Beruflich Dokumente
Kultur Dokumente
UNT-2006
MODELIZACION AMBIENTAL 1
CAPITULO
1
INTRODUCCION
La parte mas difícil a1 usar las matemáticas para estudiar una aplicación es la
conversión de los fenómenos de la vida real al formalismo matemático. Por lo general esto
es complicado porque implica la conversión de hipótesis imprecisas en fórmulas muy
precisas.
No hay manera de evitarlo. La modelación no es fácil y la mejor manera de
lograrla es: practicar, practicar y practicar.
sistema con el tiempo cuando no se han alcanzado las condiciones de equilibrio, hablamos
de modelos de estado no estacionario, variables en el tiempo o dinámicos.
SISTEMA REAL
(Parte del universo limitada en
el tiempo y el espacio)
Nuevas
Observaciones Observación
MODELIZADOR
Comparación Modelización
Estilo Experiencia
Técnica Medios
Habilidad materiales
MODELO
(Representación de la
naturaleza)
Es importante recordar que los modelos matemáticos son como otros tipos de
modelos. El objetivo no es producir una copia exacta del objeto "real", sino más bien
representar algunas características de la cosa real. Por ejemplo, un retrato de una persona,
un maniquí y un cerdo pueden ser modelos de un ser humano. Y aunque ninguno es una
copia perfecta de este, si poseen ciertos aspectos en común con un ser humano. La pintura
describe la apariencia física de un individuo en particular; el maniquí porta ropa tal como
una persona y el cerdo esta vivo. Cual de los tres modelos es "mejor" depende de como
usemos el modelo: para recordar viejos amigos, para comprar ropa o para estudiar biología.
De hecho, los sistemas del mundo real pueden ser notoriamente complicados; la
población de conejos en la pradera depende del número de coyotes, del número de linces,
del número de pumas, del número de ratones (alimento alternativo para los depredadores),
de las prácticas usuales agrícolas, del clima, de varias enfermedades típicas de los conejos,
etc. Podemos elaborar un modelo de la población de conejos suficientemente simple para
que sea entendible, solo haciendo hipótesis simplificadoras y englobando los efectos que
puedan o no ser comunes.
Una vez elaborado el modelo, debemos comparar las predicciones de este con los
datos del sistema. Si el modelo y el sistema concuerdan, tendremos confianza en que las
hipótesis hechas a1 crear el modelo son razonables y que podemos usarlo para hacer
predicciones; si no concuerdan, entonces debemos estudiar y mejorar nuestras
suposiciones. En todo caso, aprendemos más acerca del sistema al compararlo con el
modelo.
Los tipos de predicciones que son razonables dependen de nuestras hipótesis. Si
nuestro modelo se basa en reglas precisas como las leyes de Newton sobre el movimiento o
las reglas del interés compuesto, entonces podemos usarlo para hacer predicciones
cuantitativas muy exactas. Si las hipótesis son menos precisas o si el modelo es una versión
simplificada del sistema, entonces seria absurdo tratar de obtener predicciones
cuantitativas exactas. En este caso, deberíamos usar el modelo para hacer predicciones
cualitativas, tales como "la población de conejos en la pradera aumentará…". La línea
divisoria entre predicciones cualitativas y cuantitativas es en si misma imprecisa, pero
veremos que con frecuencia es mejor y más fáci1 usar cualitativamente aun el mas preciso
de los modelos.
2. Reconocimiento de las características del entorno que afectan al sistema (p. ej.
condiciones ambientales) y delimitación del intervalo de valores de éstas dentro del
cual puede operar el modelo.
Con todo esto, podemos agrupar los elementos de un modelo matemático en las
cinco categorías siguientes:
• Variables de control (externas). Son variables que influyen en las variables de estado,
no siendo afectadas por la evolución de éstas. Las variables externas constituyen las
causas primeras del comportamiento del sistema.
Un sistema dinámico consiste en un espacio abstracto F (espacio de fases)
cuyas coordenadas representan el estado dinámico del sistema en cualquier instante y
una regla dinámica f t (dependiente del tiempo) que especifica la tendencia
inmediatamente futura de todas las variables de estado a partir solamente de los valores
presentes de esas misma variables.
El parámetro tiempo puede ser una variable real (t ∈ R) o una variable entera (t
∈ Z); en el primer caso la evolución del sistema toma la forma de una curva continua
(denominada «flujo»), mientras que en el segundo caso la evolución avanza a saltos
discretos en el tiempo por iteración sobre una secuencia de puntos (llamada «mapa»).
Desde el punto de vista del proceso de cálculo, el modelo trasforma
matemáticamente una información de entrada (datos) en otra información de salida
(resultados). Los datos constituirían las variables de entrada, mientras que los
resultados serían las variables de salida. Las variables de salida están constituidas
básicamente por los valores de las variables de estado producidos por el modelo
mediante el proceso de cálculo, mientras que entre las variables de entrada estarán los
valores iniciales de las variables de estado y las variables externas.
Respecto a este proceso de cálculo, una variable de estado puede desempeñar
funciones tanto de variable de entrada como de salida, o bien únicamente tener
justificación en el modelo a los efectos de conseguir una adecuada representación
interna del sistema, jugando, en este caso, un papel de mediación entre las variables de
entrada y salida.
VARIABLE EXTERNA
PROCESOS
Interacción
externa Interacciones
internas
VARIABLE DE ESTADO C
VARIABLE DE ESTADO D
Velocidad de salida de
─ masa del componente
“y” en el sistema
Velocidad de producción o
± desaparición de masa (1.1)
del componente “y” en el
sistema
y vendrá expresada matemáticamente como:
dy •
= y = ∑ y ent − ∑ y sal ± ∑ y reac (1.2)
dt
donde:
•
y = velocidad de variación del componente «y» en el sistema,
Σyent = suma de los flujos de entrada del componente «y» en el sistema,
Σysal = suma de los flujos de salida del componente «y» en el sistema, y
Σyreac = suma de los flujos internos de producción (fuentes) y eliminación (sumideros)
del componente «y».
dy •
= y = ∑ y ent − ∑ y sal ± ∑ y reac = f ( y1 , y 2 , y 3 ,Κ , y n ) = 0 (1.5)
dt
y la ecuación de estado vendría dada por el lim y (t ) , con lo que el modelo dinámico
t→0
Paso 1 Establezca claramente las hipótesis en que se basará el modelo. Estas deben
describir las relaciones entre las cantidades por estudiarse.
Paso 3 Use las hipótesis formuladas en el paso 1 para obtener ecuaciones que relacionen
las cantidades del paso 2.
Los parámetros son cantidades que no cambian con el tiempo (o con la variable
independiente) pero que pueden ajustarse (por causas naturales o por un científico
efectuando el experimento). Por ejemplo, si estamos estudiando el movimiento de un misil,
la masa inicial de este es un parámetro. Si estamos analizando la cantidad de ozono en las
capas superiores de la atmósfera, entonces la velocidad con que se liberan los
fluorocarbonos de los refrigeradores es un parámetro. El aspecto más importante del
estudio de un modelo consiste en determinar la manera en que cambian las variables
dependientes cuando ajustamos los parámetros.
En el paso 3 formulamos las ecuaciones. Los modelos al estado estacionario son
expresados por ecuaciones algebraicas, las cuales a su vez pueden ser lineales y no
lineales. Los modelos al estado no estacionario son expresados como ecuaciones
diferenciales. En otras palabras, esperamos encontrar derivadas en nuestras ecuaciones.
Ponga atención a frases como "razón de cambio de ..." o "tasa de crecimiento de ...", ya
que razón de cambio es sinónimo de derivada. Por supuesto, ponga atención también a
"velocidad" (derivada de la posición) y "aceleración" (derivada de la velocidad) en
modelos de física. La palabra “es” significa "es igual" e indica dónde se encuentra la
igualdad. La frase "A es proporcional a B" significa A = kB, donde k es una constante de
proporcionalidad (a menudo un parámetro en el modelo).
Una importante regla empírica que usamos al formular modelos es: Simplifique
siempre que pueda el algebra. Por ejemplo, a1 modelar la velocidad v de un gato al caer de
un edificio alto, podríamos suponer que:
Identificación de procesos y
relaciones entre variables
Formulación matemática de
los procesos
Análisis de sensibilidad
Diseño experimental
Observaciones
Calibración del modelo
experimentales
Análisis de la
incertidumbre
Observaciones
Validación del modelo experimentales
independientes
Predicción de la
evolución del sistema
2. Los modelos pueden ser utilizados para la predicción del comportamiento del
sistema y servir para la optimización de los procesos, tanto en fase de diseño como
operativa Un modelo es una representación ideal y generalizada de un sistema, en
forma susceptible de cuantificación con el propósito generalmente explícito de
predicción;
CAPITULO
2
MODELIZACIÓN EN BASE A DATOS EXPERIMENTALES
●
y ●
εi
●
x
Fig. 2.1. Diagrama de dispersión, observaciones en el plano x-y.
Como se muestra en la Figura 2.1, para cada observación se tiene un valor teórico
expresado por la ecuación de la función. Así, se puede hablar de un error o "desajuste" a la
diferencia entre el valor observado y el valor teórico. Al sumar los errores al cuadrado, se
tiene SS.
n
SS = ε 12 + ε 22 + Λ + ε n2 = ∑ ε i2 (2.1)
i =1
En el caso particular cuando los datos pueden ser descritos por una recta, y =
a1x + ao, se requieren los coeficientes a1 y ao. Los mejores coeficientes serán aquellos que
minimizan el cuadrado de los errores, dando lugar al método de mínimos cuadrados. El
gradiente de SS igualado a cero será la solución buscada. De la Figura 2.1:
El gradiente de SS:
⎡ ∂SS ⎤
⎢ ∂a ⎥ ⎡0⎤
∇SS = ⎢ 1 ⎥ = ⎢ ⎥ (2.4)
⎢ ∂SS ⎥ ⎣0⎦
⎢⎣ ∂a o ⎥⎦
∂SS
= –2 (y1 – a1x1 – ao)x1 – 2(y2 – a1x2 – ao)x2 –
∂a1
…2(y3 – a1x3 – ao)x3 – 2(y4 – a1x4 – ao)x4
∂SS
= –2 (y1 – a1x1 – ao)(1) – 2(y2 – a1x2 – ao)(1) –
∂a o
…2(y3 – a1x3 – ao)(1) – 2(y4 – a1x4 – ao)(1)
Las formas anteriores (2.5a) y (2.5b) se pueden escribir en una sola expresión
matricial:
y al transponer (2.6):
⎡ y1 − a1 x1 − a o ⎤
⎡ x1 x2 x3 x 4 ⎤ ⎢⎢ y 2 − a1 x 2 − a o ⎥⎥ ⎡0⎤
⎢1 = (2.7)
⎣ 1 1 1 ⎥⎦ ⎢ y 3 − a1 x3 − a ⎥ ⎢⎣0⎥⎦
⎢ ⎥
⎣ y 4 − a1 x 4 − a o ⎦
Se puede arreglar (2.7) y obtener una forma condensada de la solución para a1 y ao.
⎧⎡ y1 ⎤ ⎡ x1 1⎤ ⎫
⎪ ⎪
⎡ x1 x2 x3 x 4 ⎤ ⎪⎢⎢ y 2 ⎥⎥ ⎢⎢ x 2 ⎥
1⎥ ⎡ a1 ⎤ ⎪ ⎡0⎤
⎨ − ⎬= (2.8)
⎢1
⎣ 1 1 1 ⎥⎦ ⎪⎢ y 3 ⎥ ⎢ x3 1⎥ ⎢⎣a o ⎥⎦ ⎪ ⎢⎣0⎥⎦
⎪⎢⎣ y 4 ⎥⎦ ⎢⎣ x 4 ⎥
1⎦ ⎪
⎩ ⎭
At (y – Aa) = 0 (2.9)
At y – At Aa = 0 (2.10)
con solución:
a = ( A t A) A t y
−1
(2.11)
Solución
Con solución para los coeficientes a1 y ao, que resultan en la recta y = 0.85468 x +
0.50837.
ans =
0.8547
0.5084
09-May-2006
Este programa calcula los coeficientes de un polinomio
P(x) de grado n que se ajusta a los datos p (x(i)~=y(i))
en el sentido de mínimo error cuadrático
Los coeficientes son dados en orden decreciente de potencia
*************************************************************
Ingrese los valores de x entre [ ]:[1 1.8 2 3]
Ingrese los valores de y entre [ ]:[1 3 1.8 2.9]
Ingrese el grado del polinomio:1
p =
0.8547 0.5084
3.5
Datos experimentales
Valores ajustados
2.5
y
1.5
1
1 1.2 1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 3
x
Para ilustrar la aplicación del modelo no-lineal, se propone los siguientes pares de
valores medidos, para la variable independiente x y el correspondiente valor de la variable
dependiente y.
x y
1 148.00
2 1487.00
3 3807.00
4 10498.00
5 17551.00
6 34057.00
7 48905.00
8 76987.00
9 109193.00
10 147413.00
Solución
p =
1.0e+003 *
x y f y-f
1.0e+005 *
0.0000 0.0015 0.0026 -0.0011
0.0000 0.0149 0.0106 0.0043
0.0000 0.0381 0.0437 -0.0057
0.0000 0.1050 0.1000 0.0050
0.0001 0.1755 0.1872 -0.0117
0.0001 0.3406 0.3185 0.0221
0.0001 0.4890 0.5076 -0.0186
0.0001 0.7699 0.7646 0.0053
0.0001 1.0919 1.0908 0.0012
0.0001 1.4741 1.4748 -0.0007
4
x 10
15
Datos experimentales
Valores ajustados
10
y
0
1 2 3 4 5 6 7 8 9 10
x
Problemas
1. En la ingeniería de abastecimiento de aguas, el tamaño del reservorio depende de la
estimación exacta del flujo de agua en el río del cual se toma. Para algunos rios es
difícil obtener registros históricos de muchos años atrás de tales datos de flujo. Por el
contrario, datos meteorológicos sobre precipitación de muchos años atrás están a
menudo disponibles. Por tanto, con frecuencia es útil determinar una relación entre el
flujo y precipitación. Esta relación se puede entonces usar para estimar flujos por años
pero solo cuando se hicieron dichas mediciones de precipitación.
