Una descripción general de modelado y simulación

Diversas actividades relacionadas con la ingeniería química requieren el uso de la simulación

como herramienta para desarrollar la tecnología para producir un nuevo producto o aumentar
la productividad de una planta existente. Una buena comprensión de los fundamentos de
ingeniería química y de los modelos de procesos es un requisito previo para realizar
simulaciones. La familiaridad con el software que se usa para la simulación es una ventaja
adicional. El desarrollo de entornos de simulación basados en la web y el uso de Internet para
comunicar y transmitir datos y otra información relevante en varios formatos han hecho
posible que las simulaciones se realicen también en ubicaciones remotas. Por ejemplo, la
solución de problemas en el sitio de la industria puede llevarse a cabo en un lugar diferente
donde el simulador y el personal simulador están presentes. Los primeros esfuerzos de
modelado se centraron en el desarrollo de modelos que podrían resolverse analíticamente.
Por lo tanto, los libros de texto de la época trataban la actividad de modelado como la
aplicación de técnicas matemáticas para obtener soluciones analíticas. El uso de varias
transformaciones, técnicas de perturbación, números complejos, soluciones en términos de
series, álgebra matricial resuelve ecuaciones diferenciales ordinarias y parciales que
representan varios procesos. Se presentó la aplicación de estas técnicas para resolver diversos
problemas de ingeniería química. Algunos de estos libros se dan al final de este capítulo (ver
Davis 2001, Ramírez 1997, Rice y Do 1995). El desarrollo de técnicas numéricas animó a los
modeladores a resolver problemas más rigurosos que antes no podían resolverse
analíticamente. Sin embargo, las soluciones analíticas todavía sirven como soluciones de
referencia para probar la efectividad de los nuevos métodos numéricos en desarrollo. La
literatura sobre modelado se centró en el uso de varios métodos matriciales para resolver
ecuaciones lineales simultáneas, técnicas de optimización para resolver ecuaciones no lineales
y soluciones para ecuaciones diferenciales ordinarias y parciales (Davis 2001, Ramírez 1997,
Rice y Do 1995).

2.1 Estrategia para la simulación Los estudios de simulación se llevan a cabo siguiendo un
enfoque sistemático. Los pasos seguidos para llevar a cabo los estudios de simulación implican
"pasos de sentido común" (Ramírez 1997), como elegir un modelo apropiado para el problema
dado y luego experimentar con el modelo.
2.1.1 Definición del problema Por ejemplo, tomemos una reacción como la producción de
sulfato de aluminio por reacción de alúmina y ácido sulfúrico. Desde el punto de vista de un
químico, el problema es obtener la temperatura de reacción, la cantidad de datos cinéticos de
los reactivos y el rendimiento. Desde el punto de vista de un ingeniero químico, el tipo de
reactor, el control de la temperatura de reacción, la alimentación de los reactivos al reactor
son importantes. El objetivo de un ingeniero es determinar las condiciones de funcionamiento
del reactor que sean seguras y económicas. Por lo tanto, la reacción debe visualizarse a escala
industrial, y los problemas asociados a esta escala deberían ser claros.
2.1.2 Comprender el proceso El segundo paso de un estudio de simulación es comprender la
imagen física e identificar el fenómeno físico y la transformación química que tienen lugar en
el proceso. En esta etapa, uno debe comprender los detalles del proceso e identifica los
mecanismos fundamentales del proceso. La profundidad del conocimiento requerido depende
del alcance del problema. En el ejemplo dado en la Sección 2.1.1, se observa que la alúmina
está en forma de polvo y, por lo tanto, debe agregarse lentamente al ácido sulfúrico. Un
ingeniero químico puede llegar a la conclusión de que la reacción es muy rápida y, por lo
tanto, no se requieren los datos cinéticos ya que la reacción es el control de la transferencia de
masa. Por lo tanto, el objetivo podría ser determinar la velocidad de adición del polvo de
alúmina de modo que la temperatura de la reacción permanezca constante.

2.1.3 Modelado de procesos El proceso ahora se puede modelar. En base a la información

disponible en el literatura y el conocimiento de la persona involucrada en el modelado, el
la imagen física del proceso tiene que transformarse en ecuaciones matemáticas. Una imagen
física del modelo se puede representar en forma de un boceto, que es una mejor forma de
expresar la idea en comparación con las palabras. El boceto modelo en esta etapa puede ser
solo los principales mecanismos del proceso. Dobre y Marcano (2007) describieron los diversos
pasos del proceso de modelado. Este primer paso en el modelado se llamó 'modelo por
palabras'. Las ecuaciones ahora se pueden escribir con la ayuda del boceto modelo. En esta
etapa, el boceto del modelo nunca tiene que parecerse al boceto del proceso. Por ejemplo, los
intercambiadores de calor de superficie rascada se usan para calentar o enfriar fluidos muy
viscosos. Consisten en cilindros concéntricos, con el cilindro giratorio interno que tiene
raspadores y un cilindro estacionario con camisa exterior. Un modelo basado en el concepto
de renovación de superficie tiene deficiencia; por lo tanto, se desarrollaron otros modelos,
como la teoría de lubricación tridimensional (3D) (Fitt et al., 2007). La renovación del elemento
fluido en la superficie es bastante diferente del raspado real de la superficie; el uso de un
modelo basado en el concepto de renovación de la superficie es el resultado de olvidar que no
hay una capa de fluido que en realidad se haya reemplazado. Además, la capa límite solo es
ficticia; es solo un concepto La diferencia entre cosas ficticias y reales siempre debe
entenderse claramente. Este punto se aclarará con ejemplos en los Capítulos 4 a 6. El bosquejo
del modelo debe mostrar un proceso simplificado en términos de un número suficiente de
fenómenos bien entendidos. Si alguno de los fenómenos no se comprende bien, deben
investigarse antes de desarrollar el modelo. El boceto modelo nos ayuda a comprender las
interrelaciones de varios fenómenos, que también se pueden llamar 'submodelos'. Estos
submodelos pueden estar interrelacionados por mecanismos paralelos o en serie o una
combinación de ambos. Las ecuaciones del modelo se escriben luego con la ayuda del
bosquejo modelo que consiste en submodelos bien entendidos, que son relativamente
simples, pequeño y confiable.
