Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Introduccin
Simulacin y Optimizacin
Cuando alguien tiene la responsabilidad de conducir un sistema dado, como por ejemplo: un
banco, una ciudad, y en especial una planta qumica, debe tomar continuamente decisiones
acerca de las acciones que ejecutar sobre el sistema. Estas decisiones deben ser tales que la
conducta resultante del sistema satisfaga de la mejor manera posible los objetivos planteados.
Para valorar la importancia de lo planteado, analice el siguiente problema. El gobierno de un
pas debe decidir la distribucin del presupuesto anual, cunto debe asignar a educacin?,
cunto a salud?, cunto a subsidios?. Es algo difcil de decidir si no se conoce
perfectamente la forma en que el pas ser afectado por cada alternativa analizada. Sin esta
informacin es imposible defender alguna alternativa; si se favorece la educacin a costa de la
salud, el peligro es evidente a corto plazo; si se procede en el sentido opuesto, el peligro ser
evidente a largo plazo. Peor an, tomada la decisin, y pasado el ao de aplicacin del
presupuesto, tanto los ciudadanos como el gobierno no podrn determinar cun adecuado fue
el presupuesto del ao anterior porque no sabrn si exista una mejor alternativa posible para
las condiciones que presentaba el pas en el momento en que se tom la decisin.
Aparentemente, no queda ms remedio que experimentar con cada una de las alternativas a
riesgo de hacer desaparecer el pas.
Para poder decidir correctamente es necesario saber cmo responder el sistema ante una
determinada accin. Esto podra hacerse por experimentacin con el sistema mismo; pero,
como qued de manifiesto en el ejemplo anterior, factores de costos, seguridad y otros hacen
que esta opcin generalmente no sea viable. A fin de superar estos inconvenientes, se
reemplaza el sistema original por otro sistema que, en la mayora de los casos, es una versin
simplificada. Este ltimo sistema, denominado modelo, es utilizado para llevar a cabo las
experiencias necesarias sin los inconvenientes planteados anteriormente. Al proceso de
experimentar con un modelo se denomina simulacin. Al dispositivo completo utilizado,
modelo y accesorios (sensores, registradores, indicadores, etc.), se llama simulador. Por
ejemplo, cuando se disea un puente es comn realizar estudios sobre una maqueta del mismo
a fin de determinar la frecuencia de resonancia, y evitar as que se destruya por accin del
viento. Es tambin prctica generalizada utilizar maquetas de aviones o de autos para realizar
estudios en tneles de vientos a fin de determinar caractersticas aerodinmicas. En la
industria qumica, las plantas pilotos son utilizadas para ensayar nuevos procesos antes de
implementarlos en las plantas reales.
Si el simulador puede reemplazar al sistema real, entonces se denomina emulador. Ejemplos
de emulacin se presentan en el rea informtica. En efecto, los programas que emulan
Windows para computadoras Apple se comportan exactamente igual que el programa original
para PC, los programas que simulan consolas de juegos hacen que la computadora sea
totalmente equivalente a las consolas emuladas.
Por otra parte, determinar la accin que debe realizarse sobre el sistema para que este cumpla
de la mejor manera posible con los objetivos deseados es misin de la optimizacin.
Generalmente, los sistemas en estudio son tan complejos que la solucin analtica de este
problema no es posible. Por lo tanto, la optimizacin debe llevarse a cabo a partir de
resultados experimentales. Es aqu donde la simulacin encuentra su primera aplicacin ya
que es capaz de proveer los datos necesarios a un mnimo costo y sin riesgo. Las tcnicas o
mtodos de optimizacin estn diseados para tomar la mejor decisin requiriendo la menor
cantidad de experimentos.