Para un río que se va a encauzar a un dique, se tienen los siguientes datos:
p c
Lago Superior 4.5 0.8
Lago Michigan 8.0 2.0
Lago Hurón 5.5 1.2
Lago Erie
Cuenca oeste 39.0 11.0
Cuenca central 19.5 4.4
Cuenca este 17.5 3.8
Lago Ontario 21.0 5.5
t, HR p(T)
0.5 7
1 5.2
2 3.8
3 3.2
4 2.5
5 2.1
6 1.8
7 1.5
8 1.2
9 1.1
CAPITULO
3
MODELOS AL ESTADO ESTACIONARIO
planta, mientras que en el caso de las fuentes de área el balance de materiales puede
aplicarse a nivel regional o nacional.
El método más simple de balance de materiales es suponer que todo el solvente
consumido por un proceso se evapora durante éste. Por ejemplo, es razonable suponer que
durante muchas operaciones de pintura de superficies todo el solvente en la pintura se
evapora a la atmósfera durante el proceso de secado. En tales casos, las emisiones
simplemente son iguales a la cantidad de solvente aplicado en la pintura (y en los
adelgazadores añadidos) como una función del tiempo. Otro ejemplo similar es el uso de
solventes para lavado de ropa en seco, tal como se realiza en las tintorerías. Para estimar
las emisiones de este tipo de procesos, sólo se requiere conocer la cantidad de solvente
adquirido en cada tintorería durante el intervalo de tiempo de interés, porque se supone que
las emisiones son iguales a la cantidad de solvente comprado.
En procesos donde se maneja una cantidad semifija de solvente, donde el solvente
que se gasta es reemplazado cada determinado periodo o cada vez que es necesario, puede
suponerse que el solvente gastado es equivalente a las emisiones.
La suposición de que el solvente de reemplazo es igual a las emisiones por
evaporación también es útil en algunas situaciones más complicadas. Por ejemplo, si se
emplea un equipo de control de emisiones no destructivo como un condensador o un
absorbedor, esta suposición es válida en la medida que el solvente capturado sea regresado
al proceso. De manera similar, esta suposición será aplicable si en la planta se practica la
recuperación de solvente residual ya sea por destilación o por reducción o secado. Ambas
prácticas reducen los requerimientos de solvente de reemplazo en el proceso y, por lo
tanto, la cantidad de solvente que se convierte en emisiones fugitivas y que se pierde hacia
la atmósfera.
Existen pruebas que proporcionan información sobre balance de materiales y
determinaciones gravimétricas para varios procesos industriales, publicados por la
American Society for Testing and Materials (ASTM) (Sociedad Americana para Pruebas y
Materiales). En general, el uso de un balance de masa o de materiales para determinar las
emisiones totales de un proceso es sencillo y costeable.
Los COVs totales emitidos de un proceso de mezclado de pintura por lotes, por
ejemplo, se calcularía como se muestra a continuación (de acuerdo con el Método D 2369,
de la ASTM):
donde:
ent = que entra
pm = pintura mezclada
e = emitidos
Asimismo, el análisis del combustible puede usarse para predecir las emisiones de
procesos de combustión, con base en la aplicación de las leyes de conservación de la
materia. La presencia de ciertos elementos en los combustibles puede usarse para predecir
su presencia en las corrientes de emisión.
Esto incluye elementos tóxicos tales como los metales que se encuentran en el
carbón, así como el azufre que puede ser convertido en otros compuestos durante el
proceso de combustión.
La ecuación básica que se usa en los cálculos de emisiones a partir del análisis del
combustible es:
MWCE
E = Qcomb. × CCC × (3.2)
MWCC
donde:
E = emisiones del contaminante
Qcomb. = Consumo de combustible, flujo másico (p.ej., kg/hr)
CCC = Concentración del contaminante en el combustible
MWce = Peso molecular del contaminante emitido (lb/lb-mol)
MWcc = Peso molecular del contaminante en el combustible (lb/lb-mol)
Ejemplo 3-1.
Calcular las emisiones de SOx por hora (reportado como SO2) de una máquina de
combustión interna que quema diesel, con base en los datos del análisis del combustible (el
contenido de azufre). El consumo estimado de combustible es de 150 litros/hr. La densidad
del diesel es de 0.85kg/litro (7.1 lb/gal). El contenido de azufre en el diesel es 0.05% en
masa.
Consumo de combustible
equivalentes a las emisiones ya que una parte de ellas está siendo controlada por
dispositivos de control de emisiones. En este caso, las características y cantidades de las
emisiones de COVs deberán determinarse con base en otras técnicas de estimación de
emisiones como factores de emisión o modelos.
También se pueden llevar a cabo balances de materiales para calcular las emisiones
fugitivas de fuentes de área que incluyan la producción, distribución y consumo de
combustibles. Por ejemplo, en un estudio enfocado a determinar este tipo de emisiones en
EU se aplicó un balance de materiales para la distribución y consumo de combustibles (De
Luchi, 1993). Un balance de materiales a nivel nacional para solventes en pinturas podría
ser también el mejor método para estimar las emisiones de COVs de esta categoría de
fuentes. Un enfoque similar puede adoptarse para estimar las emisiones a la atmósfera
derivadas de la aplicación de plaguicidas. Sin embargo, existen ciertas excepciones donde
hay consideraciones adicionales que es necesario tener en cuenta. Por ejemplo, las
emisiones del desengrasado no son iguales al consumo de solvente si el solvente residual
es vendido a un reciclador comercial. En esta situación las emisiones serán la diferencia
entre el solvente consumido y el solvente enviado a reprocesamiento. En un ejemplo más,
se cree que alguna fracción del diluyente usado para licuar asfalto rebajado es retenida en
el pavimento y no se evapora después de la aplicación.
El ejemplo siguiente muestra que, en algunos casos, la suposición de que todo el
solvente consumido es equivalente a las emisiones de COV del proceso, resultaría en una
sobrestimación de las emisiones. Por lo tanto, se utilizan balances de materiales junto con
factores de emisión basados en el proceso para estimar las emisiones. Estos balances son
parecidos a aquellos que se basan en la diferencia entre la materia prima y el producto,
cuando el factor de emisión para un proceso está dado por unidad de material consumido.
Ejemplo 3-2
Qresidual = (100 litros/mes x 1.5 kg/litro x 98% COV) + (0.2 kg/mes x 5% COV)
= 147 kg/mes + 0.01 kg/mes
= 147 kg/mes
7% Xileno
D1 4% Estireno
54% Tolueno
35% Benceno
D 2
18% Xileno
24% Estireno
B1 42% Tolueno
15% Xileno 16% Benceno
25% Estireno
40% Tolueno
1 15% Xileno
20% Benceno D2 10% Estireno
54% Tolueno
F = 70 mol/min 21% Benceno
B
3
24% Xileno
65% Estireno
B2 10% Tolueno
1% Benceno
>> A= [0.07 0.18 0.15 0.24; 0.04 0.24 0.10 0.65; 0.54 0.42 0.54 0.10;
0.35 0.16 0.21 0.01]
A =
0.0700 0.1800 0.1500 0.2400
0.0400 0.2400 0.1000 0.6500
0.5400 0.4200 0.5400 0.1000
0.3500 0.1600 0.2100 0.0100
b =
10.5000
17.5000
28.0000
14.0000
>> x=A\b
x =
26.2500 = D1
17.5000 = B1 Flujos totales de salida de las
8.7500 = D2 Columnas 2 y 3
17.5000 = B2
Flujos molares: D = D1 + B1
donde XDx = fracción molar de Xileno, XDs = fracción molar de Estireno, XDt = fracción
molar de Tolueno, y XDb= fracción molar de Benceno.
De manera similar, balances total y de componentes individuales en la columna #3
pueden ser usados para determinar el flujo molar y las fracciones molares de la corriente B
a partir del conjunto de ecuaciones:
Flujoss Molares: B = D2 + B2
F13
F21
Solución
Las ecuaciones de balance de masa alrededor de las dos unidades para el proceso
sin la unidad de recuperación de vapor es:
⎡ 1 1 −1 ⎤ ⎡ F12 ⎤ ⎡1⎤
A = ⎢⎢ 0 1 − 0.6⎥⎥ , x = ⎢⎢ F13 ⎥⎥ , b = ⎢⎢ 0 ⎥⎥
⎢⎣0.8 0 − 1 ⎥⎦ ⎢⎣ F21 ⎥⎦ ⎢⎣0.6⎥⎦
Usando Matlab:
A =
1.0000 1.0000 -1.0000
0 1.0000 -0.6000
0.8000 0 -1.0000
b =
1.0000
0.6000
0
>> x=A\b
x =
0.5882
0.8824
0.4706
>>
Además:
F24 = 0.2 (F12) = 0.2* 0.5882 = 0.1176 lbs
F35
Recuperación de
vapor (3)
F31
F13
F21
CAPITULO
4
MODELOS AL ESTADO NO ESTACIONARIO
Donde xt+1 es el estado del sistema objetivo en el tiempo “t+1”, el cual depende del
estado en el tiempo “t” y de un parámetro “v”. Usualmente la función f es continua.
Una típica ecuación diferencial tiene la forma:
desarrollados en el subsiguiente ejemplo. El modelo puede ser usado, por ejemplo, para
estudiar el efecto del creciente quemado de combustible fósil y la destrucción de áreas
forestales. El modelo incluye un componente de clima. Éste es un modelo pequeño de
términos, en el que la transferencia de carbón hacia y desde el sedimento y el carbonato
(ambos procesos de transporte de largo plazo) quedan excluidos.
La estructura del modelo es ilustrada en la Figura 4.1 y consiste de cinco
reservorios interconectados:
1 Atmósfera
2 La Biosfera Terrestre
3 Superficie del océano
4 Carbón del suelo y detritus
5 Profundidad del océano
Los rectángulos representan los reservorios, cada uno con un valor inicial (en giga
toneladas de carbón). Los flujos son representados por las flechas grandes con los círculos
adjuntos a la presente. Estos están en unidades de giga toneladas/año. Los círculos simples,
conocido como "convertidores", tienen constantes numéricas o fórmulas algebraicas
representando funciones matemáticas específicas.
Deforestación
Quemado de combustibles fósiles
ATMOSFERA Emanación de
gases del océano
O O
Respiración
O
O
O
Estación SUPERFICIE DEL
OCEANO
O
O O
BIOSFERA Salida del océano
TERRESTRE
O
O
Fotosíntesis
Flujo hacia
arriba
Flujo hacia
Muerte abajo
O
CARBON DEL PROFUNDIDAD
SUELO Y DEL OCEANO
DETRITUS O
Bomba
Decaimiento biológica
Figura. 4.1 Diagrama de flujo para la simulación del CO2 total en STELLA
Ecuaciones diferenciales
dC AT
= C OD + C R + C D + C FB + C DF − C OU − C FS
dt
dC SO
= C OU + CUP − C OD − C DW − C BP
dt
dC DO
= C DW + C BP − CUP
dt
dC BT
= C FS − C R − C M − C DF
dt
dC SD
= CM − CD
dt
Ecuaciones algebraicas
C AT
CUO =
2
CUP = CDO * 0.002
CDW = CSO* 0.002
CBP = 6.76 + CSO / 700
COD = CSO / 20
Est = 1+ (cos(2*pi*(t +0.125)))
CR = CBT * 0.1* Est
CFS = (CBT * 0.1483+ CAT /700) * Est
CM = 0.05* CBT
CD = 0.021* CSD + CAT / 750
AtmCO2 = CAT /2
Donde:
CAT = carbón total en la atmósfera
COD = carbón emanada desde el océano
CR = carbón debido a la respiración de los seres vivos
CD = carbón debido a descomposición de seres muertos
CFB = carbón debido al quemado de combustibles fósiles
Las condiciones iniciales son tomadas para el año base (1970) en giga toneladas:
Uso de UNTSIM
Seleccionamos del Menú Principal – Modelización Ambiental – Ciclo del Carbón
25-May-2006
Y la figura:
420
CO2 en la Atmósfera: Gigatoneladas
410
400
390
380
370
360
350
340
0 1 2 3 4 5 6 7 8 9 10
Tiempo: Años
1 Gigatonelada = 1015 gm
1 ton métrica = 1000 kg = 106 gm
donde
Yt : representa el tamaño de la población en t,
F(Y) : indica la tasa de crecimiento poblacional
h(t) : representa la tasa de cosecha (“harvesting rate”).
r = TN – TM (4.8)
N1 = N0·(1 + r) (4.9)
N2 = N1 (1 + r) = N0 (1 + r) (1 + r) = N0 (1 + r)2 (4.10)
Y generalizando:
Nt = N0 (1 + r)t (4.11)
Si TN > TM, significa que la natalidad supera a la mortalidad, r será mayor que 0 y
la población tiende a crecer. En estas condiciones y si no existen limitaciones de otro tipo,
No=6;
r=0.1
t=0:1:10;
Nt = No*(1+r).^t
m=[t;Nt];
disp('***************************')
disp(' CRECIMIENTO EXPONENCIAL')
disp('---------------------------')
disp(' Año Población ')
disp('----- ---------- ')
fprintf(' %5.2f %7.5f\n',m)
disp('***************************')
plot(t,Nt)
xlabel ('Tiempo')
ylabel ('Población')
title('CRECIMIENTO EXPONENCIAL DE POBLACION')
grid on
15
14
13
12
Población
11
10
6
0 1 2 3 4 5 6 7 8 9 10
Tiempo
***************************
CRECIMIENTO EXPONENCIAL
---------------------------
Año Población
----- ----------
0.00 6.00000
1.00 6.60000
2.00 7.26000
3.00 7.98600
4.00 8.78460
5.00 9.66306
6.00 10.62937
7.00 11.69230
8.00 12.86153
9.00 14.14769
10.00 15.56245
***************************
15
14
13
12
Población
11
10
6
0 1 2 3 4 5 6 7 8 9 10
Tiempo
***************************
CRECIMIENTO EXPONENCIAL
---------------------------
Año Población
----- ----------
0.00 6.00000
1.00 6.60000
2.00 7.26000
3.00 7.98600
4.00 8.78460
5.00 9.66306
6.00 10.62937
7.00 11.69230
8.00 12.86153
9.00 14.14769
10.00 15.56245
***************************
Siendo:
Como se observa, el lado derecho de la ecuación está formado por dos términos: el
primero, roN, que representa la tendencia de la población a crecer exponencialmente a una
tasa ro , y el término bN2, cuyo papel es reflejar la reducción poblacional causada por
conflictos entre individuos de la misma especie (efecto competencia).