2.1.4 Selección de software: factores que afectan a la selección Existen muchos lenguajes de
programación y lenguajes de propósito específico que se pueden usar con fines de simulación.
Los siguientes factores afectan la selección del software adecuado.
2.1.4.1 Disponibilidad En las décadas de 1980 y 1990, los programas de computadora se
escribieron en FORTRAN y C. Las versiones posteriores de FORTRAN son bastante potentes y
tienen una sintaxis similar a la de C. Estos idiomas estaban disponibles para muchos
investigadores y eran la elección obvia en ese momento. Estos idiomas aún se pueden usar si
son compatibles con las funciones de la biblioteca. Actualmente, muchos idiomas de alto nivel
como MATLAB®, MATHMATICA, MATHCAD, gPROM, STELLA, ACCEND y GAMS están
disponibles. Algunos de estos son muy específicos. También es posible usar una combinación
de paquetes de software.
2.1.4.2 Costo El costo del software también es un factor importante. Los paquetes comerciales
se pueden comprar y usar. Otra opción es utilizar lenguajes de código abierto como SCILAB,
ACCEND y LIBRA Office CALC.
2.1.4.3 Personal entrenado Cualquier software tiene su propia sintaxis y semántica. El usuario
debe aprender el software antes de usarlo, lo que lleva mucho tiempo. El usuario a veces
prefiere continuar usando el software con el que está familiarizado, ignorando las ventajas de
un nuevo software o lenguaje de programación. Por lo tanto, es muy importante comenzar
con un software apropiado que pueda usarse por un período prolongado.
2.1.4.4 Idoneidad El software elegido debe ser adecuado para este fin. Debe tener
características que reducen el trabajo al escribir el programa de computadora para resolver
ecuaciones. Al mismo tiempo, debe ser lo suficientemente flexible. Algunas propiedades
deseables incluyen la sintaxis y la semántica fáciles, disposiciones para usar previamente
desarrolló módulos que usan FORTRAN y C y escriben módulos definidos por el usuario, y
capacidades para comunicarse con una amplia gama de dispositivos de entrada y salida y
formatos de archivo. Muchas soluciones analíticas de modelos simples involucran funciones
como la función de Bessel y una función de error. Las evaluaciones de funciones implican la
suma de una serie. Casi todos los lenguajes de simulación, software y hojas de cálculo han
implementado estas funciones. Otras funciones que no están disponibles también pueden
incorporarse fácilmente escribiendo pequeños subprogramas de función definidos por el
usuario. Los lenguajes de simulación deben tener características para resolver sistemas de
ecuaciones algebraicas y diferenciales, desigualdades, etc. Los resultados se presentan en
diversas formas gráficas y tabulares. Un lenguaje de programación de alto nivel de uso
general, tal como C ++, FORTRAN y Visual C, requiere un amplio esfuerzo de programación que
consume tiempo que puede reducirse si las bibliotecas para las distintas funciones y
procedimientos están disponibles. Otros lenguajes de programación (Matlab, Octave, Scilab,
gPROM etc.) tienen comandos simples para resolver diversos tipos de ecuaciones y problemas
de optimización y trazar varios tipos de gráficos, y varias funciones de entrada-salida para
acceder a las bases de datos almacenadas en archivos. El esfuerzo de programación es menor
y, por lo tanto, el tiempo requerido para desarrollar un modelo es mucho menor. Tales
idiomas de alto nivel tienen características que comúnmente se requieren. Sin embargo, hay
pérdida de flexibilidad El diagrama de flujo del sistema es, por lo tanto, una representación
gráfica de las entradas, salidas y flujo de datos importantes entre los puntos clave en el
sistema. Por ejemplo, examinemos el diagrama de flujo del sistema para la estimación del
punto de rocío (Figura 2.2). El programa de computadora comienza leyendo la cantidad de
componentes, M; presión total, PT; conjetura inicial para el punto de rocío, TD; constante, S;
composición de alimentación, zi; i = 1 ... M y Tolerancia EPC para especificar la precisión
deseada. Como en el punto de rocío la composición del vapor no cambia, yi se toma como
igual a zi. La conjetura inicial para las composiciones líquidas, xi, está hecha. Para evitar entrar
en cualquiera de los bucles sin fin, debido a problemas de convergencia, dos contadores
(contador 1 y contador 2) se inician para comprobar los dos bucles en el programa. Los bucles
comienzan a verificar los valores de Contador 1 y Contador 2.
