentos (Biles y Swain, 1980).
2.5 GRADOS DE LIBERTAD
En la Seccin 1.5 discutimos brevemente las relaciones de las restricciones de igualdad y
desigualdad en el contexto de variables independientes y dependientes. Normalmente, en los
clculos de diseo y control, es importante eliminar informacin redundante y ecuaciones antes
de realizar cualquier clculo. El software moderno de optimizacin multivariable, sin embargo, no
requiere que el usuario identifique claramente variables independientes, dependientes o
superfluas, o restricciones activas o redundantes. Si el nmero de ecuaciones independientes es
mayor que el nmero de variables de decisin, el software le informa que no existe una solucin
porque el problema est excesivamente especificado. Los cdigos actuales han incorporado
herramientas de diagnstico que permiten al usuario incluir todas las variables y restricciones
posibles en la formulacin del problema original de modo que no necesariamente tenga que
eliminar las restricciones y las variables antes de usar el software. Tenga en cuenta, sin embargo,
que cuanto menor sea la dimensionalidad del problema introducido en el software, menor ser el
tiempo necesario para resolver el problema. Los grados de libertad en un modelo son el nmero
de variables que se pueden especificar de forma independiente y se define como sigue:
Donde NF = grados de libertad Nv = nmero total de variables involucradas en el problema NE =
nmero de ecuaciones independientes (incluyendo las especificaciones)
Un anlisis de los grados de libertad separa los problemas de modelado en tres categoras:
1. NF = 0: El problema est exactamente determinado. Si NF = 0, entonces el nmero de
ecuaciones independientes es igual al nmero de variables de proceso y el conjunto de ecuaciones
puede tener una solucin nica, en cuyo caso el problema no es un problema de optimizacin.
Para un conjunto de ecuaciones lineales independientes, existe una solucin nica. Si las
ecuaciones son no lineales, puede que no exista una solucin real o puede haber soluciones
mltiples.

2. NF> 0: El problema est subdeterminado. Si NF> 0, entonces existen ms variables de proceso

en el problema que ecuaciones independientes. Se dice que el modelo de proceso est
subdeterminado, por lo que al menos una variable puede ser optimizada. Para los modelos
lineales, el rango de la matriz formada por los coeficientes indica el nmero de ecuaciones
independientes (vase el Apndice A). 3. NF <0: El problema est sobredeterminado. Si NF <0,
existen menos variables de proceso en el problema que ecuaciones independientes, y por
consiguiente el conjunto de ecuaciones no tiene soluciones. Se dice que el modelo de proceso est
sobredeterminado, y se puede usar la optimizacin de mnimos cuadrados o algn criterio similar
para obtener valores de las variables desconocidas como se describe en la Seccin 2.5.
EJEMPLO 2.7 MODELO PARA UN TREN DE SEPARACION
La figura E2.7 muestra el diagrama de flujo del proceso para una serie de dos columnas de
destilacin, con flujos de masa y divisiones definidas por x ,, x2,. . . , x,. Escriba las balanzas de
materiales y muestre que el modelo de proceso comprende dos variables independientes y tres
grados de libertad.
Solucin. Las balanzas para las columnas 1 y 2 se muestran a continuacin: Columna 1 x, = x2 + x3
o x1 - x2 - x3 = 0 (a>
Hay tres ecuaciones y tres incgnitas.
40% de terminales ligeros Disolvente medio
60% de fondos (~ 2)
Disolvente pesado (~ 5)
FIGURA E2.7 Tren de columnas de destilacin.