Cuando r se hace dependiente del tamaño de la población (y por tanto del tiempo)
su valor cambia con las fluctuaciones de la población. De manera que r toma el valor r(t)
en el intervalo (t ; t+dt) y esto define la ecuación logística.
for i=1:NP
t(i+1) = t(i) + h;
N(i+1)=N(i)+ h*CR(i);% Método de Euler
CR(i+1)=r*N(i+1)*(1-N(i+1)/K);
end
% Acomodamos la salida
figure
plot(t,N)
xlabel ('Tiempo')
ylabel ('Población')
title('CRECIMIENTO LOGISTICO DE POBLACION')
grid on
4
x 10 CRECIMIENTO LOGISTICO DE POBLACION
10
7 2
6
Población
2 1
0
0 50 100 150 200 250 300 350
Tiempo
Ecuación de la población:
donde:
N = unidades de población
C = unidades de nutriente
b = unidades de nutriente consumido /unidad de población incrementada
r = tasa de crecimiento
4
x 10 CRECIMIENTO LOGISTICO DE POBLACION CON NUTRIENTE
10
6
Población
0
0 50 100 150 200 250 300 350
Tiempo
Uno de los modelos más simples usados para investigar la dinámica de población
predador-presa es el modelo de Lotka-Volterra. Aún cuando no es usualmente preciso para
sistemas intrincados, es a menudo utilizado como una base para modelar la mayoría de
sistemas complejos. El modelo de Lotka-Volterra es un sistema de dos ecuaciones
diferenciales: una que describe la población de presas y otra que describe la población del
predador. Hay algunas suposiciones críticas, principalmente son:
• La presa tiene recursos ilimitados.
• La única amenaza de la presa es el depredador.
• El depredador es un especialista; es decir, el único suministro de comida del
depredador es la presa.
• El crecimiento del depredador depende de la presa que atrapa.
1) La presa (Pres) crece sin límites, en ausencia de los predadores (P); si Pred=0,
entonces dPres/dt = aPres.
Donde:
a = tasa de crecimiento de la presa
b = eficiencia de habilidad del depredador para capturar presa
c = la tasa de mortalidad del depredador
d = la tasa de crecimiento del depredador
'xdata',[],'ydata',[]);
set(drawPres,'xdata',[t(i),t(i+1)],'ydata',[Pres(i),Pres(i+1)]);
drawnow;
set(drawPred,'xdata',[t(i),t(i+1)],'ydata',[Pred(i),Pred(i+1)]);
drawnow;
end
plot(t,Pres,'b')
plot(t,Pred,'r')
xlabel ('Tiempo')
ylabel ('Población')
title('MODELO DEPREDADOR-PRESA')
legend('Presa','Depredador')
MODELO DEPREDADOR-PRESA
1200
Presa
Depredador
1000
800
Población
600
400
200
0
0 50 100 150 200 250 300 350
Tiempo
Al graficar se obtiene:
Como se puede ver en la Figura 4.10., hay órbitas cerradas rodeando el punto
crítico (a/b, c/d ) (40, 300) que implica que las soluciones son periódicas con el tiempo y
que el máximo de cada población es interactuando el uno del otro. Hay un punto de silla
en (0, 0) que representa la ausencia de ambas poblaciones. El punto de silla muestra que si
hay la presa y no hay ninguno de los depredadores la presa crecerá (ver el sentido de las
flechas en el eje x). Por otro lado, si hay depredadores y ninguna presa para comer, entonces
se extinguirán por la ausencia de comida (ver el sentido de las flechas en el eje y), lo cuál
es obvio en la vida real.
donde K es la máxima cantidad de presas que puede existir en el modelo. Por lo tanto si K
= 5, entonces si una pequeña cantidad de presas fuesen adicionadas a un sistema sin
depredadores la presa podría crecer hasta 5 a medida que t→∞ en oposición al
crecimiento de l numero de presas hasta ∞ cuando t→∞. Analizando la ecuación (4.22), si
la población de presas es mayor que la capacidad de acarreo, el término (1 – Pres/K) será
negativo asegurando que la población de presas disminuirá.
set(drawPres,'xdata',[t(i),t(i+1)],'ydata',[Pres(i),Pres(i+1)]);
drawnow;
set(drawPred,'xdata',[t(i),t(i+1)],'ydata',[Pred(i),Pred(i+1)]);
drawnow;
end
plot(t,Pres,'b')
plot(t,Pred,'r')
xlabel ('Tiempo')
ylabel ('Población')
title('MODELO DEPREDADOR-PRESA')
legend('Presa','Depredador')
MODELO DEPREDADOR-PRESA
600
Presa
Depredador
500
400
Población
300
200
100
0
0 50 100 150 200 250 300 350 400 450 500
Tiempo
Análisis en el Plano de fase: Ahora, examinando la figura (4.13), hay un punto silla en
(K; 0), mostrando que si cualquier solución se inicia con más de K presas, entonces estas
irán rápidamente a la región < K. También, ahora en lugar de ser un punto en espiral, hay
un punto estable al que se acercan todas las soluciones a medida que t→∞.
Figura 4.13 Solución del modelo depredador presa con crecimiento logístico
a⎛ c ⎞ 0.04 ⎛ 0.3 ⎞
y (+∞) = ⎜1 − ⎟= ⎜1 − ⎟ =16
b ⎝ dK ⎠ 0.001 ⎝ 0.001 × 500 ⎠
k(t)
C(t), V
Donde:
Q : Flujo volumétrico a través del lago
V : Volumen del lago
k (t ) : Coeficiente de velocidad de reacción del contaminante
C (t ) : Concentración del contaminante tanto dentro como en la salida del lago
Cin(t ) : Concentración del contaminante entrando al lago
dC (t )
V = Q ⋅ C in (t ) − Q ⋅ C (t ) − k (t ) ⋅ C (t ) ⋅ V (4.24)
dt
dC (t ) Q Q
= ⋅ C in (t ) − ⋅ C (t ) − k (t ) ⋅ C (t ) (4.25)
dt V V
Solución
Para encontrar la respuesta, primero deberíamos decidirnos cómo debemos modelar
la entrada (el derramamiento de gasolina). Si lo modelamos como
• Un Impulso,
• Un escalón
• O una función sinusoidal
También necesitamos decidir qué clase de reacción ocurre. (En este ejemplo,
consideramos solamente k = 0). Suponemos que la gasolina no reacciona con el agua,
sedimento o microorganismos en el
Tiempo final (tf). Una cantidad que necesitamos conocer es el tiempo final tf. En el
enunciado del problema, se dice que 10 galones fueron derramados en el tiempo t = 0
(para nuestro propósito). También sabemos que las autoridades fueron avisadas 4 días
después para tomar las acciones respectivas, por lo que:
Tiempo final tf = 4 días
El caudal (Q). Otra cantidad que necesitamos saber es la tasa de flujo, Q. Esto no fue dado
en el enunciado del problema, pero podemos pretender que tal información estaría
disponible. Supongamos que encontramos que a la hora que el flujo fue recortado, el lago
tenía una de salida de 89,880 galones /día.
Si queremos mantener las unidades en términos de días y pies, cual deberá ser el
caudal en términos de miles de pies3/día ? (Use: 1 pie3 = 7.49 galones.)
Solamente necesitamos convertir el caudal dado de 89 880 galones por día en
miles de pies3/día. Por lo tanto:
Volumen del lago. Si el lago tiene 898 000 galones, el volumen en miles de pies3 será:
1 pie 3
898000 galones × = 120000 pies 3
7.49 galones
Datos:
Densidad de la gasolina: 800,000 mg/litro
Litros en un galón: 3.79 litros/galón
Volumen de agua en el lago: 898,800 galones
Volumen de gasolina derramada: 10 galones
Luego:
(30 320 000 mg de gasolina)/( 3 406 572 litros de agua) = 8.9
Uso de UNTSIM
El simulador UNTSIM, posee una interfaz gráfica para resolver un sistema de hasta
10 ecuaciones diferenciales ordinarias lineales y no lineales.
Para esto, ingresamos al Menú principal – Otros cálculos – Cálculos matemáticos-
Integración – de EDO´s – GUI para sistema de EDO’s
x y(1)
0.0000000e+000 8.9000000e+000
2.0000000e-001 8.7237682e+000
4.0000000e-001 8.5510260e+000
6.0000000e-001 8.3817043e+000
8.0000000e-001 8.2157355e+000
1.0000000e+000 8.0530530e+000
1.2000000e+000 7.8935919e+000
1.4000000e+000 7.7372883e+000
1.6000000e+000 7.5840797e+000
1.8000000e+000 7.4339049e+000
2.0000000e+000 7.2867037e+000
2.2000000e+000 7.1424173e+000
2.4000000e+000 7.0009880e+000
2.6000000e+000 6.8623591e+000
2.8000000e+000 6.7264753e+000
3.0000000e+000 6.5932822e+000
3.2000000e+000 6.4627264e+000
3.4000000e+000 6.3347559e+000
3.6000000e+000 6.2093193e+000
3.8000000e+000 6.0863665e+000
4.0000000e+000 5.9658484e+000
Análisis
Para cualquier día dado
La contaminación inicial en el lago es (a / 100) V, litros
La contaminación que entra en el lago desde de la alcantarilla es (b / 100) S, litros
La contaminación que entra en el lago desde el primer río es (c / 100)R litros
Así, la contaminación total que desemboca en el lago es (bS + cR) /100.
La contaminación actual así se convierte en (aV + bS + cR) /100.
La contaminación que drena del lago en el segundo río equivale a la contaminación actual
del lago.
Modelamiento Matemático:
Ahora, tenemos dos corrientes de estrada y una corriente de salida, por lo que la Ec. (4.25)
se escribe como:
dC S R ( S + R)
= ⋅ C alc + ⋅ C rio − C (4.26)
dt V V V
Preguntas:
a. A que función corresponde el modelo de entrada de contaminantes?
b. se mantienen los mismos parámetros. Cuál será la contaminación máxima que se
alcanzará en el lago?
c. En que tiempo se alcanzará esta concentración máxima?
d. Hacer un programa para una solución determinista usando el algoritmo dado a
continuación, y comparar las respuestas encontradas
Algoritmo (pseudo-código)
(El símbolo compuesto := es usado para indicar "es asignado".)
1. entrada V, a, S, b, R, c, n
2. cont := a*V/100
3. contEntra := (b*S + c*R)/100
4. for i:1 to n
cont := cont + contEntra
contSale := (S+R)* cont /V
pollution := cont - contSale
Porcientocont := cont *100/V
Fo (t)
ρo (t)
V(t) F(t)
ρ(t) ρ(t)
Balance de materiales:
d ( ρV )
= F0 ρo - F ρ (4.27)
dt
dh
at =Fo - F (4.28)
dt
dh Fo F
= − (4.29)
dt at at
Balance de Momentum
Ma
F= (4.30)
gc
donde F = fuerza, N (lbf)
m = masa, Kg. (lbm)
gc = constante de conversión necesaria cuando se usan unidades Inglesas de
ingeniería, para mantener consistencia en las unidades = 32,2 lbm pie/lbf seg2
1 d ( Mvi ) N
= ∑ F ji (4.31)
gc dt j =1
M = ApLρ
(4.32)
F
v=
Ap
1 d ( AP L ρ v ) g
= AP ρ h – KF L v2 (4.35)
gc dt gc
dv g K g
= h – F C v2 (4.36)
dt L ρAP
g K g
0= h – F c v2 (4.37)
L ρAP
La Ecuación. (4.33) es una ecuación algebraica lineal simple la cual podemos usar
para determinar la velocidad de salida (v) en función del nivel de líquido en el tanque (h),
para lo cual hacemos la Ecuación. (4.33) explicita en v, obteniendo:
0.5
⎛ gρA p ⎞
v = ⎜⎜ h ⎟⎟ (4.38)
⎝ K F gc L ⎠
Con las Ecuaciones. (4.33) y (4.37) podemos evaluar las condiciones de operación
al estado estacionario.
t(1)=0;
vel(1)=vi;
niv(1)=ho;
for i=1:NP
t(i+1) = t(i) + h;
vel(i+1)=vel(i)+ h*(g*niv(i)/L-(kf*gc*(vel(i))^2)/(ro*ap));
niv(i+1)=niv(i)+ h*(fo/at-vel(i)*ap/at);
end
tt=0:T/50:T;
figure
plot(t,niv,tt,ht,'r*')
xlabel ('Tiempo')
ylabel ('Nivel')
title('NIVEL DE LIQUIDO EN UN TANQUE')
legend('Nivel de liquido','Altura del Tanque')
grid on
**********************************************
Verificar cuanto soporta de aumento en el caudal de entrada
Nivel al que está operando el tanque(pies): 5
**********************************************
2. PARA ESTE NIVEL LAS CONDICIONES SON
**********************************************
Nivel Velocidad Caudal de entrada = salida
(pies) pies/s pies^3/min
5.0000 5.1148 36.1545
7.5
7
Nivel
6.5
5.5
5
0 100 200 300 400 500 600
Tiempo
Comentarios:
Del resultado de la simulación se observa lo siguiente:
1. Cuando el tanque opera al estado estacionario con un caudal de entrada de 36.1545
pies3/min, el tanque alcanza un nivel de 5 pies.