Si no se logra la convergencia, se detiene la ejecución adicional del programa; de lo contrario,
se llama a la subrutina EQUIL. Esta subrutina determina la composición del líquido en
equilibrio con el del vapor a una temperatura particular. Los valores de xi se renuevan. El
primer ciclo (a la derecha del diagrama de flujo) se repite después de verificar los valores de la
tolerancia (EPS) hasta que la diferencia entre los valores antiguos y nuevos de xi (para todo i)
sea menor que la tolerancia. Después de la ejecución exitosa del primer ciclo, se ejecuta el
segundo ciclo (a la izquierda del diagrama de flujo). Comprueba la condición de la existencia
del punto de rocío. Si el valor de TD no es igual al valor requerido, se adivina un nuevo valor de
TD mediante un método apropiado, como el método de bisección. Cuando el valor de
adivinanza de TD es igual al valor deseado, se ejecuta el segundo ciclo. El valor de TD se acepta
como salida en el puerto requerido (impresora, archivo, almacenamiento temporal, etc.).
Han pasado más de una década desde que los lenguajes de programación orientados a objetos
(OOPL) se volvieron más aceptables que la programación basada en procedimientos
(Stephanopoulos et al., 1987). En el enfoque OOPL, un objeto (a menudo definido como una
clase) es el componente de software reutilizable. La 'clase' contiene varios métodos similares a
las subrutinas en lenguajes basados en procedimientos. También tiene propiedades similares a
las variables en los lenguajes basados en procedimientos. Las características únicas del objeto
son que se pueden crear varias clases similares con un único código de línea llamado instancia
de la clase. Una vez que se crea una instancia, se le puede agregar más funcionalidad, incluidas
otras clases disponibles. Por lo tanto, una clase puede heredar las características de más de
una clase. No solo reduce los esfuerzos de programación, sino que también es más fácil de
reutilizar. Para usar una clase, uno debe conocer la función y las propiedades de la clase, a la
que se puede acceder desde el exterior. C ++, Visual BASIC y JAVA son OOPL. Para el modelado
de problemas de ingeniería química, ASCEND se desarrolló utilizando programación orientada
a objetos. Tales idiomas tienen clases predefinidas como TANK y HEAT INTERCHANGER. Ahora
MATLAB tiene disposiciones para crear clases ahora y admite OOPL. La estructura del
programa de computadora se muestra por la herencia de clase. Un programa generalmente
tiene una clase principal que consta de varias otras clases (llamadas 'niños'). La herencia de
clase para el cálculo del punto de rocío se presenta en la Figura 2.3. La clase principal es
'DEWPOINT' que consiste de las clases 'EQUIL' y 'EOS'. El EOS usa la ecuación de estado y
contiene datos (temperatura, presión y composición de la mezcla) y métodos para calcular lo
desconocido a partir de los datos restantes. El EQUIL usa esta clase para calcular fugacidad,
coeficiente de actividad y, por lo tanto, Ki. Para simplificar, se supone que una ecuación cúbica
de estado como Peng-Robinson también está prediciendo propiedades líquidas. De lo
contrario, podrían ser necesarios métodos como UNIFAQ, UNIQUAK y ASOG.
2.1.5 Solución de ecuaciones de modelo El modelo se codifica utilizando la sintaxis del
software elegido. Por ejemplo, para resolver un conjunto de ecuaciones simultáneas, los
coeficientes se pueden ingresar como una matriz. La representación de la matriz puede
depender del software utilizado. Cuando dos o más tipos de software se utilizan con fines de
simulación, se debe tener en cuenta la capacidad de transporte de los datos entre ellos. Las
ecuaciones se resuelven.
2.1.6 Validación del modelo La resolución del modelo no significa que el modelo se haya
desarrollado con éxito. Un modelo debe imitar el rendimiento del proceso o sistema. Por lo
tanto, es importante estimar varios parámetros usando el modelo y compararlos con datos
experimentales.
2.1.7 Estudio de simulación Estos pueden ser en forma de tablas o gráficos. Muchas
representaciones gráficas son específicas de un tema, como un gráfico triangular para
representar datos de equilibrio líquido-líquido. Varios lenguajes de alto nivel pueden trazar los
gráficos en muchos formatos e imprímalos. Pocos softwares son capaces de producir incluso
películas animadas para mostrar fenómenos variables en el tiempo. Si estas instalaciones no
están disponibles, entonces los resultados deben procesarse después de la simulación. Los
gráficos se pueden trazar usando hojas de cálculo o programas como ORIGEN.
2.2 Enfoques para el desarrollo del modelo
El desarrollo de un modelo para procesos complejos de ingeniería química implica la omisión
de varios detalles del proceso. Sin embargo, da como resultado un alcance reducido del
modelo. Aunque un modelo simple a veces no representa un sistema grande, todavía se puede
usar como un submodelo para una parte del proceso o sistema. Estos términos corresponden
a fenómenos que ya fueron ignorados al desarrollar el modelo base. En otras palabras, una o
más restricciones como consecuencia de suposiciones en el modelo original está relajado
(descartado o modificado), lo que hace que el nuevo modelo tenga un alcance más amplio.