La Figura 1 muestra cmo se vinculan generalmente la optimizacin con la simulacin. Para
un sistema dado, por ejemplo un reactor, durante el proceso de optimizacin el mtodo de
optimizacin elegido propone una determinada accin, por ejemplo ajustar el set point del
controlador de temperatura a 70 C. La posible respuesta del sistema a la accin propuesta es
obtenida por simulacin. Dicha respuesta es evaluada de acuerdo a un determinado criterio,
por ejemplo mejor la produccin del reactor?. Si la respuesta no es lo suficientemente
buena, se propone una nueva accin, por ejemplo llevar la temperatura a 80 C. Este ciclo se
repite hasta encontrar la accin que produce una respuesta que satisface de la mejor forma
posible el criterio de evaluacin, para este caso: la produccin del reactor. Esta accin y la
correspondiente respuesta es el producto final de un estudio de optimizacin; por ejemplo: se
debe llevar la temperatura a 75 C para obtener la mxima produccin que ser igual a 100
kg/hr.
Optimizacin
Accin
No
Es la mejor?
Simulacin
Accin
y
Respuesta
Respuesta
Aplicaciones de la simulacin
A pesar de las numerosas ventajas que tiene la simulacin, no siempre es la herramienta ms
adecuada. Para decidir si conviene o no emplearla, se deben analizar sus ventajas y
desventajas. La simulacin es de utilidad en las siguientes situaciones:
Simulacin de Sistemas Qumicos. Introduccin. Enrique E. Tarifa.
x
0
(2)
(3)
Esta solucin analtica permite calcular fcilmente las nuevas races cuando se varan los
coeficientes del polinomio. Tambin, es claro que habr problemas cuando el argumento de la
raz cuadrada se haga negativo.
Sin embargo, no siempre es posible obtener una solucin analtica, ya sea por la naturaleza del
modelo o de los experimentos que se desean realizar; en este caso, el modelo deber ser
tratado por algn tipo de mtodo numrico; es decir, se debe recurrir a la simulacin. En ese
estudio, el modelo ser resuelto para un caso particular; y la solucin ser un nmero, un
vector o una matriz, pero no se tendr una funcin analtica. Debido a esto, el anlisis de los
resultados es ms complejo que el requerido por una solucin analtica.
Simulacin de Sistemas Qumicos. Introduccin. Enrique E. Tarifa.
Sistemas
De todo lo planteado, es evidente que la definicin del sistema a analizar, y de sus
caractersticas, es de gran importancia para realizar exitosamente un estudio de simulacin.
Un sistema es una seccin de la realidad que es el foco primario de un estudio y est
compuesto de componentes que interactan con otros de acuerdo a ciertas reglas dentro de
una frontera identificada para el propsito del estudio. Un sistema puede realizar una funcin
que no es realizable por sus componentes individuales. El conjunto de actividades que se
llevan a cabo dentro de un sistema se denomina proceso. Un sistema puede ser o fsico o
simblico, slo uno de los dos. Las ciencias matemticas y lgicas trabajan con estos ltimos.
Los objetos o componentes que forman parte del sistema se denominan entidades, por
ejemplo: un auto est compuesto por un motor, ruedas, carrocera, etc. Estas entidades poseen
propiedades denominadas atributos, por ejemplo: la potencia del motor, y se relacionan entre
s a travs de relaciones o funciones. Estas relaciones pueden ser:
Estticas o estructurales: un auto posee cuatro ruedas.
Dinmicas o funcionales: un auto consume nafta si se enciende el motor.
Los valores asumidos por los atributos de las entidades en un momento dado determinan el
estado del sistema. El estado puede ser esttico o estacionario si se mantiene constante en el
tiempo; o por el contrario, puede ser dinmico o transitorio si evoluciona con el tiempo. Un
sistema puede presentar los dos tipos de conductas; generalmente, cuando inicia su
funcionamiento pasa por un estado dinmico y luego alcanza un estado estacionario o de
rgimen.
Fe,Te
Tm
Wd
M,T
V
I
Rc,W
X1
F1
F2
X2
P2
Cv2
Cv1
Mg
Ml
F3
X3
P3
Cv3
Figura 5: Equipo desgasificador.