2. Si partiendo de estas condiciones de operación, se eleva repentinamente el caudal
en 20% (36.1545*0.2 = 7.2309 pies3/min), el nivel de liquido sobrepasa el nivel
del tanque produciéndose por lo tanto un derrame de liquido.
dC
= Q(C f − C ) / V − R1 BC (4.39)
dt
dB
= B ( R2 C − D − Q / V ) (4.40)
dt
Donde
Cf = concentración de contaminante procedente de la fábrica: g/m3
(10-3 < Cf < 10 -2)
B = concentraciones de microorganismos biológicos en el tanque en el tiempo t
horas: g/m3
Q = caudal entrando y saliendo del tanque: 10 m3/hora
V = volumen del tanque: 104 m3
R1 = 0.1 m3/g.h
R2 = 1.2625 m3/g.h
D = 10-5
(R1, R2 y D son estimaciones empíricas de las constantes de velocidad para
digestión del contaminante, crecimiento del organismo y mortalidad natural del
organismo respectivamente)
Cleg = límite legal: 5x10-4 g/m3
Cf
Q
C, B
CB Q
Figura. 4.22 Esquema del tanque de tratamiento biológico
Solución
a) Verificar que las dimensiones de las ecuaciones diferenciales sean correctas
b) Mostrar que en el estado estacionario donde dC/dt = dB/dt = 0 son posibles dos
soluciones (Cs, Bs)
(i) Cs = Cf y Bs = 0 esto corresponde a una completa evacuación (lavado) del
microorganismo desde el tanque
(ii) Cs = (D + Q/V)/R2 y Bs = Q(Cf – Cs)/(VCsR1)
Por lo que Cs < Cleg
volumen V, así es que deberían calcularse en el programa usando las fórmulas para Cs
y Bs, usando el valor de 10-3 para Cf.
Considerar el caso extremo donde a t=0, la concentración de contaminante
desde la fabrica cambia a Cf =10-2 , y es mantenido indefinidamente en este valor.
Debido a ste cambio, es de esperarse que la concentración de contaminante en
el tanque C(t) y la concentración de microorganismos B(t) se elevarán en respuesta a
este cambio en la salida de la fábrica, después caerán a un nuevo estado estacionario.
Para investigar este estado transitorio escribimos un programa MATLAB
>> minres
-3
x 10 CONCENTRACION DE CONTAMINANTE VS. TIEMPO
1.4
1.2
Contaminante en el tanque: g/m3
0.8
0.6
0.4
0.2
0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
Tiempo: horas
0.6
Microorganimos en el tanque: g/m3
0.5
0.4
0.3
0.2
0.1
0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
Tiempo: horas
Cf
Q
V1 Q V2
dC1
= Q(C f − C1 ) / V1 − R1 B1C1 (4.41)
dt
dB1
= B1 ( R2 C1 − D − Q / V1 ) (4.42)
dt
dC 2
= Q(C1 − C 2 ) / V 2 − R1 B2 C 2 (4.43)
dt
dB2
= B2 ( R2 C 2 − D − Q / V2 ) (4.44)
dt
Escribir un programa en MATLAB que simule C1(t), B1(t), C2(t) y B2(t) con
Cf = 0:001 para diferentes valores de entrada de V2 y C1(0), C2(0), B1(0) y
B2(0).
La salida C1(t), B1(t), C2(t), B2(t) y Cleg para un periodo de tiempo de hasta
50 000 horas
Confirme que los valores al estado estacionario (es decir los valores
independientes del tiempo) para el caso donde V1 = V2 = 10000, son
C1 = 0.00080, C2 = 0.00049, B1 = 0.0025 y B2 = 0.0064.
Una planta química de manufactura tiene pensado en una modificación del producto
que resultará en un cambio en el carácter de los residuos. De significancia es la anticipada
presencia de fenol, un producto químico orgánico que no ha sido tratado por las facilidades
de tratamiento de residuos de la compañía. Consecuentemente, la habilidad de las
facilidades existentes para “tratar” fenol está en cuestión. En razón a predecir el
desempeño del reactor existente, es necesaria información de cinética y dispersión.
Los datos cinéticos de reacción han sido recolectados la destrucción química de fenol
a través de experimentos en un reactor batch (Tabla 4.1).
El flujo del residuo que contiene fenol es proyectado para ser 0.45 MGD con una
anticipada concentración de fenol de 95 mg/L. El reactor (un proceso químico de
oxidación) tiene un volumen total de líquido de 25,000 gal. (L = 35 ft., W = 12 ft., H = 8
ft.). Un análisis de dispersión del reactor ha sido realizado inyectando un impulso de
material poco reactivo en la corriente de alimentación al reactor. La tasa de flujo fue
monitoreada durante el estudio de dispersión y se determinó a ser 0.45 MGD. Los datos
del trazador en el reactor son presentados en la (Tabla 4.2).
El límite permitido de descarga de fenol ha sido determinado en 0.1 mg/L por la
junta reguladora estatal. Estime la concentración de fenol en efluente basado en la
información disponible. Determine qué podría hacerse para alcanzar el límite de descarga.
Se podría mantener el reactor existente debido a las razones económicas obvias. Sin
embargo, cualquier opción de diseño razonable puede considerarse. Justifique su
recomendación final del diseño. Muestre todos los cálculos en una forma clara y sucinta.
Declare todas las suposiciones que usted hace en el proceso del diseño. Deberá asumir
que la relación cinética (Tabla 4.1) es fija y no puede ser alterada. Esto es, los datos
cinéticos de la reacción representa condiciones óptimas.
Solución
La solución se basa en la utilización de la información cinética (Tabla 4.1) y la
información de dispersión (Tabla 4.2) para estimar el desempeño del reactor actual y para
desarrollar alternativas para mejorar el proceso de tratamiento. El acercamiento a la
solución es presentado a continuación.
dC
= −kC n (4.45)
dt
donde
k = constante de velocidad de reacción
n = orden de reacción
y = mx + b (4.46)
dC
= −kC 0 = − k
dt
dC = −kdt
Ct t
∫C0
dC = −k ∫ dt
0
C t − C 0 = − kt
C t = − kt + C 0 (4.47)
La Ecuación (4.47) es la relación de una línea recta e indica que si los datos de
rección son verdaderamente de orden cero, una gráfica de Ct vs. T deberá resultar en una
línea recta. Sin embargo, si los datos no corresponden a una línea recta, debe asumirse otro
orden y repetir los cálculos.
Por ejemplo, asumiendo n = 1, se tiene la siguiente solución a la ecuación:
dC
= − kC
dt
dC
= −kdt
C
dC
Ct t
∫
C0 C
= − k ∫ dt
0
ln C t − ln C 0 = −kt
ln C t = − kt + ln C 0
Uso de UNTSIM
Para determinar el orden de velocidad, usamos el simulador UNTSI, para lo cual
ingresamos al Menú principal – Cálculos de Ingeniería química – Sistema de reacción –
Datos de velocidad – Concentración versus tiempo
29-May-2006
ANALISIS DE DATOS DE VELOCIDAD PARA REACCIONES EN
FUNCION DE CONCENTRACIONES VERSUS EL TIEMPO
****************************************************
La reacción es:
1. aA-------> Productos
2. A + bB ------>Productos
Tipo de reacción: 1
Ingrese los tiempos y concentraciones entre corchetes
de la forma [t1 t2 t3 ...]
Tiempo en minutos: >> [0 10 20 30 40 60 80]
Usar concentraciones (0) o Conversión (1): 0
Concentraciones de A [ ]: [100 55 22 8 5 0.82 0.15]
Método Integral (1) Método Diferencial (2): 1
----------------------------------------
METODO INTEGRAL
----------------------------------------
La varianza es
0.9972
La varianza es
-2.5561
>>
El resultado de efectuar estos cálculos sobre los datos cinéticos dados en la Tabla 4.1 son
mostrados en la Figura. 4.26:
2
ln CA
-1
-2
0 10 20 30 40 50 60 70 80
tiempo, min
Figura 4.26 ln(C) vs. tiempo para los datos dados en la Tabla 4.1.
Los datos en la Figura. 4.26 indican que para la asunción de primer orden (n = 1)
ln(C) vs t caen en una linea recta. La velocidad de reacción es por lo tanto de primer orden
contendiente igual a k = 0.08 min-1.
σ2 =
∑ t C Δt i
2
i i
−t
2
(4.48)
∑ C Δt i i
t=
∑ t C Δt
i i i
(4.49)
∑ C Δt i i
σ2
σ θ2 = 2
(4.50)
t
t = 74.9 min
σ2 = 657.92
σ θ2 = 0.117
N = 8.52 ≈ 9
( Nt / t R ) N −1 − Nt / t R
Cn = C0 e (4.51)
( N − 1)!
Predicción de Ce para el reactor actual. Hasta aca esta todo bien, pero, ahora qué que
hacemos para determinar la concentración efluente para nuestro reactor de escala?.
Aplicamos la ecuación 4.52, la expresión para predecir desarrollada a partir de un balance
de masa alrededor de una serie de N CSTR’s de igual volumen.
Ci
Ce = (4.52)
(1 + kVi / Q) N
95mg / L
Ce = 9
⎛ 23,406 gal / 9 ⎞
⎜⎜1 + 0.082 min −1 ⎟
⎝ 312.5 gpm ⎟⎠
95mg / L 95mg / L
Ce = =
(1 + 0.682) 9
108.7
Ce = 0.88 mg/L
Deberá notarse que el valor para V/Q, está basado en el volumen efectivo (Veff),
donde
θeff = t
Otra alternativa atractiva sería ir aguas arriba y ver si el residuo de fenol podría ser
minimizado (reducir el flujo y/o la concentración). Esta aproximación siempre debería ser
considerada como es a menudo más costoso y efectivo para minimizar el contaminante en
la fuente.
Para determinar el volumen requerido del reactor para cada alternativa, debe hacerse
una suposición relacionando las características de dispersión del reactor nuevo. Éste es un
resultado del impacto obvio de N, así definida por la dispersión del reactor, sobre los
requerimientos de volumen del reactor (ver ecuación 4.52). La selección de N finalmente
debería ser comprobada para su validez antes de seguir con la implementación a escala
total. Las características de dispersión del reactor podrían ser comprobadas en el sistema
existente sobre un rango de flujos para probar la suposición en caso de la alternativa 2. Las
características de dispersión del reactor nuevo estaban especificadas en el diseño y el logro
del nivel deseado de dispersión se basaría en experiencia con configuraciones diferentes
del reactor.
Representaciones esquemáticas simplificadas de las dos alternativas son mostradas
en la Figura. 4.28.
Q1
Tanque actual
Q
Q2
Nuevo Tanque
Q ⎡⎛ C ⎞ ⎤
1/ N
Vi = ⎢⎜⎜ i ⎟⎟ − 1⎥ (4.54)
k ⎢⎝ C e ⎠ ⎥⎦
⎣
312.5 gpm ⎡⎛ 0.88mg / L ⎞
1/ 9
⎤
Vi = ⎢ ⎜ ⎟ − 1⎥
0.082 min −1 ⎢⎣⎜⎝ 0.07 mg / L ⎟⎠ ⎥⎦
Vi = 1238 gal
V = NVi
−1
⎡⎛ C ⎞
1/ N
⎤
Q1 = KVi ⎢⎜⎜ i ⎟⎟ − 1⎥ = 169 gpm
⎢⎣⎝ C e ⎠ ⎥⎦
−1
23406 gal ⎡⎛ 95mg / L ⎞ ⎤
1/ 9
−1
Q1 = 0.082 min ⎢⎜⎜ ⎟⎟ − 1⎥
9 ⎢⎣⎝ 0.07 mg / L ⎠ ⎥⎦
-1
Q1 = 213.3[2.23 – 1]
Q1 = 173.4 gpm
Q2 = Q – Q1 = 312.5 – 173.4 = 139 gpm
Q ⎡⎛ C ⎞ ⎤1/ N
Vi = ⎢⎜⎜ i ⎟⎟
− 1⎥ (4.54)
k ⎢⎝ C e ⎠ ⎥⎦
⎣
139 gpm ⎡⎛ 95mg / L ⎞ ⎤
1/ 9
Vi = ⎢⎜
−1 ⎜
⎟⎟ − 1⎥
0.082 min ⎢⎣⎝ 0.07mg / L ⎠ ⎥⎦
Vi = 2083 gal
V = NVi
cambio en cantidad ≈ (cantidad entrando río arriba) - (cantidad saliendo rió abajo)
- (cantidad descomponiéndose en un intervalo de tiempo).