Dichos modelos a menudo se denominan como "modelos generalizados". Por ejemplo, el
modelo de renovación de superficie puede modificarse para un nuevo tipo de distribución por
edad. Esto significa que la restricción de la edad uniformemente distribuida se relaja. Las
soluciones analíticas para muchos modelos simples están disponibles. Los parámetros en las
soluciones analíticas están representados en funciones matemáticas. Las constantes en las
funciones se determinan usando métodos de ajuste de curvas. En el segundo enfoque, un
modelo generalizado disponible se modifica ignorando algunos de los términos o agregando
algunos términos simples correspondientes a factores significativos no considerados
anteriormente. Al resolver procesos que involucran procesos de transferencia, la ecuación de
Navier-Stokes puede considerarse el modelo generalizado. Algunos términos pueden ser
eliminados dependiendo del tipo de flujo. Por ejemplo, al usar el balance de energía para
determinar el perfil de temperatura, se puede agregar generación de calor debido a varias
razones o fenómenos. Estas ecuaciones diferenciales pueden resolverse para varias
condiciones de contorno. El software CFD puede resolver la ecuación de Navier-Stokes para
varios casos, y su uso puede considerarse para este enfoque. Cuando se ignoran algunos de los
términos en el modelo generalizado, esto se denomina 'reducción modelo'. Este método se
usa frecuentemente al modelar sistemas de muchas reacciones (por ejemplo, reacciones de
fracciones de petróleo o reacciones bioquímicas). Los parámetros insignificantes se deciden
mediante el uso del análisis de componentes principales (PCA) o la técnica de respuesta de
superficie. Otra forma de desarrollar un modelo puede ser comenzar desde cero (es decir,
utilizar las leyes básicas de la física para explicar el mecanismo del proceso). Este enfoque
implica comprender la complejidad del modelo y luego decidir los factores que se ignorarán.
Este enfoque requiere más esfuerzo que los otros dos enfoques, pero durante el desarrollo del
modelo aumenta la comprensión del proceso, lo que hace que la modificación de las
ecuaciones del modelo sea mucho más fácil que en los otros enfoques.
2.3 Tipos de modelos Según los tipos de simplificación, los modelos se pueden clasificar de la
misma manera que la simulación. La familiaridad con la clasificación de los modelos nos
proporciona algunos términos clave que ayudarán a los lectores a comprender la complejidad
del modelo. Sin embargo, estos realmente no ayudan en el desarrollo de un modelo, sino que
solo proporcionan una idea de las ecuaciones del modelo que están involucradas. También
ayudan a elegir una metodología apropiada para las ecuaciones del modelo. Por lo tanto, la
discusión sobre la clasificación se presenta desde el punto de vista de la comprensión de la
naturaleza de los procesos que se encuentran habitualmente.
2.3.1 Modelos deterministas En varios casos, las ecuaciones del modelo son tales que la
solución se puede expresar como una función matemática simple, una ecuación algebraica o
una ecuación diferencial. Las ecuaciones se pueden resolver analíticamente o numéricamente.
En el caso de soluciones analíticas, los resultados pueden expresarse mediante funciones
explícitas o implícitas. Todos esos modelos se conocen como 'modelos deterministas'.
2.3.2 Modelos de parámetros agrupados La aplicación de varias leyes da como resultado
ecuaciones diferenciales. Por lo tanto, estos modelos no consisten en derivados espaciales. Los
cambios que tienen lugar dentro del sistema se combinan (o 'agrupados') en una sola variable.
Consideremos un ejemplo de un reactor de tanque completamente agitado (CSTR), en el que
se lleva a cabo la reacción A → B (Figura 2.5).
2.3.3 Parámetros distribuidos Los modelos de parámetros distribuidos requieren una
descripción del comportamiento del proceso debido a la distribución espacial de los
parámetros dentro del sistema. Los parámetros pueden ser la concentración de varias
especies químicas, temperatura, presión, etc. Las ecuaciones del modelo dependen de la
extensión del conocimiento o información sobre la distribución espacial de estas variables
relevantes o parámetros que están disponibles. Las derivadas espaciales describen la variación
espacial de los parámetros dentro del sistema. Si las tres derivadas espaciales están presentes,
entonces las ecuaciones del modelo se pueden resolver solo numéricamente. El software CFD
comercial hace uso de ecuaciones de cambio y ecuaciones de continuidad y es capaz de
resolver estas ecuaciones. La ausencia de una o más derivadas espaciales reduce el esfuerzo
computacional.
2.3.4 Modelos de estado estacionario Las derivadas temporales son derivadas con respecto al
tiempo. Los modelos que no contienen derivados temporales se llaman 'modelos de estado
estacionario'. Estos modelos no pueden usarse para predecir el comportamiento dinámico del
proceso bajo consideración. Debido a la ausencia de derivados temporales, la solución de
modelos de estado estacionario puede obtenerse utilizando técnicas mucho más simples en
comparación con los modelos utilizados para describir el comportamiento dinámico de un
proceso.
2.3.5 Modelos dinámicos La presencia de derivadas temporales en el modelo es esencial al
estudiar el comportamiento dinámico del proceso. Estos modelos se llaman 'modelos
dinámicos' o 'modelos de estado inestable'. Los modelos dinámicos pueden dar el
comportamiento de estado estable del proceso porque un proceso de estado inestable, si es
estable, siempre se aproxima al estado estable a medida que el tiempo se aproxima al infinito.
Un modelo de estado estacionario es más fácil de resolver que un modelo de estado inestable
debido a la ausencia de la derivada temporal.