La matriz de coeficientes es
Variables
Ecuaciones (a) 1 -1 -1 (b) -0,4 1 0 (c) -0,6 0 1
Las tres ecuaciones no son independientes. El rango de la matriz de coeficientes es 2, por lo tanto,
slo hay dos variables independientes, y la columna 1 implica un grado de libertad. Columna 2 x2 =
x4 + x5 o x2 - x4 - x5 = 0 (6)
Hay una ecuacin y tres incgnitas, por lo que hay dos grados de libertad. Ms bien, hay cuatro
ecuaciones (a), (b), (c), (d) y cinco variables. La matriz de coeficientes es
Debido a que el rango de la matriz de coeficientes es tres, slo hay tres ecuaciones
independientes, de modo que la Ecuacin (2.14) indica que hay dos grados de libertad. Puede
reducir la dimensionalidad del conjunto de balances de materiales mediante la sustitucin de una
ecuacin por otra y eliminar las dos variables y las ecuaciones. En algunos problemas es ventajoso
eliminar variables dependientes evidentes para reducir el nmero de ecuaciones que deben ser
incluidas como restricciones. Se pueden eliminar las restricciones lineales a travs de la sustitucin
directa, dejando slo las restricciones no lineales, pero las ecuaciones resultantes pueden ser
demasiado complejas para que este procedimiento tenga mrito. El siguiente ejemplo ilustra un
problema de flujo de tubera en el que la sustitucin conduce a una variable independiente.
EJEMPLO 2.8 ANLISIS DEL FLUJO DE TUBERA
Supongamos que desea disear un sistema de tuberas de hidrocarburos en una planta entre dos
puntos sin cambios en la elevacin y desea seleccionar el dimetro ptimo del tubo que minimice
la combinacin de costos de capital de tubera y costos operativos de la bomba. Prepare un
modelo que pueda ser utilizado para llevar a cabo la optimizacin. Identificar las variables
independientes y dependientes que afectan las condiciones ptimas de operacin. Supongamos
que las propiedades del fluido (p, p) son conocidas y constantes, y se especifican el valor de la
longitud del tubo (L) y del caudal msico (m). En su anlisis utilice las siguientes variables de
proceso: dimetro de la tubera (D), velocidad del fluido (v), cada de presin (Ap), factor de
friccin (f). Solucin. Intuitivamente se espera que se encuentre un dimetro ptimo para
minimizar los costos totales. Est claro que las cuatro variables de proceso estn relacionadas y no
hay Independiente, pero necesitamos examinar de manera organizada cmo las restricciones de
igualdad (mod- els) afectan los grados de libertad. Enumere las restricciones de igualdad:
1. Balance de energa mecnica, suponiendo que no hay prdidas en los accesorios, no hay
cambios en la elevacin, etc.
2. Ecuacin de continuidad, basada en el caudal en condiciones turbulentas.
3. Una correlacin que relaciona el factor de friccin con el nmero de Reynolds (Re).
La grfica del factor de friccin est disponible en muchos manuales, de modo que dado un valor
de Re, se puede encontrar el valor correspondiente desactivado. En el contexto de la optimizacin
numrica, sin embargo, el uso de un grfico es un procedimiento engorroso. Debido a que todas
las restricciones deben expresarse como relaciones matemticas, se selecciona la correlacin de
Blasius para un tubo liso (Bird et al., 1964):
El modelo implica cuatro variables y tres ecuaciones algebraicas no lineales independientes, por lo
tanto existe un grado de libertad. Las restricciones de igualdad pueden ser manipuladas usando la
sustitucin directa para eliminar todas las variables excepto una, digamos el dimetro, que
entonces representara las variables independientes. Las otras tres variables seran dependientes.
Por supuesto, podramos seleccionar la velocidad como la nica variable independiente de
cualquiera de las cuatro variables. Vase el Ejemplo 13.1 para el uso de este modelo en un
problema de optimizacin.
2.6 EJEMPLOS DE INCUMPLIMIENTO DE INEQUIDAD E IGUALDAD EN MODELOS
Como se mencion en el captulo 1, la aparicin de restricciones de desigualdad lineal en los
procesos industriales es bastante comn. Las restricciones de desigualdad no afectan el recuento
de los grados de libertad a menos que se conviertan en restricciones activas. Ejemplos de estas
restricciones son:

1. Las limitaciones de produccin se deben a restricciones de produccin de equipos, limitaciones

de almacenamiento o limitaciones de mercado (ningn producto adicional puede venderse ms
all de un nivel especfico). 2. Las limitaciones de las materias primas se producen debido a
limitaciones en los suministros de materias primas; Estos suministros a menudo se determinan por
los niveles de produccin de otras plantas dentro de la misma empresa. - 3. Existen restricciones
de seguridad o operabilidad debido a las limitaciones de las temperaturas de funcionamiento,
presiones y caudales permitidos. 4. Las especificaciones de propiedades fsicas de los productos
deben ser consideradas. En las refineras, la presin de vapor o el nivel de octano de los productos
combustibles deben satisfacer alguna especificacin. Para las mezclas de varios productos, se
suele suponer que una propiedad compuesta puede calcularse mediante el promedio de las
propiedades fsicas de los componentes puros. Para N componentes con valores de propiedad
fsica Vi y fraccin de volumen y ,, la propiedad media f es
EJEMPLO 2.9 FORMULACIN DE UN CONSTRUCCIN LINEAL DE LA DESIGUALDAD PARA LA
MEZCLA
Supongamos que se deben mezclar tres productos intermedios (nafta ligera, nafta pesada y aceite
"cataltico") fabricados en una refinera para producir un combustible de aviacin. El ndice de
octano del combustible debe ser al menos 95. Los nmeros de octano para los tres intermedios se
muestran en la tabla.
Cantidad mezclada, nmero de octano (barrelstday)
Nafta ligera XI 92 Nafta pesada X2 86 Aceite cataltico X3 97
Escribe una restriccin de desigualdad para el ndice de octano del combustible de aviacin,
asumiendo una regla de mezcla lineal.
Solucin. Supongamos que el balance de materiales puede basarse en la conservacin del
volumen (as como de la masa). La velocidad de produccin del gas de la aviacin es x4 = x1 + x2 +
x ,. El ndice de octano medio en volumen de la gasolina se puede calcular como
(X) + X2 + X2 (X) + X2 + X2 (X) + X2 + X,) y reordenando, obtenemos
Esta restriccin garantiza que se cumple la especificacin de nmero de octanos. Tenga en cuenta
que la ecuacin (b) es lineal.