A
vel > 0
x – Δx x
Figura. 4.29 Corriente contaminada
A Δt vel ui-1k
-A Δt vel uik
A Δx uik
A Δx Δt dec uik
donde:
i = 1, …, n-1
k = 0, …, maxk-1
ui0 = dado para i = 1, …, n-1 (4.56)
uik = dado para i = 1, …, maxk (4.57)
Foma Vectorial
u1k+1 = A uk + b
donde
d = vel (∆t/∆x) y c = 1 – d – dec ∆t
En el caso donde dec = 0, entonces a =1 – vel (∆t/∆x) > 0 de manera que el fluido
que entra no debe viajar más que un paso en el espacio.
Método. En razón a computar todos los uik+1, lo cual de ahora en adelante se denotara por
u(i,k+1), debemos usar un lazo anidado donde el lazo i (espacio) está adentro y el lazo k
(tiempo) es el lazo exterior. En este modelo de flujo u(i,k+1) depende directamente de dos
valores previamente calculados u(i-1,k) y u(i,k).
20
18
16
14
12
tiempo
10
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
longitud
flujo1;
lim =[0 11 0 1];
for k=1:5:150
plot(u(:,k))
axis(lim);
k = waitforbuttonpress;
end
>> plot(x,u(:,1),x,u(:,10),x,u(:,20),x,u(:,30),x,u(:,40),x,u(:,50))
0.9
0.8
0.7
0.6
concentración
0.5
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
tiempo
En el siguiente cálculo hacemos vel = 1.3, y esta, con las demas constantes iguales,
viola la condición de estabilidad. Para el paso de tiempo 1/10 y una velocidad de flujo
igual a 1., hace que el nivel de contaminante sea 1.3/10 unidades en el espacio lo cual es
mayor a un paso de espacio.
ut(iΔx, kΔt + Δt/2) = -vel ux(iΔx - Δx/2, kΔt) - dec u(iΔx, kΔt).
Este es análogo al modelo discreto por las ecuaciones (4.55), (4.56) y (4.57). En
todos estos modelos, el tamaño de paso debe ser cuidadosamente seleccionado.
A menudo es dificultoso determinar el valor exacto de las constantes vel y dec.
Exactamente cuál es el efecto que tiene los errores de medida, por decir de 10 %, sobre
constante vel, dec o las condiciones inicial y límite? ¿Cual es la interacción es de los
errores de medida con los errores numéricos? La tasa de flujo, vel, ciertamente no es
siempre constante. Además, puede haber flujo de fluido en más de una dirección.
Lago
Superficie de
contaminante Velocidad
del viento
∆x
V1 ∆y
V2
(T Δx Δy) (ui,jk+1 – ui,jk) = (T Δy) (v1 Δt) ui-1,jk - (T Δy) (v1 Δt) ui,jk
+ (T Δx) (v2 Δt) ui,j-1k - (T Δx) (v2 Δt) ui,jk
Δt dec (T Δx Δy) ui,jk (4.59)
Condición de Estabilidad.
1 - v1 (Δt/Δx) - v2 (Δt/Δy) - Δt dec > 0.
Metodo. Para ejecutar el modelo discreto, debe haber tres bucles anidados. El lazo exterior
debe ser el lazo de tiempo (usar k), y los dos lazos interiores son para la cuadrícula del
espacio (usando i y j). La orden i (la dirección x) y la j (la dirección y) no son importantes
siempre que ambos esten dentro de la k (lazo de tiempo).
dt = T/K;
n = 10.;
dx = L/n;
m = 20.;
dy = W/m;
velx = .1;
vely = .4;
decay = .1;
for i = 1:n+1
x(i) =(i-1)*dx;
for j = 1:m+1
y(j) =(j-1)*dy;
u(i,j,1) = 0.;
end
end
for k=1:K+1
time(k) = (k-1)*dt;
for j=1:m+1
u(1,j,k) = .0;
end
for i=1:n+1
u(i,1,k)=(i<=(n/2+1))*(k<26)*5.0*sin(pi*x(i)*2)+...
(i>(n/2+1))*.1;
end
end
for k=1:K
for i=2:n+1;
for j=2:m+1;
u(i,j,k+1) =(1 - velx*dt/dx -vely*dt/dy-...
decay*dt)*u(i,j,k)+velx*dt/dx*u(i-...
1,j,k)+vely*dt/dy*u(i,j-1,k);
end
end
end
mesh(x,y,u(:,:,K)')
% Codigo en mov2d.m
flujo2;
lim =[0 1 0 4];
for k=1:5:200
contour(x,y,u(:,:,k)')
title('Concentración versus espacio a diferentes tiempos')
grid on
axis(lim);
k = waitforbuttonpress;
end
3.5
2.5
1.5
0.5
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
3.5
2.5
1.5
0.5
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Problemas
1. Se desea determinar cuanto tiempo pasará para que los niveles de contaminación en un
lago caigan al 5 % del nivel medido cuando los controles de contaminación entraron en
afecto.
Suponga que 1000 toneladas del contaminante están en el lago cuando se
inician los controles.
Los controles recientes han reducido la concentración de contaminante en el
caudal de entrada a 0.01 toneladas de contaminante por cada km3 de agua de entrada
Datos:
2. El lago del ejemplo anterior es el lago Superior del conjunto de lagos mostrado en la
Figura.
dθ
= − k (θ − θ m (t ))
dt
θ m (t ) = 20 + 5e −t sen t
θ m (t ) = 20 + 5 sen t
Provea un boceto de la temperatura externa y (en los mismos ejes) una gráfica
aproximada del comportamiento de θ (la temperatura en el cuarto). Discuta las
principales características de la gráfica para θ.
dθ
= −k (θ − θ m ) − k a (θ − θ a )
dt
Aquí ka = 0,1 es una constante de proporcionalidad asociada con el acondicionador de
aire, k = 0.03 y θa es la temperatura del medio de enfriamiento del acondicionador de
aire (5 ºC). Asumir que la temperatura externa es fijada a 35 ºC. La temperatura inicial
en el cuarto es 20 ºC.
a) Con ka dada como cero, encuentre la solución para θ, esto sucede cuando el
acondicionador de aire es desconectado.
b) Para ka = 0,1 (es decir el acondicionador de aire está operando), resolver para la
temperatura cuando el cuarto se enfría desde 35 ºC.
c) Muestre como las soluciones anteriores pueden ser usadas para encontrar la
solución para el caso cuando el acondicionador de aire se enciende cuando la
temperatura del cuarto excede 25 ºC y se apaga cuando la temperatura cae por
debajo de 20 ºC.
dI
= a3 ( S − S eq ) H ( S − S eq ) − a 4 I + b2 D
dt
dS
= −a1 SI + a 2 ( S eq − S )[ H ( S eq − S )] + b1 F
dt
6. Para las ecuaciones del modelo de la pregunta anterior, dar diagramas mostrando cómo
el nivel de azúcar S (t) y el nivel de insulina I (t) de una persona sin diabetes varía
después de una sola comida, dado que el azúcar nivel está inicialmente en el equilibrio
y que I (0) = 0.
8. Dibuje una gráfica simple de la función escalón H(S - Seq), como una función de S.
Escriba un programa MATLAB para calcular esta función.
9. Escriba un programa MATLAB para la función de la toma de comida F(t) para tres
comidas, desayuno, almuerzo y cena, donde, por ejemplo, la toma del desayuno Fb(t)
es dada por como:
Fb(t) = rb exp(-kbt)
Si t>0 y la toma es cero para t≤0. Aquíe rb y kb son constantes y hay formas funcionales
similares para almuerzo y cena.
CAPITULO
5
MODELOS DE CALIDAD DEL AIRE
La opción del modelo a seguir para cada proyecto se debe justificar conforme a:
• Ajuste para el propósito
• Basado en principales científicos establecidos
• Validado y repasado independientemente
son múltiples y variables en el tiempo y una mezcla gas/aire puede evolucionar como un
gas pesado sin serlo debido a:
• Peso molecular del gas.
• Temperatura del gas.
• Temperatura y humedad del aire ambiente.
• Presencia de gotas líquidas arrastradas en la emisión.
• Reacciones químicas en la nube, etc.
La mayoría de los incidentes por escape empiezan con una descarga de un producto
peligroso desde su continente normal. Estos incidentes se pueden originar por orificios o
roturas de recipientes de proceso, por juntas de unión en bridas, o por válvulas, chimeneas
y venteos de emergencia, por destacar las causas más frecuentes.
Continuas: Cuando el tiempo de emisión es mayor que el tiempo necesario para que la
nube llegue a un determinado punto.
Instantáneas. Cuando el tiempo necesario para que la nube llegue a un punto determinado
es mayor que el tiempo de emisión del producto.
suelo. Si bien todas son iguales, las chimeneas más altas dispersan mejor los contaminantes
que las más pequeñas debido a que la pluma tiene que viajar a través de una capa
atmosférica más profunda antes de llegar al nivel del suelo. A medida que la pluma viaja,
se extiende y dispersa.
Los gases emitidos por las chimeneas muchas veces son impulsados por abanicos.
A medida que los gases de escape turbulentos son emitidos por la pluma, se mezclan con el
aire del ambiente. Esta mezcla del aire ambiental en la pluma se denomina arrastre.
Durante el arrastre en el aire, la pluma aumenta su diámetro mientras viaja a sotavento. Al
entrar en la atmósfera, estos gases tienen un momentum. Muchas veces se calientan y se
vuelven más cálidos que el aire externo. En estos casos, los gases emitidos son menos
densos que el aire exterior y, por lo tanto, flotantes. La combinación del momentum y la
flotabilidad de los gases hace que estos se eleven. Este fenómeno, conocido como
elevación de la pluma, permite que los contaminantes emitidos al aire en esta corriente de
gas se eleven a una altura mayor en la atmósfera. Al estar en una capa atmosférica más alta
y más alejada del suelo, la pluma experimentará una mayor dispersión antes de llegar a
este.
La altura final de la pluma, conocida como altura efectiva de chimenea (H), es la
suma de la altura física de la chimenea (hs) y la elevación de la pluma (∆h). En realidad, la
elevación de la pluma se estima a partir de la distancia existente hasta la línea central
imaginaria de la pluma y no hasta el borde superior o inferior de esta (Figura 5-1). La
elevación de la pluma depende de las características físicas de la chimenea y del efluente
(gas de chimenea). La diferencia de temperatura entre el gas de la chimenea (Ts) y el aire
ambiental (Ta) determina la densidad de la pluma, que influye en su elevación. Además, la
velocidad de los gases de la chimenea, que es una función del diámetro de la chimenea y
de la tasa volumétrica del flujo de los gases de escape, determina el momentum de la
pluma.
La elevación de las plumas ha sido tema de estudio durante muchos años. Las
fórmulas más usadas son las desarrolladas por Gary A. Briggs. La ecuación 5-1 incluye
una de estas, la que se aplica a las plumas dominadas por la flotabilidad. Las fórmulas de la
elevación de la pluma se usan en plumas con temperaturas mayores que la del aire
ambiental. La fórmula de Briggs para la elevación de la pluma es la siguiente:
1,6 F 1 / 3 x 2 / 3
Δh = (5.1)
u
g ⎛ Ts − Ta ⎞
Flujo de flotabilidad = F = V⎜ ⎟⎟ (5.2)
π ⎜⎝ Ts ⎠
b) Fórmula de Holland
Una de las fórmulas más empleadas para el cálculo de esta elevación para
diferentes contaminantes es la de Holland:
Vs d ⎛ T − Ta ⎞
Δh = ⎜⎜1,5 + 2,68 ∗ 10 −3 ⋅ P s d ⎟⎟ (5.3)
u ⎝ Ts ⎠
Los valores de ∆h obtenidos con esta fórmula deben corregirse (Tabla 5.1)
multiplicando por un factor, establecido por Pasquill-Gifford-Turner, que es función de las
condiciones meteorológicas, que se describen más adelante.
Tabla 5.1
Categorías de Factor de corrección
estabilidad aplicado al ∆h, calculado por
(clases) la fórmula de Holland
A, B 1,15
C 1,10
D 1,00
E, F 0,85
P
⎛H⎞
u H = u10 ⎜ ⎟ (5.4)
⎝ 10 ⎠
a) Distribución gausiana
(5.5)
Donde:
C = concentración del contaminante en el punto x, y, z (kg/m3)
Q = masa emitida por unidad de tiempo (kg/seg)
σy = coeficientes de dispersión de contaminantes en dirección y (horizontal) (m)
σz = coeficientes de dispersión de contaminantes en dirección z (vertical) (m)
u = velocidad del viento (m/s).
y = distancia en dirección horizontal
z = distancia en dirección vertical
H = Altura de la fuente emisora sobre el nivel del suelo más la elevación de la pluma
(m).
b) Clasificaciones de estabilidad
c) Coeficientes de dispersión
Los coeficientes de dispersión (σx , σy y σz) son las desviaciones tipo en los ejes x,
y, z. Las ecuaciones usadas para calcular σy son:
σz = a·xb (5.8)
donde :
σx = desviación tipo en el eje x, en metros (usado para fuents instantáneas)
σy = desviación tipo en el eje y, en metros
σz = desviación tipo en el eje z, en metros
x = distancia en la dirección del viento (kilómetros)
c y d = coeficintes que se obtienen de la Tabla 5-4
a y b = coeficientes que se obtienen de la Tabla 5-5.