2.3.6 Modelos estocásticos Los números aleatorios se caracterizan por su momento. El primer
momento se conoce como "promedio" o "expectativa". Un modelo puede considerar solo
propiedades promedio, evitando así la complejidad del proceso debido a la aleatoriedad de las
propiedades.. Algunos de los modelos estocásticos hacen uso de las cadenas de Markov, un
nombre dado a los procesos en los que los estados actuales son funciones de solo estados
previos (Ramkrishna 2000). Otra clase de modelos que tratan con números aleatorios son los
modelos de equilibrio poblacional, que se analizan en la Sección 2.3.7.
2.3.7 Modelos de equilibrio poblacional En sistemas multifásicos que se encuentran en
ingeniería química, ingeniería bioquímica y biomédica, aplicaciones farmacéuticas, formación
de aerosoles, sistemas de partículas, etc., las fases dispersas están presentes en forma de
partículas, gotas o burbujas. Las partículas pueden aglomerarse o romperse, cambiando así el
número de identidades de las fases dispersas presentes. Las burbujas y las gotas se rompen y
se unen. La rotura y coalescencia o aglomeración son análogas a la muerte y nacimiento de
especies vivas. Por lo tanto, estos procesos a veces también se llaman 'procesos de nacimiento
y muerte'. Cada entidad de la fase dispersa se denomina individuo y el número de la entidad
completa se denomina población. Debido a la ruptura y coalescencia o aglomeración, los
tamaños de los individuos de la fase dispersa cambian.
2.3.8 Modelos basados en agentes Los problemas relacionados con la cadena de suministro
son bastante complejos en la forma en que los distintos agentes involucrados en la cadena de
suministro toman las decisiones. Tales problemas pueden ser modelados por un método
llamado 'modelado basado en agentes'. Consiste en modelar varios agentes y sus
interrelaciones. Los agentes en el modelo son entidades de software que son autónomas,
reactivas, proactivas y capaces de interactuar con otros agentes.
2.3.9 Modelos de eventos discretos En la mayoría de los casos, todas las variables se
consideran variables continuas. Hay muchas situaciones en las que las variables no son
continuas sino discretas. Incluso el tiempo puede considerarse una variable discreta. Esto es
cierto cuando se considera el nivel molecular. Los modelos estocásticos y los modelos basados
en agentes se basan en eventos discretos. La simulación dinámica molecular, utilizada para la
estimación de propiedades termodinámicas, es también una simulación de eventos discretos.
2.3.10 Modelos basados en redes neuronales artificiales En varios casos, solo se requiere
establecer una relación entre las variables de entrada y de salida. La relación exacta es casi
imposible de establecer dentro del tiempo disponible. Bajo tales circunstancias, puede ser
deseable buscar un enfoque de caja negra. Los modelos basados en redes neuronales
artificiales (ANN) entran en esta categoría. Las RNA generalmente consisten en nodos
interconectados dispuestos en capas. La información de una capa se usa para pasar valores a
la siguiente capa, como se muestra en la Figura 2.7. La primera capa es la capa de entrada.
Cada entrada ingresa en un modo. Desde cada nodo de esta capa, los datos procesados se
envían a cada nodo en la siguiente capa. En la Figura 2.7, se ha mostrado mediante las flechas
de conexión. La última capa se llama 'capa de salida'. Cada nodo de esta capa da el resultado.
Las capas entre las capas de entrada y salida se llaman 'capas ocultas'. Si bien el número de
capas de entrada y de salida es igual a las entradas y salidas del modelo, respectivamente, no
se conoce el número de capas ocultas y el número de nodos en cada capa oculta. Se arreglan
mediante el uso de técnicas de optimización conocidas como entrenamiento. Como máximo,
tres capas ocultas son suficientes para relacionar entradas y salidas, siempre que exista una
relación. La cantidad de nodos en cada capa oculta se determina mediante entrenamiento.
Aunque los modelos basados en ANN no aumentan la comprensión de los fenómenos, un
algoritmo para la estimación del modelocretos debe ser clara. Se puede lograr mediante
haciendo uso de redes de Petri u otras muchas técnicas (Wainer 2009). El modelado de
eventos discretos requiere abstracción de datos, para lo cual la programación orientada a
objetos es más adecuada que los lenguajes de procedimiento. Muchas situaciones involucran
eventos discretos y eventos continuos. Tales procesos las salidas de las entradas conocidas se
obtienen si existe una relación.
2.3.11 Modelos borrosos Los modelos borrosos toman entradas que no están bien
cuantificadas. Los parámetros cualitativos, como 'grande', 'muy grande' y 'pequeño', se utilizan
como entradas. Tales variables se llaman 'variables difusas'. Estos se cuantifican con funciones
de membresía que son diferentes de las probabilidades. Las salidas de un modelo también
pueden ser variables difusas. Estos modelos se basan en matemática "difusa" o "lógica difusa"
que involucra variables difusas. Los términos cualitativos utilizados como entradas y salidas se
utilizan casi a diario en nuestra vida. Muchos otros términos comúnmente utilizados no se
enumeran anteriormente. Muchos modelos simples consisten en ecuaciones que se pueden
resolver analíticamente. Estos modelos se llaman 'modelos analíticos'. Estos modelos han
atraído a los modeladores durante mucho tiempo y siguen siendo atractivos ya que se pueden
interpretar fácilmente. El comportamiento del proceso en condiciones desconocidas se puede
predecir con total confianza. Los modelos analíticos, por esta razón, se utilizan como puntos
de referencia para probar la efectividad de los nuevos algoritmos. Mientras que los modelos
resueltos numéricamente pueden enfrentar el problema de la convergencia, las soluciones
analíticas están libres de esto. Al mismo tiempo, casi siempre requieren menos esfuerzo
computacional. Las soluciones analíticas se pueden definir en forma de 'función', 'subrutina' o
'clase' (en OOPL) y se usan como submodelo. Las soluciones numéricas de los submodelos no
se pueden integrar con confianza en otros submodelos o modelos.