10
Fw1, Tw1
Fa1, Ta1
M
Fw2, Tw2
Clasificacin de sistemas
Un sistema puede ser clasificado de acuerdo a lo predecible que sea su conducta en (Law and
Kelton, 1991):
Determinstico: Si el sistema no contiene ningn elemento aleatorio, es un sistema
determinstico. Es decir, las relaciones funcionales entre las variables del sistema estn
perfectamente definidas. En este tipo de sistema, las variables de salidas e internas
quedan determinadas al especificar las variables de entrada, los parmetros y las
variables de estado. El calentador elctrico estudiado es un sistema determinstico.
Estocstico: En este caso, algn elemento del sistema tiene una conducta aleatoria.
Entonces, para entradas y estado conocidas no es posible determinar con seguridad los
valores de salida. Un ejemplo de sistema estocstico es una mquina tragamonedas en
la cual una misma accin (tirar la palanca) genera un resultado incierto (ganar o
perder). En el mundo real, los sistemas siempre tienen elementos estocsticos ya sea
por su propia naturaleza o porque son fenmenos no comprendidos actualmente; por
Simulacin de Sistemas Qumicos. Introduccin. Enrique E. Tarifa.
11
ejemplo, a un caverncola le poda parecer que los eclipses eran fenmenos aleatorios,
hoy ellos son predichos. Sin embargo, se puede considerar a un sistema real con un
sistema determinstico si su incertidumbre es menor que un valor aceptado. Las
personas son sistemas estocsticos; por lo tanto, todo sistema que involucre personas
es estocstico tambin. Por ejemplo: un banco, un hospital, etc.
De acuerdo a su evolucin temporal:
Continuo: Se tiene un sistema continuo cuando las relaciones funcionales entre las
variables del sistema slo permiten que el estado evolucione en el tiempo en forma
continua (basta que una variable evolucione continuamente). Matemticamente, el
estado cambia en infinitos puntos de tiempo. El recipiente del calentador es un
subsistema continuo porque tanto M como T evolucionan en forma continua durante la
operacin del sistema.
Discreto: Se tiene un sistema discreto cuando las relaciones funcionales del sistema
slo permiten que el estado vare en un conjunto finito (contable) de puntos
temporales. Las causas instantneas de los cambios de estados se denominan eventos.
El interruptor del calentador es un subsistema discreto porque la intensidad I slo
puede variar en los instantes que se abre o se cierra el interruptor. La apertura y el
cierre del interruptor son eventos. Los sistemas reales son combinaciones de continuos
y discretos. La forma de tratarlos se adopta de acuerdo a la caracterstica dominante.
Algunos autores prefieren crear una nueva categora para estos sistemas combinados,
la categora: sistemas mixtos.
De acuerdo a la distribucin espacial de sus atributos:
Parmetros concentrados: Los atributos del sistema son independientes de la
posicin. Por ejemplo, el tanque agitado calentado por vapor mostrado en la Figura 7
es un sistema de este tipo porque la temperatura es homognea en todo su interior si se
supone que est bien agitado.
Parmetros distribuidos: Los atributos dependen de la posicin. Por ejemplo, la
distribucin de temperatura a lo largo del tubo interno de un intercambiador de calor
de doble tubo (Figura 8). La temperatura tendr un valor a la entrada, otra a la salida, y
valores intermedios en el interior de los tubos; es decir, es una funcin de la
coordenada espacial x.
Tv
Tv
x
Figura 8: Intercambiador de calor de doble tubo.