Las Ecuaciones 5-6 y 5-8 son usadas para determinar σy y σz para la opción
urbana. Estas expresiones fueron determinadas por Briggs (1976) y representan una mejor
aproximación para los datos de difusión vertical urbana expuestos por McElroy y Poole
(1968).
σz = c · xd (10 · z0 )m (5.9)
Datos:
Rugosidad del suelo equivalente a urbana y estabilidad meteorológica D,
Temperatura ambiente Ta = 20 ºC (293 K)
Presión atmosférica P = 1 atm absoluta
Peso molecular CI2 M0 = 71
Constante de los gases, R = 0,082 (m3 · atm)/(kmol·K)
Solución
La emisión instantánea, llamada también, “puff” o soplido, forma una nube que se
va dispersando con el tiempo. Gráficamente puede asimilarse a una nube casi esférica que
se dispersa trasladando su centro de emisión en la dirección del viento. Fig. 5.6.
estado estacionario hasta una distancia muy superior, p.e. de 10 kilómetros, la duración de
la emisión se convierte en despreciable en relación al tiempo de paso de la nube, de forma
que puede considerarse como instantánea.
Un criterio empleado para decidir si la fuga puede ser considerada continua o
instantánea se muestra a continuación:
Para una emisión instantánea los cálculos se establecen de la misma forma que para
una emisión continua, es decir, asumiendo que la nube tiene una distribución gaussiana en
las direcciones de los ejes x, y, z.
Las mismas limitaciones que se expusieron para las emisiones continuas son
válidas para el modelo gaussiano aplicado a fuentes instantáneas, excepto el concepto
tiempo promedio (o medio) que no debe aplicarse a una emisión instantánea.
M
C ( x, y , z , t ) = ⋅ A⋅ B ⋅C (5.11)
(2π ) 3/ 2
σ xσ y σ z
( x −u ⋅t ) 2
−
2σ x2
A=e (5.12)
2
y
−
2σ y2
B=e (5.13)
( z − h) 2 ( z + h)2
− −
2σ z2 2σ z2
C =e +e (5.9)
Donde:
C = concentración (kg/m3)
M = masa de la emisión (kg)
h = altura efectiva de la fuente de emisión (m). (h = 0 para una emisión a ras de
suelo)
σx = 0,13 · x (5.14)
σz = σzc (5.16)
Ejemplo 5.2
Dada una fuente de emisión instantánea de 1 000 kg de metano con una densidad
de 0,665 kg/m3, siendo las condiciones meteorológicas neutras (clase D), la velocidad del
viento 5 m/s y la rugosidad del terreno de 0,1 m, calcular la concentración a 500 m de
distancia en dirección del viento, a nivel del suelo, a los 100 segundos de la emisión. Las
condiciones son 1 atm y 20 °C.
Solución:
22-May-2006
ESTE PROGRAMA CALCULA LA CONCENTRACION DE UN CONTAMINANTE
EN UN PUNTO (x,y,z) PARA UNA FUENTE INSTANTANEA
*********************************************************
Altura de fuente emisora (m): 0
Velocidad del viento (m/seg): 5
Altura de medida de velocidad del viento (m): 0
Masa emitida kg/seg: 1000
Tiempo de emisión (seg): 100
Ingrese Número correspondiente a categoría de Estabilidad
1=A, 2=B, 3=C, 4=D, 5=E, 6=F: 4
Punto x,y,z para determinar la concentración
Distancia longitudinal x (m): 500
Distancia transversal y (m): 0
Estas 7885.8 ppm son equivalentes a una concentración, expresada en tanto por
ciento en volumen del 0,79 %.
Problemas
1. Modelamiento del ozono a gran altitud. Los filtros de ozono a una elevada altitud
filtran la mayor parte de la radiación ultravioleta del sol que podría ser dañina para
carbón base de la vida. Hagamos las suposiciones razonables que la atmósfera de la
tierra representa un sistema cerrado mantenido a temperatura y volumen constantes. El
modelo considera las interacciones simultáneas de tres productos químicos, oxígeno
libre O, ozono O3, y oxígeno molecular O2.
Las reacciones químicas son expresadas como las siguientes reacciones bimoleculares:
O + O2 k1 O3
O + O2 k2 2O2
O2 k3(t) 2O
O2 k4(t) O + O2
dx
= − k1 xu − k 2 xy + 2k 3 (t )u + k 4 (t ) y
dt
dy
= k1 xu − k 2 xy − k 4 (t ) y
dt
Simular el sistema para un día y medio (36 x 3600sec) de reducción drástica de ozono
y graficar las concentraciones de ozono y oxígeno libre en una escala logarítmica.
A continuación se tiene un gráfico que muestra el trabajo esencial del sistema del
NOx, con las interacciones entre NO y NO2 en la izquierda y la producción /deslave de
HNO3 a la derecha:
Luz solar
NO2(g) + O2(g) + hidrocarburos ----------> CH3CO-OO-NO2(g)
En las ecuaciones que siguen sustituimos los componentes cinéticos para cada uno
de los valores de R:
En cada caso asumimos que la constante de velocidad de la fotolisis para NO2 (R1
anterior) is:
kNO2 = 0.533 min-1
Uso de UNTSIM
Usando el simulador UNTSIM para el primer supuesto tenemos:
10-Jun-2006
ESTE PROGRAMA CALCULA LA CONCENTRACION DE
GASES QUE FORMAN EL SMOG FOTOQUIMICO
*********************************************************
Conncentración inicial de CO (ppb): 50
Conncentración inicial de NO (ppb): 10
Conncentración inicial de NO2 (ppb): 10
Temperatura (K): 298
Tiempo de simulación (min): 180
-------------------------------------------------
LA LAS CONCENTRACIONES AL CABO DE 180 MINUTOS SON
-------------------------------------------------
COppb : 49.8923 partes por billon
NOppb : 10.3929 partes por billon
NO2ppb: 8.60587 partes por billon
O3ppb : 16.5759 partes por billon
-------------------------------------------------
>>
Y las gráficas:
10
9.5
NO2 ppb
8.5
0 20 40 60 80 100 120 140 160 180
Tiempo (minutos)
50
49.95
CO ppb
49.9
49.85
0 20 40 60 80 100 120 140 160 180
Tiempo (minutos)
10.6
10.4
NO ppb
10.2
10
0 20 40 60 80 100 120 140 160 180
Tiempo (minutos)
22
20
O3 ppb
18
16
0 20 40 60 80 100 120 140 160 180
Tiempo (minutos)
CAPITULO
6
OPTIMIZACION DE SISTEMAS
El problema de la dieta, conocido por este nombre, fue uno de los primeros problemas
sobre optimización, motivado por el deseo del ejercito americano de asegurar unos
requerimientos nutricionales al menor coste. El problema fue analizado y resuelto por
George Stigler usando la programación lineal en 1947.
Vamos a ver un ejemplo muy sencillo de este tipo de problema.
Un medico receta a una de sus pacientes una dieta especial basada en tres productos (arroz,
pescado y verduras frescas) que han de combinarse de manera que cumplan una serie de
requisitos mínimos en cuanto a proteínas y calorías. Estos mínimos se sitúan en 3 unidades
de proteínas y en 4000 calorías.
Los productos que componen la dieta tienen las siguientes unidades por kilogramo: el arroz
contiene 1 unidad de proteína y 2000 calorías, el pescado tiene 3 unidades de proteínas y
3000 calorías y, por ultimo, las verduras frescas poseen 2 unidades de proteínas y 1000
calorías.
a) Si los precios de los tres productos básicos son respectivamente de 55, 125 y 55 pesetas
el kilogramo, ¿ Cuál debe ser la combinación de productos que cubriendo las
necesidades mínimas suponga un menor coste?.
b) Si aumenta el precio del pescado, y este pasa a ser de 140 pesetas. ¿La solución seguirá
siendo optima?. Si la respuesta es negativa, cual será la nueva solución?
c) Si disminuye el precio del pescado, y este pasa a ser de 105 pesetas. ¿La solución
seguirá siendo optima?. Si la respuesta es negativa, cual será la nueva solución?
d) Si el medico recomienda aumentar el numero de calorias por dia, pasando a 4500
calorias diarias. ¿La solución seguirá siendo optima?. Si la respuesta es negativa, cual
será la nueva solución?
Solución
2. La función objetivo es Z:
MINIMIZAR Z = 55X1 + 125X2 + 55X3
Calorias
2000X1 + 3000X2 + 1000X3 ≥ 4000
Proteinas
X1 + 3X2 + 2X3 ≥ 3
Debemos cambiar el signo de las restricciones para poder ingresarlas en código Matlab,
con lo cual el enunciado del problema será:
a) Minimizar
Z = 55X1 + 125X2 + 55X3
Calorías
-2000X1 - 3000X2 - 1000X3 ≤ -4000
Proteínas
-X1 - 3X2 - 2X3 ≤ - 3
Uso de UNTSIM
El simulador UNTSM posee una rutina para minimizar una función objetivo, para
ingresar seleccionamos del Menú Principal: Cálculos de Ingeniería Química-
Optimización – Programación lineal
>>
Copyright 2002 UNT
MSc. Luis Moncada
All rights reserved
RESTRICCIONES DE DESIGUALDAD
Ingresar Matriz de Coeficientes de las restricciones [ ]
: [-2000 -3000 -1000; -1 -3 -2]
Ingresar vector del lado derecho de las restricciones [ ]
: [-4000; -3]
RESTRICCIONES DE IGUALDAD
Ingresar Matriz de Coeficientes de las restricciones [ ]
: []
Ingresar vector del lado derecho de las restricciones [ ]
: []
Limites inferiores de las variables (vector): [0; 0; 0]
Limites superiores de las variables (vector): []
Optimization terminated.
x =
1.6667 <-- kg de arroz
0.0000 <-- kg de pescado
0.6667 <-- kg de verduras
fval =
128.3333 <-- Costo de la dieta
x =
1.0000 <-- kg de arroz
0.6667 <-- kg de pescado
0.0000 <-- kg de verduras
fval =
125 <-- Costo de la dieta
fval =
137.5000 <-- Costo de la dieta
Solución
Planteo
Cantidad Precio Almacenamiento Contaminación
Tableros X1 100 20 0.02
Cajas X2 50 10 0.03
1.- Variables:
Maximizar: Z = 100 X1 + 50 X2
Emisiones máximas
0.02 X1 + 0.03 X2 ≤ 1
4.- Enunciado:
Maximizar Z = 100 X1 + 50 X2
Sujeta a las restricciones
20 X1 + 10 X2 ≤ 2000
0.02 X1 + 0.03 X2 ≤ 1
Uso de UNTSIM
El simulador UNTSM posee una rutina para minimizar la función objetivo, por lo que para
usar en maximización debemos cambiar los signos a la función objetivo con lo cual el
enunciado será:
Minimnizar Z = -100 X1 - 50 X2
Sujeta a las restricciones
20 X1 + 10 X2 ≤ 2000
0.02 X1 + 0.03 X2 ≤ 1
X1 ≥ 0
X2 ≥ 0
RESTRICCIONES DE DESIGUALDAD
Ingresar Matriz de Coeficientes de las restricciones [ ]
: [20 10; 0.02 0.03]
Ingresar vector del lado derecho de las restricciones [ ]
: [2000; 1]
RESTRICCIONES DE IGUALDAD
Ingresar Matriz de Coeficientes de las restricciones [ ]
: []
Ingresar vector del lado derecho de las restricciones [ ]
: []
Limites inferiores de las variables (vector): [0; 0]
Limites superiores de las variables (vector): []
Optimization terminated.
x =
50.0000
0.0000
fval =
-5.0000e+003
De la respuesta del programa se tiene que la utilidad máxima satisfaciendo todas las
restricciones se tiene cuando se pintan 50 tableros y 0 cajas.
La Utilidad máxima es 5000,00 (volvemos a cambiar el signo )
Problema. Las descargas de aguas de desecho de las grandes ciudades son con frecuencia,
la causa principal de la contaminación en un rió. La Fig. 1 ilustra el tipo de sistema que un
ingeniero ambiental podría enfrentar. Varias ciudades están localizadas sobre un río y sus
afluentes.
El problema es determinar el nivel de tratamiento que satisfaga los estándares de
calidad del agua a un costo mínimo.
P1 P2
WWTP2 W2
WWTP1 •2
W1
1•
23
P4
13 3
• WWTP4
W3 34
W4
WWTP3 •
4
P3 45
Fig. 6.1 Cuatro plantas de tratamiento de aguas de desecho que descargan contaminantes
a un sistema de ríos. Los segmentos del río entre las ciudades están indicados
con números dentro de un círculo
Cada ciudad genera contaminación a una razón de carga P que tiene unidades de
miligramos por día (mg/día). La carga contaminante está sujeta al tratamiento de desechos
que resulten de una remoción fraccional x. Así, la cantidad descargada al río es el exceso
no removido por el tratamiento,
Wi = (1 – xi)Pi (1)
donde
Wi = descarga de desechos desde la ciudad i-ésima.
Pi = generación de contaminantes por la ciudad i (mg/día)
x = fracción de contaminantes removida
Wi + Qu Cu
ci = (2)
Qi
donde
Qu = flujo (litros/día),
cu = concentración (mg/litro) en el río inmediatamente corriente arriba de la descarga
Qi = flujo corriente abajo del punto de descarga (litro/día).
(1 − x1 ) P1
c1 =
Q13
(1 − x 2 ) P2
c2 =
Q23
(3)
R13 Q13 c1 + R23 Q23 c 2 + (1 − x 3 ) P3
c3 =
Q34
R34Q34 c3 + (1 − x4 ) P4
c4 =
Q45
donde
Z = es el costo diario de tratamiento ($ 1 000/día).