Los modelos que involucran muchas variables en ecuaciones algebraicas o diferenciales no
pueden ser resueltos analíticamente y deben ser resueltos numéricamente. Dichos modelos se
llaman 'modelos numéricos'. Los resultados a menudo se presentan en forma de varios
gráficos (dependiendo de la complejidad del problema). El desarrollo de modelos numéricos
requiere una amplia validación utilizando no solo datos experimentales sino también
problemas de referencia. Esto es esencial debido a varios factores (errores de "redondeo",
conjeturas iniciales erróneas que conducen a mínimos o máximos indeseables, la elección de
un pequeño "tamaño de paso", etc.). A veces, el esquema numérico no converge en absoluto.
Desde el punto de vista de la naturaleza de los modelos, las principales diferencias se
encuentran entre los modelos deterministas, de eventos discretos y los modelos estocásticos.
Los modelos determinísticos consisten en ecuaciones en variables continuas. Todos los
modelos de eventos discretos manejan estados discretos (tiempo o cualquier otra variable).
Los modelos estocásticos se ocupan tanto de variables aleatorias como de eventos discretos.
La metodología de simulación para modelos determinísticos difiere de la de modelos de
eventos discretos y modelos estocásticos. La diferencia entre los modelos estáticos y los
modelos dinámicos se basa en la presencia de tiempo y su capacidad para manejar el
comportamiento dinámico. La diferencia entre los modelos analíticos y los modelos numéricos
se basa en la forma en que se obtienen las soluciones.
2.4 Tipos de ecuaciones en un modelo y estrategia de solución La discusión en este capítulo da
una idea de los tipos de ecuaciones en un modelo. Las ecuaciones se pueden categorizar en los
tipos discutidos en esta sección
2.4.1 Ecuaciones algebraicas Estas ecuaciones son fáciles de usar para comprender las
interrelaciones entre varios parámetros. Si todas las ecuaciones son lineales, entonces el
modelo se llama modelo lineal. El conjunto de ecuaciones algebraicas lineales se puede
resolver fácilmente mediante cualquier método basado en la inversión de la matriz (Davis
2001, Ramírez 1997). Casi todo el software actual, incluidas las hojas de cálculo (por ejemplo,
Microsoft Excel y el CALC de Openoffice), tiene funciones para determinar el inverso de una
matriz.
2.4.3 Ecuaciones algebraicas diferenciales Muchos modelos consisten en ecuaciones
diferenciales y ecuaciones algebraicas. Estos tipos de ecuaciones mixtas se llaman ecuaciones
algebraicas diferenciales (DAE). Dichas ecuaciones se obtienen generalmente en varias
operaciones unitarias de estado inestable que involucran ecuaciones de equilibrio de energía y
material de estado estacionario, relaciones de equilibrio, ecuaciones de consistencia, etc. Las
soluciones simultáneas de tipos mixtos de ecuaciones no se pueden resolver fácilmente.
2.5 Fuentes de ecuaciones Durante la conceptualización de una imagen simple del proceso
complejo, también se tiene en cuenta la búsqueda de la fuente de las ecuaciones que se
utilizarán para el modelado y la simulación. Aunque este paso precede a la resolución de las
ecuaciones del modelo, se está discutiendo después de comprender los tipos de ecuaciones y
la dificultad asociado con la metodología para resolver las ecuaciones del modelo. La fuente de
las ecuaciones depende del campo de aplicación y el conocimiento del modelador. La fuente
de ecuaciones para el desarrollo de modelos son ecuaciones de conservación de masa,
energía, momento y otras cantidades como carga eléctrica, leyes de equilibrio en la (s) interfaz
(es), leyes constitutivas, expresiones cinéticas, condiciones de contorno y criterios de
optimización que se analizan en la literatura (Rodrigues y Minceva 2005).
2.5.1 Ecuaciones empíricas Las ecuaciones empíricas se obtienen generalmente ajustando los
datos experimentales en términos de parámetros importantes con algunas funciones simples.
La mayoría de las ecuaciones nos permiten estimar los parámetros explícitamente. Sin
embargo, no es necesario, y también se utilizan ecuaciones implícitas. Por ejemplo, la ecuación
de Von Karman (McCabe et al., 1993) para el factor de fricción es una ecuación implícita.
2.5.2 Ecuaciones basadas en conceptos teóricos Muchas ecuaciones se basan en leyes simples.
Por ejemplo, la ley de los gases ideales relaciona la presión, la temperatura y el volumen de un
gas. Es cierto a bajas presiones y altas temperaturas y puede usarse con fines de ingeniería.
Cuando se requiere una ecuación de estado de orden de más de tres, la ley de los gases
ideales aún se usa para obtener la estimación inicial para los cálculos iterativos. Las ecuaciones
basado en leyes simples puede usarse en modelos simples y submodelos con más confianza
que ecuaciones empíricas puras. La mayoría de los métodos termodinámicos para la
estimación de varias propiedades son de este tipo. Estos incluyen varias ecuaciones de estados
y ecuaciones para describir la presión de vapor y las entalpías. Otro enfoque utilizado para la
estimación de las propiedades termodinámicas es el método de contribución grupal. En este
enfoque, se supone que la propiedad de una sustancia depende del tipo y número de grupos
que están presentes en un compuesto y la composición de la mezcla que tiene estos
compuestos.