12
Clasificacin de modelos
Como ya fue planteado, un modelo es tambin un sistema; por lo tanto, valen todas las
definiciones y clasificaciones que se establecieron anteriormente. Debido a que un modelo es
una simplificacin o abstraccin de un sistema real, no es necesario, salvo en los aspectos
relevantes, que el modelo guarde una total correspondencia con el sistema real. Entonces,
habr casos en que ser conveniente utilizar un modelo discreto para modelar un sistema
continuo (por ejemplo, la integracin numrica de una funcin utilizando la regla del
trapecio), o utilizar un modelo estocstico para modelar un sistema determinstico (por
ejemplo, la integracin numrica por simulacin de Monte Carlo), y todas las combinaciones
posibles.
Modos de simulacin
Como ya se plante anteriormente, cuando se simula se experimenta con un modelo para
obtener ciertos resultados. Un modelo es tambin un sistema por derecho propio, y de acuerdo
a sus variables de salida el modo de simulacin ser (Figura 9):
Anlisis: Es el modo ms empleado, en l las variables de salida del modelo
representan a las variables de salida del sistema real. Este modo se utiliza para estimar
la respuesta del sistema real ante entradas y parmetros especificados. Debido a que
imita un sistema que realmente funciona, el modelo es matemticamente ms estable y
se asegura la existencia de una solucin. Por ejemplo, dado un intercambiador de calor
(esto es, se conoce el rea, la cantidad de pasos por tubos y coraza, los materiales, etc.)
y conocidas las condiciones de las corrientes de entrada, se determinarn las
condiciones de las corrientes de salida.
Diseo: En este modo las salidas del modelo representan a los parmetros del sistema
real. Se utiliza en la etapa de diseo de un equipo donde el problema es determinar los
parmetros para los cuales el sistema producir las salidas deseadas para las entradas
especificadas. Por ejemplo, para el intercambiador de calor, se determinarn las
dimensiones y tipo de intercambiador para que, conocidas las corrientes de entrada, las
corrientes de salida alcancen las condiciones deseadas.
Control: Las variables de salida del modelo representan a las variables de entrada del
sistema real. Este modo sirve para determinar los valores que debern adoptar las
entradas del sistema para producir los resultados deseados. Se utiliza cuando se desea
determinar las condiciones de operacin de un sistema para obtener determinada
conducta. Por ejemplo, se determinarn las condiciones de las corrientes de entrada de
un intercambiador de calor dado para que las corrientes de salidas alcancen las
condiciones deseadas.
P
U
D
X
Modo Anlisis
P
Y
U
D
P
Y
Modo Diseo
U
D
Modo Control
13
Emulacin de modos
Por lo general, los simuladores se operan en modo anlisis dejando al usuario la tarea de iterar
para obtener los resultados provistos por los otros modos. El modo diseo puede ser emulado
iterando con los parmetros hasta conseguir las salidas deseadas (Figura 10). Por ejemplo,
para determinar el rea de un intercambiador de calor conocidas las corrientes de entradas y
especificadas las condiciones de las corrientes de salida (modo diseo), se pueden realizar
varias simulaciones en modo anlisis para un conjunto de valores de rea, y se seleccionar el
rea que produzca las condiciones deseadas para las corrientes de salida. De esta manera, se
emul una simulacin modo diseo a travs de varias simulaciones en modo anlisis.
Proponer
No
P
U
D
Y =Y?
X
En forma similar, si lo que se desea es emular una simulacin en modo control, entonces se
deber iterar variando las condiciones de entrada hasta comprobar que las condiciones de las
salidas sean las deseadas (Figura 11). Para el caso del intercambiador de calor, el problema de
control es determinar a qu temperatura debe ingresar la corriente fra para que el
intercambiador de calor considerado sea capaz de producir la temperatura de salida deseada.
Para ello se iterar variando la temperatura de entrada, para cada valor se realizar una
simulacin en modo anlisis; si la temperatura de salida no es la deseada, se probar con otro
valor de temperatura de entrada. Este ciclo se repetir hasta encontrar el valor de la
temperatura de entrada que produce la temperatura de salida requerida.
Proponer
No
P
U
D
U
D
Y*=Y?