La pieza final en la “decisión rompecabezas” involucra regulaciones ambientales.
Para proteger los usos benéficos del río (por ejemplo, paseos en bote, pesca, tomar un
baño), las regulaciones indican que la concentración del río no debe exceder un estándar de
calidad cs.
En la tabla 1. se resumen los parámetros para el sistema del río de la Fig. 1. Advierta
que hay una diferencia en los costos de tratamiento entre las ciudades corriente arriba (1 y
2) y corriente abajo (3 y 4) por la naturaleza impredecible de las plantas corriente abajo.
La concentración se puede calcular con la ecuación (3) y el resultado se enlista en la
columna sombreada para el caso donde no se implementó tratamiento de aguas (es decir,
donde todas las x = 0). Observe que el estándar de 20 mg/litro se viola en todos los puntos
de mezclado.
Tabla 1. Parámetros para las cuatro plantas de tratamiento de aguas de desecho que
descargan contaminantes a un sistema de ríos, junto con los resultados de
concentración (ci) para tratamiento cero. También se enlista el flujo, el factor de
remoción y los estándares para los segmentos del río
Hemos optado por usar la programación lineal para determinar los niveles de tratamiento
que satisfacen los estándares de calidad del agua un mínimo costo. También, se evaluará
el impacto al hacer el estándar más restringido debajo de la ciudad 3. esto es, el mismo
caso pero ahora con los estándares para los segmentos 3 – 4 y 4 – 5 disminuidos a 10
mg/litro.
Todos los factores antes mencionados se pueden combinar en el siguiente problema
de programación lineal:
(1 − x1 ) P1
≤ c S1
Q13
(1 − x 2 ) P2
≤ cS 2
Q23
(6)
R13 Q13 c1 + R23 Q23 c 2 + (1 − x 3 ) P3
≤ cS 3
Q34
R34 Q34 c3 + (1 − x 4 ) P4
≤ cS 4
Q45
0 ≤ x1, x2, x3, x4 ≤ 1 (7)
El problema se puede resolver por una variedad de paquetes tales como LINDO,
MATLAB, EXCEL, etc.
O lo que es lo mismo:
- 100 x1 ≤ -80
- 40 x2 ≤ -20
- 36.3636x3 ≤ -27.2727
-10x4 ≤ -2.4872
con
0 ≤ x1, x2, x3, x4 ≤ 1
>> untsim
RESTRICCIONES DE DESIGUALDAD
Ingresar Matriz de Coeficientes de las restricciones [ ]
: >> [-100 0 0 0; 0 -40 0 0; 0 0 -36.3636 0; 0 0 0 -10]
Ingresar vector del lado derecho de las restricciones [ ]
: >> [-80; -20; -27.2727; -2.4872]
RESTRICCIONES DE IGUALDAD
Ingresar Matriz de Coeficientes de las restricciones [ ]
: []
Ingresar vector del lado derecho de las restricciones [ ]
: []
Limites inferiores de las variables (vector): []
Limites superiores de las variables (vector): []
Optimization terminated.
x =
0.8000
0.5000
0.7500
0.2487
fval =
18.0872
output =
iterations: 4
algorithm: 'large-scale: interior point'
cgiterations: 0
message: 'Optimization terminated.'
**********************************************
Hacer análisis de sensibilidad si(1) no(0): 0
De la respuesta del programa se tiene que el costo mínimo de tratamiento satisfaciendo las
restricciones impuestas es de :
Este costo mínimo se consigue cuando las fracciones de remoción son las siguientes:
x1 = 0.8000
x2 = 0.5000
x3 = 0.7500
x4 = 0.2487
Problemas
Los productos dan utilidades de $2 500, – $50 3 y $200 por tonelada para Z1, Z2 y Z3
respectivamente. Observe que al producir Z2 se obtiene de hecho una pérdida. El costo
del proceso de tratamiento es de $300 por tonelada. Además, la compañía tiene acceso
a un límite de 7 500 y 10 000 toneladas de X y Y durante el periodo de producción.
Determine qué cantidad de productos y desechos se deben crear para maximizar las
utilidades.
CAPITULO
7
MODELOS DE RECICLO
7.1.1 Introducción
La valoración del ciclo de vida (LCA) es un acercamiento holístico que analiza las
consecuencias medioambientales asociadas con el ciclo de vida de un proceso o el
producto. Enfoca los flujos de materiales y energía desde la extracción de materias primas
hasta la fabricación del producto y al manejo de residuos. Mediante la aplicación de estas
valoraciones, puede mejorarse la actuación medioambiental de la industria
Allen y Rosselot1 dan un buen resumen sobre este campo de crecimiento rápido, y
los distintos medios de comunicación también se han consagrado a estos asuntos (vea las
referencias). Como fuera indicado por Allen y Rosselot, la LCA consiste de tres
componentes: (1) la valoración del inventario (para las basuras, emisión, los materiales
crudos, y uso de energía), (2) la valoración de impacto medioambiental, y (3) el análisis de
mejora (para reducir el impacto medioambiental). En las condiciones más familiares,
significa (1) hacer un balance de materia y energía en un contexto más grande (el
ambiente biofísico) y (2) buscar modelos para el uso eficaz de los recursos. El libro por
Allen y Rosselot1 ofrece varios ejemplos buenos, por ejemplo, envases de comestibles de
papel versus de polietileno, etc.
Cualquier uso eficaz de los recursos implica producción de material de reciclo por
consiguiente, estamos tratando con una variedad de reciclos en la LCA, y es importante
rastrear los flujos de materiales en la valoración del inventario del ciclo de vida. Es más,
desde la perspectiva ecológica industrial la meta final para el desarrollo sustentable es
cerrar los ciclos de materiales, lo cual permita el reciclo total (por ejemplo, se recicla
100%). Es importante reconocer las implicaciones de tal tendencia sobre los negocios y
las prácticas de diseño. Debe enfatizarse que el material de reciclo no siempre es favorable
para todos los productos y, nuevamente, la LCA proporciona la evaluación apropiada.
La mayoría de las LCA tratan con el aspecto estático de reciclado. Los aspectos
dinámicos de la LCA han recibido pequeña atención hasta no hace poco. La naturaleza del
material reciclado da como resultado lazos positivos de reciclo (retroalimentación). Esto, a
su vez, da una muy única conducta dinámica. La retroalimentación positiva se observa en
muchas disciplinas de ciencia e ingeniería. Los reciclos de material e integración de
energía en los procesos químicos son típicamente ejemplos de retroalimentación positiva.
Recursos naturales
Energía, materiales
Adquisición de materias primas
Energía, materiales
Manufactura de materiales
Ej Acero delos automóviles en forma de lingotes, madera del mobiliario usado en papel
Ej. pigmentos de minerales, solventes
Las emisiones aéreas, los y plásticos de derivados del petróleo,
residuos sólidos, residuos papel y madera de los árboles
líquidos
Energía, materiales
Manufactura de productos
RECICLO DE MATERIAL
Ej. cuerpos de automóvil del acero,
Las emisiones aéreas, los
REMANUFACTURA DEPRODUCTO
pinturas de pigmentos y solventes,
residuos sólidos, residuos muebles de madera
líquidos
Ej Papel periódico
Ej Botellas de vidrio recambiadas
RECICLO DE PRODUCTO
Energía, materiales
Usos del producto
Ej. aplicación de pintado y secado,
Las emisiones aéreas, los manejo de un automóvil
residuos sólidos, residuos
líquidos
Energía, materiales
Disposición del producto
GR(s)
R(S)
KR 0.8
GR(s) = = (7.3)
τs + 1 6 s + 1
La constante de tiempo del ciclo, τ, depende del mecanismo de reciclo, así como de
los incentivos proporcionados. Generalmente esta es la constante de tiempo dominante en
la estructura del reciclo (Figura 7.3). La dinámica de producción es relativamente rápida
comparada a la dinámica de reciclo, debido a que los cambios de producción pueden
hacerse en horas comparado a la constante de tiempo de meses en el reciclo. Por lo tanto es
razonable asumir la siguiente dinámica de producción:
GP(s) = 1 (7.4)
1− KR
GW(s) = (7.5)
τW s + 1
P(s) G P (s)
= (7.7)
F ( s ) 1 − G P ( s )G R ( s )
P( s) 1 τs + 1 τs + 1
= = (7.8)
F ( s) 1 − K R τ τs + (1 − K R )
s +1
1− KR
» ta=0.5;
» kr=0;
» num=[ta, 1];
» den=[ta, (1-kr)];
» step(num,den);
» xlabel ('Años');
» ylabel('P');
KR = 0
2
1.5
1
P
0.5
0
0 5 10 15 20
Años
(a)
KR = 0.5
2
1.8
1.6
P
1.4
1.2
1
0 2 t 95 4 6 8 10
Años
(b)
KR = 0.9
10
6
P
2
t95
1
0 5 10 15 20 25 30
Años
(c)
Figura 7.4 Respuestas ante cambio en la demanda
2. El reciclo hace que la constante de tiempo entre las materias primas suministradas (F) y
la producción completa (P) sea grande. Esto significa que tendremos una fabricación
de producto lenta como consecuencia de usar materiales reciclados. En otras palabras,
se hace más y más difícil alcanzar la demanda de los consumidores ( tal como un
incremento arbitrario en P). La razón por la cual el proceso de reciclo toma un tiempo
que no puede acelerarse por ningún mecanismo de producción. Es más, como estamos
cerrando el ciclo de (KR → 1), la constante de tiempo tiende al infinito (τ/(1 – KR)
→ ∞) por decir, esto toma un tiempo extremadamente grande para satisfacer la
demanda). Este es el lado negativo del uso de material reciclado que no puede ser
previsto a menos que sea considerado el aspecto dinámico.
Nuevamente haremos uso del ejemplo del material reciclado para ilustrar esto.
Recordando que la constante de tiempo del reciclo es 6 meses (τ = 6). Si estaríamos en
un mundo primitivo donde no se recicla, KR = 0, las materias primas suministradas
pueden inmediatamente satisfacer la demanda del mercado. La Figura. 7.4a muestra
que un incremento en escalón de F es directamente reflejado en la producción (P). Sin
embargo la Fig. 4B indica que si el 50 % de botellas provienen de reciclo, toma casi
27.6 meses en conseguir el 95 % del valor al estado estacionario (t95). Aun, peor,
cuando nos acercamos al cierre del ciclo de material (tal como KR = 0.9 en la Figura.
4C toma casi 15 años para reflejar este cambio ( para alcanzar el 95% del valor al
estado estacionario).
Nosotros hemos visto solamente la parte superior e inferior de cerrar el ciclo del
material. Parece bastante obvio el aumento en la utilización de materiales de reciclo lo cual
indica un aumento en KR, lo cual será la norma para muchos procesos industriales en el
futuro. Como pueden las industrias cubrir tal tendencia?. Una posible solución para cubrir
la demanda es usar un inventario extra.
τ
s +1
1− KR
F(s) = (1 – KR) P( s) =
τs + 1
τ
s +1
1− KR 1 1− KR K τ
(1 – KR ) = + R (7.9)
τs + 1 s s τs + 1
La Ecuación. 7.9 indica que el suministro de materias primas está compuesto por dos
partes: la parte de suministro continuo [tal como (1 – KR)/s] y la parte se suministro por
inventario [tal como KRτ / (τs +1)]. Nosotros podemos averiguar cuanto inventario es
necesario para un incremento en la unidad de escalón de la demanda (por ejemplo un
aumento en una unidad de P). La transformada inversa de Laplace de la parte
correspondiente al inventario en la Ecuación. 7.9 da:
⎛ K Rτ ⎞
F(t) = ∠ ⎝ τs + 1 ⎟⎠ = KR e -t/τ
-1 ⎜
(7.10)
Para las materias primas, el inventario para satisfacer la demanda está dado por:
∞
FI = ∫
0
F (t )dt = KRτ (7.11)
KR
τF = τ (7.12)
1− KR
Esto muestra que para cada aumento de una unidad de escalón en P, necesitamos un
stock de materias primas para el tiempo de τF con respecto a su valor al estado
estacionario. Para la compañía de gaseosas del ejemplo con KR = 0.8 y τ = 6, a 20 por
ciento de incremento en las ventas, implica que deben hacerse 20 000 botellas más ( ΔP =
0.2 P = 20 000) y esto implica un inventario extra de 96 000 botellas nuevas (FI =
KRτΔP). Debido a que el suministro al estado estacionario de botellas nuevas para este
incremento es solamente de 4000 botellas nuevas [ΔF = (1 – KR)ΔP), esto corresponde a un
inventario de “24 meses” (τF = F1/ΔF = 96 000/4000 = 24) de tal manera que pueda
cubrirse la demanda instantánea del mercado. Es obvio que esto no es práctica común. A
medida que cambia el suministro de materias primas (F) para satisfacer la demanda del
mercado y el reciclo del material (R) va en aumento lento hasta alcanzar el valor al estado
estacionario. Notar también que, para F, la razón del máximo valor al valor final al estado
estacionario es 5 [1/(1 – KR)] lo cual excede lejos a la razón de retorno de la mayoría de
plantas de procesamiento continuo.