2.5.3 Ecuaciones de consistencia Estas se basan en el hecho de que cantidades como la
composición fraccional de una sola fase en términos de masa y mole, cuando se suman, son
iguales a uno. Algunos ejemplos más son la fracción de volumen, la fracción de la tasa de flujo
de masa y la fracción de masa de las partículas utilizadas en la distribución del tamaño de
partícula. Cualquiera sea la ley que se aplique, estas ecuaciones siempre se cumplen y se
llaman 'ecuaciones de consistencia'. Los valores no satisfechos por estas ecuaciones indican un
error de cálculo o pérdidas no contabilizadas como fugas. Por lo tanto, las ecuaciones de
consistencia son muy esenciales en un modelo. En muchos casos, las ecuaciones de
consistencia se utilizan para obtener conjeturas iniciales para la composición.
2.5.4 Ecuaciones diferenciales usando leyes de conservación Las ecuaciones diferenciales se
obtienen cuando una ley aplicada es válida en todos los puntos del sistema. La ecuación de
continuidad y la ecuación de equilibrio de momento se obtienen de esta manera. La asignatura
se imparte a nivel de pregrado en el curso llamado Transporte Fenómenos. Estas ecuaciones
son capaces de tener en cuenta la generación y el agotamiento de una especie química o
energía generada o consumida en una reacción química, disipación viscosa, efectos eléctricos
o electroquímicos en el flujo y otros fenómenos. La ecuación de cambio generalizada se
conoce como la ecuación de Navier-Stokes.
2.5.5 Integración sobre el área, el volumen y el tiempo Muchas cantidades implican la
integración de una cantidad a lo largo del tiempo, el espacio o ambos. Por ejemplo, la
velocidad de flujo, Q, puede determinarse integrando el perfil de velocidad, v, sobre el área de
la sección transversal, A.
2.5.6 Balance poblacional Estas ecuaciones se obtienen al escribir balances de población. Se
puede considerar que las tasas de natalidad dependen de la población, los alimentos
disponibles y otros parámetros ambientales relevantes. De manera similar, se puede
considerar que las tasas de mortalidad dependen de la población, con otras especies que usan
esta especie como alimento, disponibilidad de alimentos y parámetros ambientales. El
crecimiento en el tamaño de las personas se considera en el modelo. Se puede considerar que
la tasa de crecimiento depende de los parámetros ambientales y la rotura o aglomeración o
coalescencia. Estos modelos se utilizan con frecuencia en procesos bioquímicos que involucran
microorganismos.
2.6 Simplificar conceptos El propósito del desarrollo del modelo es simplificar la complejidad
del proceso al mismo tiempo que se conservan las características relevantes del proceso. Se
logra haciendo suposiciones apropiadas. Algunas de las suposiciones se utilizan con tanta
frecuencia que parecen muy obvias.
2.6.1 Continuo Hay muchos procesos que involucran fases dispersas (Figura 2.8). Los lechos
fluidizados tienen sólidos dispersos en una fase fluida. Las columnas de burbujas, los reactores
gas-líquido mecánicamente agitados y otros contactores gas-líquido consisten en gas
dispersado en líquido. El secador por pulverización tiene líquido disperso en el aire. Las
emulsiones contienen un líquido disperso en otro líquido. Debe recordarse que las leyes de
conservación son aplicables en una fase continua. Las condiciones de contorno se aplican en la
interfaz. Hacerlo para toda la población de la fase dispersa es bastante tedioso. Implica escribir
un modelo separado para poblaciones individuales de la fase dispersa. Vamos a llamar a esto
un 'submodelo'. El submodelo puede tomar en consideración la propiedad del individuo'. El
modelo para el proceso general considerará el efecto de estos submodelos. Hace que el
modelo sea riguroso con un esfuerzo computacional mejorado, que vale la pena solo si se
logra una mayor precisión y ampliación del alcance del modelo. Los modelos simples
frecuentemente consideran que toda la dispersión es una fase continua. Esta suposición
parece válida para tamaños finos de gotas, burbujas o partículas porque las unidades de la
fase dispersa se mueven con el elemento fluido de la fase de dispersión. Se pueden evitar las
leyes de conservación para cada unidad de la fase dispersa. Las propiedades de transporte
tales como viscosidad, conductividad térmica, difusividad se definen habitualmente para la
dispersión. Estos modelos, sin embargo, no son capaces de predecir los detalles de individuos
de la fase dispersa. Por lo tanto, la suposición de un continuo se debe usar cuando el
mecanismo principal está alejado de la interfase de las fases dispersa y continua. Por ejemplo,
en el caso de las columnas de burbujas, si el interés es encontrar las velocidades de
transferencia de masa gas-líquido, el mecanismo principal relacionado con él tiene lugar en la
interfase gas-líquido.
2.6.2 Combinación de modelos simples y rigurosos Un modelo de proceso se puede dividir en
varios submodelos. Los modelos de procesos grandes y complejos a partir de entonces se
simplifican mediante el uso de una combinación de modelos simples y rigurosos. Se puede
hacer de dos maneras. Los modelos simples se pueden usar como submodelos, y estos
submodelos se pueden combinar de manera rigurosa. Al combinar la transferencia de masa de
todas las burbujas, se puede considerar la distribución del tamaño de las burbujas y la
distribución axial de la concentración en la masa.