Y*
Modelado
Modelado es el proceso de construccin de un modelo. Un modelo es una representacin de
un objeto, sistema, o idea. Usualmente, su propsito es ayudar explicar, entender o mejorar un
sistema (Shannon, 1988). Los modelos son tiles para:
El pensamiento: Al construir un modelo necesariamente se debe ordenar y completar
el conocimiento que del sistema real se posee.
Simulacin de Sistemas Qumicos. Introduccin. Enrique E. Tarifa.
14
El modelado es un arte. Cualquier conjunto de reglas para desarrollar modelos tiene una
utilidad limitada y slo puede servir como una gua sugerida. El arte de modelar consiste en la
habilidad para analizar un problema, resumir sus caractersticas esenciales, seleccionar y
modificar las suposiciones bsicas que caracterizan al sistema, y luego enriquecer y elaborar
el modelo hasta obtener una aproximacin til. Los pasos sugeridos para este proceso son:
1. Establecer una definicin clara de los objetivos.
2. Analizar el sistema real.
3. Dividir el problema del sistema en problemas simples.
4. Buscar analogas.
5. Considerar un ejemplo numrico especfico del problema.
6. Determinar las variables de inters.
7. Escribir los datos obvios.
8. Escribir las ecuaciones tericas o empricas que describen los fenmenos presentes y
relacionan las variables de inters.
9. Si se tiene un modelo manejable, enriquecerlo. De otra manera, simplificarlo.
Generalmente, simplificar un modelo implica:
Convertir variables en constantes.
Eliminar o combinar variables.
Suponer linealidad.
Agregar suposiciones ms potentes y restricciones.
Restringir los lmites del sistema.
Para enriquecerlo se procede de la forma contraria. Durante el proceso de modelado se debe
alcanzar un equilibrio entre el grado de detalle y el riesgo de falta de exactitud. El mejor
modelo es el modelo ms simple que puede resolver el problema planteado con el grado de
exactitud requerido.
A fin de ejemplificar las etapas de modelado citadas, considere que se desea construir un
modelo para determinar el tiempo y la velocidad de contacto con el suelo de un paracaidista
(Figura 12). El objetivo ya est planteado. El sistema ser el paracaidista. Las caractersticas
esenciales sern la velocidad de descenso, la altura, el tiempo, etc.
El prximo paso es comprender los fenmenos involucrados en el sistema. Es indiscutible que
el principal fenmeno a tener en cuenta es la atraccin gravitacional que tender a hacer caer
al paracaidista. Sin embargo, no es el nico fenmeno involucrado. Una persona no
conocedora del sistema podra realizar las siguientes preguntas inquietantes: si es cierto que la
tierra rota, el paracaidista no ser despedido hacia la estratosfera por la fuerza centrfuga?, o
si es cierto que la tierra se traslada, quin asegura que el paracaidista no terminar de nuevo
en la estratosfera debido a que la tierra no se qued en su lugar?, si la friccin con el aire
genera calor, el pobre diablo no se incinerar completamente antes de llegar a tierra?.
Afortunadamente, los paracaidistas no suelen hacerse estas preguntas, y continan,
ingenuamente, arrojndose al vaco, demostrando de algn modo que los fenmenos fsicos
citados no son relevantes para el caso en cuestin. Entonces, dada la evidencia emprica, se
Simulacin de Sistemas Qumicos. Introduccin. Enrique E. Tarifa.
15
puede concluir que los fenmenos de rotacin, traslacin y friccin no tienen mayores efectos
para el caso que se est estudiando. As planteado, el problema es completamente anlogo a
un inocente problema de cada libre.
Si se trata de un problema de cada libre, la velocidad final de contacto con la tierra ser:
v f = 2 g h0
(4)
Para una altura inicial h0 = 1000 m, la velocidad final ser vf = 140 m/s o 504 km/h. Este
ejemplo numrico sugiere que sera muy conveniente exigir el pago del trabajo de simulacin
al paracaidista mientras est todava en el avin (con vida), o revisar todo el anlisis anterior.