Para un incremento de P(s) en una unidad de escalón [por ejemplo P(s) = 1/s] y
asumiendo que F(s) permanece con el valor al nuevo estado estacionario [por ejemplo F(s)
= (1 – KR )/s] obtenemos:
K Rτ
RI(s) = (7.14)
τs + 1
RI = KRτ (7.15)
1 − K R (1 − K R ) K Rτ
F(s) = + (7.17)
s τs + 1
K R K Rτ
RI(s) = (7.18)
τs + 1
FI = (1 – KR)KRτ (7.19)
RI = K R2 τ (7.20)
τF = τR = KR τ (7.21)
La Ecuación 7.21 muestra que los tiempos de residencia para el inventario extra son
el producto de la razón de reciclo y la constante de tiempo del reciclo, y estos son los
mismos para ambos casos. Debido a que la razón de reciclo siempre es menor que 1, para
el extremo, el tiempo de residencia se aproxima a la constante de tiempo del reciclo. Notar
que esto es probablemente lo mas necesario para la mayoría de plantas de procesamiento.
Nuevamente para el ejemplo de reciclo de producto, una razón de reciclo de 80 % y una
constante de tiempo de reciclo de 6 meses, necesitamos tener inventarios de “4,8 meses”
tanto para materias primas como para materiales reciclados, para conseguir satisfacer la
demanda del mercado. El análisis muestra que el flujo de materia prima rebasa su valor al
estado estacionario, mientras que el flujo de material reciclado no alcanza su valor al
estado estacionario. La razón de la demanda máxima al valor final al estado estacionario es
1.8 ( por ejemplo, 1 + KR ) para las materias primas. Para el material reciclado, la demanda
inicial es 80 % de su valor al estado estacionario (por ejemplo KR). Para el procesamiento
de material reciclado la razón de retorno es “1,25”, lo cual es bastante aceptable. Sin
embargo para el suministro de materias primas, la razón alcanzará eventualmente un valor
de “2” cuando nos aproximamos a cerrar el ciclo del material (cuando KR → 1).
Nuevamente este es un límite alto para la mayoría de diseños de ingeniería.
La razón para inventarios extras grandes y/o grandes razones de retorno se debe al
bajo suministro de materiales reciclados (debido a que la velocidad de reciclado depende
del consenso de nuestra sociedad). El problema igualmente se pondrá mas difícil cuando
nos acerquemos a nuestra meta final: cerrando el ciclo del material (cuando KR → 1). Esto
mismo lleva a una práctica muy desfavorable en las industrias de proceso, y
eventualmente, el precio deberá ser pagado por el consumidor. La perdida de inventario
para un incremento en la unidad de escalón en la demanda del mercado, puede ser
expresado analíticamente como “KRτ”. En otras palabras, este inventario adicional es
necesario para proporcionar sensibilidad al sistema de retroalimentación positiva (por
ejemplo respuesta instantánea a cambios en la producción). Es interesante notar que esto es
simplemente el producto de la razón de reciclo (KR) y la constante de tiempo del reciclo
(τ).
Debido a que el reciclo de materiales es siempre una política importante en muchos
gobiernos locales y nacionales, nos anticipamos a un aumento en la cantidad de reciclo
(por ejemplo la fracción de producto reciclado). Desafortunadamente como se ha notado,
esto hace que la dinámica del sistema disminuya y se necesite mayores inventarios en el
futuro. Sin embargo, en este trabajo, damos un hecho menos conocido que la velocidad de
reciclo es también importante, es decir, cuan pronto puso Ud. Las botellas, los periódicos,
etc. en el sistema de reciclo. En particular la constante de tiempo del reciclo, τ, es una
buena medida de la velocidad de reciclado. Acortando la constante de tiempo del reciclo
puede efectivamente aumentar la velocidad de la dinámica del sistema total, y,
subsecuentemente puede aliviar los problemas de inventario. Considerar un producto
industrial como ejemplo de reciclo. Las ventas de la bebida XY en el verano son 2 700
000 botellas/mes con una razón de reciclo de 86,8 %. Normalmente la constante de tiempo
del reciclo es de alrededor de 2,5 meses (τ = 2.5). Para satisfacer un incremento de 20 % en
la demanda, necesitamos, necesitamos 1 200 000 botellas nuevas como inventario
adicional, dado de FI = KRτΔP = (0.868)(2.5)[(0.2)(2 700 000)] = 12 x 106. de otro lado si
el tiempo del ciclo es reducido a 1 mes, el inventario adicional es solamente 40 % de la
figura original, por lo que FI = 4.7 x 105. Este ejemplo muestra claramente la importancia
de la reducción de la constante de tiempo de reciclo en el alivio de los problemas de
retroalimentación positiva. Es mas, hay forma suficiente de mejorar (por ejemplo τ → 0).
Con tal de que con los incentivos, puedan darse políticas de tal manera que podamos
acercarnos al cierre del ciclo del material manteniendo la sensibilidad del mecanismo de
producción.
Nomenclatura
Símbolos griegos
CAPITULO
8
USO DE LOS SIMULADORES
Modelos de dispersión
Modelos fotoquímicos
Modelos receptores
concentraciones del receptor seleccionado en posiciones a favor del viento. Estos modelos
de calidad de aire se usan para determinar las regulaciones de conformidad con la
"Nacional Ambient Air Quality Standards" (NAAQS), y otros requisitos reguladores como
la "Nuevo Source Review" (NSR) y "Prevention of Significativas Deterioration" (PSD).
Los principales modelos de dispersión recomendados por la EPA son: AERMOD,
CALCPUFF, BLP, CALINE3, CAL3QHC/CAL3QHCR, CTDMPLUS, y OCD.
Caso de Estudio:
Este caso de diseño modela una secuencia de tres unidades para remover partículas
de sólido (Polvo) y un compuesto orgánico volátil (Acetona) de una corriente de aire con
un flujo volumétrico de alrededor de 8,500 m3/h.
La mayor parte de las partículas grandes son removidas usando un ciclón (CY-
101). Un filtro de manga (BHF-101) se usa para quitar las partículas restantes. La acetona
es capturada usando a un "scrubber". El agua fue seleccionada como el líquido de lavado
porque la acetona es altamente soluble en agua. Un "scrubber" con un diámetro de 1.8 m y
una altura de 5.58 m es requerido para remover 99.95 % de acetona.
Noto que el absorbedor puede estimar eficiencia de extracción si está de moda
Evaluar a Mode y usted especifica sus dimensiones (el diámetro y la altura).
Solución
1. Inicializar el flowsheet usando los tres ítems del menú Tasks: Set Mode of Operation,
Register Components & Mixtures, y si el modo de operación es batch, Recipe
Scheduling Information.
En este caso seleccionamos: Operación continua
3. Adicionar operaciones, tales como Charge, Agitate, Heat, React, etc. A cada unidad de
procedimiento (esto se aplica a procedimientos batch solamente). La diferentes unidades de
procedimientos tienen diferentes operaciones disponibles para ellas. Después que se han
adicionado las operaciones deseadas, inicializar todas las operaciones y corrientes.
4. Complete el análisis del flowsheet usando los ítems restantes del menú Tasks: Solve M&E
Balances, entrada de datos Stream Classification, Perform Economic Calculations, etc.
Otros análisis pueden ser opcionalmente efectuados.
6. Generar y ver las reportes usando los ítems del menú Reports. Use el menú View par ver
los resultados del análisis y gráficos.
Del balance de materiales podemos ver que la corriente S-107 contiene 0.0005 %
de acetona (5 en masa)
De igual manera podemos ver los componentes de las demás corrientes y tomar
acciones sobre el diseño de las unidades de procedimiento para obtener los resultados
deseados.
DAILY THROUGHPUTS
TOC kg C/d 74400.0 0.0 0.0 0.0 37.2
COD kg O/d 264480.0 0.0 0.0 0.0 132.2
ThOD kg O/d 264480.0 0.0 0.0 0.0 132.2
BODu kg O/d 235387.2 0.0 0.0 0.0 117.7
BOD5 kg O/d 211848.5 0.0 0.0 0.0 105.9
TKN kg N/d 0.0 0.0 0.0 0.0 0.0
NH3 kg N/d 0.0 0.0 0.0 0.0 0.0
NO3/NO2 kg N/d 0.0 0.0 0.0 0.0 0.0
TP kg P/d 0.0 0.0 0.0 0.0 0.0
TS kg Slds/d 0.0 0.0 0.0 0.0 0.0
TSS kg Slds/d 0.0 0.0 0.0 0.0 0.0
VSS kg Slds/d 0.0 0.0 0.0 0.0 0.0
DVSS kg Slds/d 0.0 0.0 0.0 0.0 0.0
TDS kg Slds/d 0.0 0.0 0.0 0.0 0.0
VDS kg Slds/d 0.0 0.0 0.0 0.0 0.0
DVDS kg Slds/d 0.0 0.0 0.0 0.0 0.0
===========================================
STREAM NAME S-108
SOURCE P-3
DESTINATION OUTPUT
===========================================
STREAM PROPERTIES
ACTIVITY U/ml 0.0
TEMP °C 25.0
PRES bar 1.0
TOC mg C/l 6119.5
COD mg O/l 21753.8
ThOD mg O/l 21753.8
BODu mg O/l 19360.9
BOD5 mg O/l 17424.8
TKN mg N/l 0.0
NH3 mg N/l 0.0
NO3/NO2 mg N/l 0.0
TP mg P/l 0.0
TS mg Slds/l 0.0
TSS mg Slds/l 0.0
VSS mg Slds/l 0.0
DVSS mg Slds/l 0.0
TDS mg Slds/l 0.0
VDS mg Slds/l 0.0
DVDS mg Slds/l 0.0
DAILY THROUGHPUTS
Total Waste
------------------- = 0.000
Main Revenue Stream
Solid Waste
------------------- = 0.000
Main Revenue Stream
Liquid Waste
------------------- = 0.000
Main Revenue Stream
Emissions
------------------- = 0.000
Main Revenue Stream
****************************************
* *
* Waste-to-Raw-Materials Indices *
* *
****************************************
Total Waste
--------------- = 0.000
Raw Materials
Solid Waste
--------------- = 0.000
Raw Materials
Liquid Waste
--------------- = 0.000
Raw Materials
Emissions
--------------- = 0.000
Raw Materials
Page 1
========================================
Source P-3
Designation C-101
kg/h
CATEGORY Actual Permit
SUB-CATEGORY Maximum Allowable
Total Particulate 0.000 0.227
Biological 0.000 0.000
Radionuclide 0.000 0.000
Cr6 0.000 0.000
Metal 0.000 0.000
Asbestos 0.000 0.000
Dioxin 0.000 0.000
LOC 0.000 0.000
HAP-Particulate 0.000 0.000
Other Particul. 0.000 0.000
Total VOC 2.500 0.000
VCM 0.000 0.000
TVOS 0.000 0.000
EVOS 0.000 0.000
HAP-VOC 0.000 0.000
Other VOC 2.500 0.000
Acid Gases 0.000 0.000
HAP-Acid 0.000 0.000
Acid 0.000 0.000
ETG 0.000 0.000
HAP-Gas 0.000 0.000
Non-HAP 0.000 0.000
CO 0.000 0.000
NOx 0.000 0.000
SO2 0.000 0.000
BASE 0.000 0.000
========================================
Page 2
===========================================
CATEGORY TOTAL ACTUAL FROM
SUB-CATEGORY EXPERIMENT (kg/day)
Total Particulate 0.000
Biological 0.000
Radionuclide 0.000
Cr6 0.000
Metal 0.000
Asbestos 0.000
Dioxin 0.000
LOC 0.000
HAP-Particulate 0.000
Other Particulate 0.000
CO 0.000
NOx 0.000
SO2 0.000
BASE 0.000
===========================================
En este reporte las emisiones estan clasificadas según la EPA y nos indica la
cantidad individual y total de emisiones así como la unidad de procedimientos de la cual
provienen.
BIBLIOGRAFIA
1. Allen, D. T.; Rosselot, K. S. Pollution Prevention for Chemical Processes; Wiley: New
York, 1997.
3. Batschelet, Edward. 1976. “Introduction to mathematics for life scientists”. 2nd ed.
New York: Springer-Verlag
6. D.M. Himmeblau and K. Bischoff, “ Process Analysis and Simulation” , Edit. Prentice
Hall, 1972.
7. Doucet, P. and P.B. Sloep. 1992. “Mathematical modeling in the life sciences. Ellis
Horwood series in mathematics and its applications”. New York: E. Horwood.
8. Edelstein-Keshet, Leah. 1988. “Mathematical models in biology. 1st ed”. New York:
McGraw-Hill.
9. Eisen, Martin M. 1988. “Mathematical methods and models in the biological sciences”.
Vol 1. N.J.: Prentice Hall.
10. Eisen, Martin M. 1988. “Mathematical methods and models in the biological sciences”.
Vol 2. N.J.: Prentice Hall.
11. Ford, A. 1999. “Modeling the Environment”. Island Press, Washington, DC. 401pp.
13. Gow, Tracy and Pidwirny, Michael. “Photochemical Smog.” October 17, 1996
15. Lees, F.P. “Loss Prevention in the Process Industries” Londres, Butterworth & Co.
Ltd., 1980, 2 Vo/s., 1316 págs.
16. Maynard Smith, John, 1982. “Mathematical Ideas in Biology”. Cambridge; New York:
Cambridge University Press.
17. Mazumdar, J. 1989. “An introduction to mathematical physiology and biology”. New
York: Cambridge Univ. Press.
20. Pagano, R.N. 1990. “Minitab in Understanding statistics in the behavioral sciences”.
West: St. Paul.
22. Pielou, E. C., 1969. “An introduction to mathematical ecology”. New York: Wiley-
Interscience.
23. Renshaw, Eric. 1991. “Modelling biological populations in space and time”. New
York: Cambridge University Press.
24. Sax, N. I., “Industrial Pollution” Nueva York, Van Nostrand Reinhold Company,
1974, 702 págs.
26. Zolman, J.F. 1993. Biostatistics. New York, Oxford University Press.