2.6.3 Distribución de probabilidad uniforme En caso de que se requiera considerar la entidad
individual de la fase dispersa, se supone que todas las entidades individuales de la fase
dispersa siguen la ley de distribución uniforme. Ayuda en la estimación de propiedades
promedio y evaluación de suma e integrales. Por ejemplo, el modelo de 'penetración' para
procesos de transferencia asume que todos los elementos de fluido pasan el mismo tiempo en
la superficie de transferencia (Figura 2.10). El modelo de renovación de superficie supone que
la probabilidad de abandonar la superficie de transferencia es la misma para todos los
elementos de fluido presentes en la superficie de transferencia.
2.6.4 Mecanismos paralelos La transferencia de masa e impulso tiene lugar debido al
movimiento molecular y la convección. El mecanismo de transferencia de calor es la
conducción, la convección y la radiación debido al movimiento molecular, el flujo a granel y la
radiación infrarroja.
2.6.5 Analogía a circuitos eléctricos El flujo de diversas cantidades, como el flujo de fluido, la
velocidad de transferencia de calor y la velocidad de transferencia de masa, se considera
análoga al flujo de corriente en los circuitos eléctricos (Figura 2.11). La cantidad total de la
cantidad transferida se puede obtener integrando con respecto al tiempo. La fuerza impulsora
para la transferencia de estas cantidades es análoga a la corriente eléctrica que sigue la ley de
Ohm. La tasa de masa difusa y la transferencia de calor conductivo siguen las leyes de Fick y
Fourier, respectivamente. Estas leyes son análogas a la ley de Ohm. La velocidad de
transferencia de masa por difusión es proporcional al gradiente de concentración. La velocidad
de transferencia de masa por convección también se considera proporcional a la diferencia de
concentración.
2.6.6 Modelo de película Este concepto simple se ha utilizado ampliamente. Se basa en la
suposición de que la variación completa de una cantidad como la temperatura, la
concentración o la velocidad varía solo en una pequeña región adyacente a la pared (Figura
2.12). Esta variación es lineal. La suposición es útil para aplicar el concepto de analogía con los
circuitos eléctricos. Las ecuaciones diferenciales se simplifican ya que la derivada se reduce a
la relación, que es una constante. Siempre se debe tener en cuenta que, en realidad, no existe
película. A altas velocidades, podría ser mejor considerar que la variación es solo hasta una
distancia finita. El grosor de la película es un parámetro importante en el modelo. Como en
realidad no existe película, el espesor de la película no es una cantidad medible. Generalmente
se calcula ajustando los datos experimentales.
2.6.7 Aproximación de la capa límite También se basa en la suposición de que la variación
completa de una cantidad como temperatura, concentración o velocidad varía solo en una
pequeña región adyacente a la pared (Figura 2.13) y se describe mediante una función no
lineal. satisfaciendo las condiciones de contorno. La capa límite también es ficticia, y en
realidad no existe. La capa límite se extiende a una dimensión finita conocida como 'espesor
de la capa límite'. El concepto utilizado para resolver los problemas de flujo de fluidos,
transferencia de masa o transferencia de calor se basa en los conceptos de cantidad de
movimiento, concentración y capas límite térmicas, respectivamente. Todos tienen diferentes
grosores. Otro hecho que hace que la capa límite sea muy diferente de la película es que el
grosor de la capa límite puede variar con la posición, como en el caso de la placa plana que se
desarrolla desde la parte frontal de la placa. El grosor de la capa límite aumenta con la
distancia desde el frente de la placa plana. En el caso de una capa límite de estado inestable, el
espesor de la capa límite varía con el tiempo.
2.6.8 Aproximación del orden de magnitud La ecuación diferencial parcial obtenida como
resultado del equilibrio de momento, el balance de masa o el balance de energía consiste en
las tres variables espaciales, con el tiempo como la cuarta variable. La ecuación se puede
simplificar si el mecanismo principal de transferencia de masa o transferencia de calor es por
convección en una dirección y el mecanismo principal en otras direcciones es la difusión o
conducción, respectivamente.
2.6.9 Estado casi constante Los procesos de estado inestable mientras se desarrollan los
modelos de distribuidor implican derivadas parciales. El número de ecuaciones puede ser más
de uno. Resolver estos problemas analíticamente no ha sido posible en todos los casos. Las
soluciones numéricas enfrentan problemas de convergencia. La suposición de que, durante
una pequeña intervalo de tiempo, el proceso se encuentra en estado estacionario se conoce
como 'estado cuasiestacionario'.
2.6.10 Dimensiones finitas e infinitas Todos los objetos físicos tienen dimensiones finitas. Sin
embargo, muchas funciones matemáticas se acercan a un valor fijo cuando uno de los
parámetros, como el tiempo o la distancia, se aproxima al infinito o al cero. Cuando se observa
un valor grande de dicha variable, los valores experimentales están cerca del valor en infinito,
si no, al menos dentro del error experimental. Resulta en la simplificación de las ecuaciones o
soluciones del modelo gobernante. Es bastante común considerar el comportamiento
dinámico en un tiempo infinito igual al del estado estable. Una aguja puede considerarse como
un cilindro infinito si la punta no participa en el proceso. Soluciones analíticas para losas
semiinfinitas, cilindros infinitos demuestran (Figura 2.14) el uso del concepto de infinito.