Debido a que se sabe que los paracaidistas por lo general sobreviven a su primer salto,
entonces es evidente que se cometi un error en el modelado. En efecto, el error fue descartar
la friccin. La misma fue descartada porque los efectos trmicos por ella generados eran
despreciables. Sin embargo, no se puede despreciar el efecto de frenado representado por la
fuerza de friccin Fr.
Como se pudo apreciar, el error cometido tuvo un gran impacto en el resultado. El riesgo de
cometer errores de este tipo aumenta con la complejidad del sistema analizado. Es por eso
siempre recomendable plantear algn ejemplo numrico para ser juzgado junto a personas que
conocen profundamente el sistema en estudio.
Se podra pensar que sera recomendable considerar todos los fenmenos involucrados a fin
de no cometer el error de descartar algn fenmeno importante. Sin embargo, esto
complicara innecesariamente el modelo, aumentando el riesgo de cometer errores en la
siguiente etapa: la resolucin del modelo.
Para terminar, se determinarn las variables que representan a las caractersticas esenciales: v,
Fr, h0, etc. y se formularn las ecuaciones que vinculan dichas variables, como por ejemplo:
dv
Fr
= g +
dt
m
dh
(5)
=v
dt
Fr = Cr v 2
donde g es la aceleracin de la gravedad, h es la altura, m es la masa del paracaidista, t es el
tiempo, y Cr es el coeficiente de friccin. Estos atributos se pueden clasificar como:
Variable de entrada no manipulable: t.
Parmetros: g, m y Cr.
Variable interna: Fr.
Variables de estado: v y h.
El modelo es manejable, pero se puede simplificar si es que se determina que la velocidad
terminal (la que equilibra el peso con la fuerza de friccin) se alcanza pronto. Si esto es as, se
podr utilizar un modelo ms simple considerando que la velocidad es constante. Por otra
parte, el modelo se puede enriquecer si se incorpora otra fuerza. En efecto, el paracadas no
slo es frenado por la friccin, sino que tambin es frenado por la fuerza generada por el
cambio de cantidad de movimiento relativo que experimenta el aire al toparse con el
paracadas. Esta fuerza puede ser ms importante an que la friccin.
Simulacin de Sistemas Qumicos. Introduccin. Enrique E. Tarifa.
16
Debido a que se trata de un sistema determinstico continuo, el modelo est constituido por un
conjunto de ecuaciones diferenciales y un conjunto de ecuaciones algebraicas. Las variables
de estado, v y h, figuran en el miembro izquierdo de las ecuaciones diferenciales. Para poder
resolver este modelo es necesario especificar el valor de v y h en algn momento. Si las
variables se especifican en para t = 0, se tiene un problema de valores iniciales. Este tipo de
modelos y de problemas sern objetos de estudio de los siguientes captulos.
17
instantes ti. Esta tabla de datos experimentales puede ser utilizada directamente para estimar
por interpolacin el tiempo requerido para alcanzar una temperatura dada.
Una alternativa ms avanzada es ajustar grficamente una curva t vs. Tm, o ajustar
matemticamente con el criterio de mnimos cuadrados los coeficientes a de un polinomio
P(a,t) resolviendo el siguiente problema de optimizacin:
N
(6)
i =1
Luego, el tiempo requerido para alcanzar una temperatura especificada ser dado por este
polinomio ya ajustado.