EJEMPLO 2.10 MODELOS DE BALANCE DE MATERIAL LINEAL

En muchos casos en los que se aplica la optimizacin, es necesario determinar la asignacin de
flujos de materiales a un conjunto de procesos para maximizar los beneficios. Considere el
diagrama de proceso en la Figura E2.10.
FIGURA E2.10 Diagrama de flujo de una planta multiproducto.
Cada producto (E, F: G) requiere diferentes cantidades (estequiomtricas) de reactivos de acuerdo
con los siguientes balances de masa:
Producto de Reactivos (producto de 1 kg)
Preparar un modelo del proceso utilizando las ecuaciones del balance de masa.
Solucin. Para este proceso se pueden definir variables de flujo masivo lbelve. Sea x ,, x2, x, los
flujos de entrada de masa de A para cada proceso. Anlogamente, x4, x5, x6 y x7 son los flujos
individuales de reactantes de B y C, y definen x, x9 y x ,, como los tres flujos de producto en masa
(E, E G). Sea x ,, y x12 las cantidades totales de A y B usadas como reactivos (C es igual que x,). Por
lo tanto, tenemos un total de 12 variables. Las restricciones de balance de masa lineal que
representan el proceso son:

Con 12 variables y 9 restricciones de igualdad lineal independientes existen 3 grados de

libertad que pueden usarse para maximizar los beneficios. Tenga en cuenta que podramos
haber agregado un balance general de material, x ,, + x12 + x, = x, + x9 + x ,,, pero esto
sera una ecuacin redundante ya que puede derivarse agregando los saldos de materiales.
Otras restricciones se pueden especificar en este problema. Supongamos que el suministro
de A se limitaba a 40.000 kgda, o
Si esta restriccin es inactiva, es decir, el valor ptimo de xll es menor que 40.000 kgda,
entonces, en efecto, todava hay 3 grados de libertad. Si, sin embargo, el procedimiento de
optimizacin produce un valor de x ,, = 40.000 (el ptimo se encuentra en la restriccin,
como se muestra en la figura 1.2), entonces la restriccin de desigualdad f se convierte en
una restriccin de igualdad, resultando en slo 2 grados de libertad Que se pueden utilizar
para la optimizacin. Usted debe reconocer que es posible agregar ms restricciones de
desigualdad, como restricciones en materiales, en el modelo, por ejemplo,
stas tambin pueden convertirse en restricciones "activas" si el ptimo se encuentra en el
lmite de restriccin. Obsrvese que tambin podemos colocar restricciones de desigualdad
en la produccin de E, F y G para satisfacer la demanda del mercado o las restricciones de
ventas
Ahora el anlisis es mucho ms complejo y est claro que existen ms restricciones
potenciales de igualdad que las variables si todas las restricciones de desigualdad se
vuelven activas. Es posible que la optimizacin pueda conducir a una situacin en la que no
queden grados de libertad: un conjunto de restricciones de desigualdad se vera satisfecho
como igualdades. Este resultado significa que no quedan variables por optimizar, y la
solucin ptima alcanzada sera en los lmites, un subconjunto de las restricciones de
desigualdad. Otras limitaciones que se pueden imponer en una formulacin de problemas
realista incluyen
1. Limitaciones de funcionamiento (cuellos de botella): podra haber una limitacin de
rendimiento en los reactivos de uno de los procesos (por ejemplo, la presin de cabeza
disponible). 2. Limitaciones medioambientales: podra haber otros subproductos
indeseables H, como la produccin de materiales txicos (que no figuran en la lista de
productos original dada anteriormente), que podran contribuir a condiciones peligrosas.

Puede ver que el modelo para un proceso realista puede llegar a ser extremadamente complejo;
Lo que es importante recordar es que los pasos 1 y 3 de la tabla 1.1 proporcionan un marco
organizado para identificar todas las variables y formular la funcin objetiva, las restricciones de
igualdad y las restricciones de desigualdad. Despus de esto se hace, no es necesario eliminar las
variables redundantes o ecuaciones. El software de computadora generalmente puede manejar
relaciones redundantes (pero no inconsistentes).

Two general categories of models exist:

1. Those based on physical theory. 2. Those based on strictly empirical descriptions (so-called black
box models).

Mathematical models based on physical and chemical laws (e.g., mass and energy balances,
thermodynamics, chemical reaction kinetics) are frequently employed in optimization applications
(refer to the examples in Chapters 11 through 16). These models are conceptually attractive
because a general model for any system size can be developed even before the system is
constructed. A detailed exposition of fun- damental mathematical models in chemical engineering
is beyond our scope here, although we present numerous examples of physiochemical models
throughout the book, especially in Chapters 11 to 16. Empirical models, on the other hand, are
attractive when a physical model cannot be developed due to limited time or resources. Input-
output data are necessary in order to fit unknown coefficients in either type of the model.