Un problema del modelo anterior es que se torna totalmente intil cuando se cambia la
cantidad de agua en el recipiente. Este problema puede ser resuelto incorporando la variable
M al modelo; pero se requerirn nuevos datos experimentales para distintos valores de M. La
incorporacin de ms variables puede llegar a hacer necesario que se reemplace el polinomio
por un modelo ms potente como por ejemplo una red neuronal. Otro problema es que el
modelo no puede ser utilizado para temperaturas que estn fuera del intervalo de las
temperaturas de los datos experimentales. Un modelo con base terica requerira mucho
menos experimentos, o quizs ninguno, y el rango de temperatura posibles sera mayor.
a utilizar para determinar el valor y correspondiente a un valor x del intervalo [xa,xb] ser
y = a x + b. Los coeficientes a y b se obtienen de resolver el siguiente sistema de ecuaciones
que plantea que la recta debe pasar por los puntos datos:
ya = a xa + b
(7)
yb = a xb + b
En la interpolacin cuadrtica se utiliza la parbola que pasa por los tres puntos ms cercanos
al que se desea evaluar. Por ejemplo, si dichos puntos son (xa,ya), (xb,yb) y (xc,yc). La
parbola a utilizar para determinar el valor y correspondiente a un valor x del intervalo [xa,xc]
ser y = a x2 + b x + c. Los coeficientes a, b y c se obtienen de resolver el siguiente sistema de
ecuaciones que plantea que la parbola debe pasar por los puntos datos:
ya = a xa 2 + b xa + c
yb = a xb 2 + b xb + c
(8)
yc = a xc + b xc + c
2
s.a :
N
S2 =
2
( yi P(M , a, xi ))
(9)
i =1
N M 1
donde se desea ajustar los coeficientes a y el orden M del polinomio P que es funcin de x
para que los valores devueltos minimicen la varianza de los errores de una muestra con N
puntos experimentales (xi,yi).
Este problema puede ser resuelto con la utilidad Solver de la planilla de clculo Excel. Por
ejemplo, dada la siguiente tabla de datos:
Tabla 1: Tabla de datos.
xi
0
1
4
9
10
14
15
yi
8
14
80
385
485
945
1095
19
El primer paso es ingresar la misma en la planilla. Luego se deben escribir las frmulas
apropiadas para la funcin que se desea ajustar y para el clculo del error. La Figura 13
muestra estos pasos cuando se desea ajustar la lnea recta y = a x + b. Note la utilizacin del
signo $ (referencia absoluta) para referirse a las celdas de los coeficientes. De este modo se
asegura que cuando se copien las frmulas, siempre se referirn a las celdas correctas.
Ingresadas los datos y las frmulas, el siguiente paso es copiar las frmulas y dar valores
iniciales a los coeficientes. Para ello es conveniente construir un grfico que muestre tanto los
datos experimentales como los correspondientes al polinomio. Se debe variar manualmente
los coeficientes hasta obtener un ajuste aceptable (Figura 14). Esta etapa puede obviarse, pero
se corre el riesgo de incrementar los clculos necesarios que posteriormente deber realizar
Solver para llegar a la solucin, o incluso existir el riesgo de no arribar a la solucin correcta.
20
Luego de aceptar los valores propuesto por Solver, en las celdas de los coeficientes quedarn
los valores que minimizan el error; mientras el grfico mostrar el grado de concordancia
entre las figuras correspondientes a los datos de la tabla y al polinomio (Figura 16). Para el
caso en estudio, la lnea recta determinada es: P(x) = 71.2 x - 108.7.
21
El procedimiento descrito no se limita a ajuste de polinomios, sino que puede ser aplicado en
forma directa para ajustar cualquier tipo de funcin, y puede ser extendido con ligeras
modificaciones al ajuste de funciones con mltiples variables. Cuando la funcin que se desea
ajustar es un polinomio o una funcin exponencial, y slo existe una sola variable
independiente, es ms cmodo trabajar con la utilidad lnea de tendencia de Excel. Para ello
basta con ubicar el cursor sobre la curva de datos y seleccionar Agregar lnea de tendencia
del men contextual (se habilita con el botn derecho del mouse). Si se selecciona la opcin
Presentar ecuacin en el grfico, la ecuacin correspondiente ser incluida en el grfico.
Las siguientes tablas muestran los resultados obtenidos cuando se ajustaron polinomios de
orden 0 a 4. El orden 4 se realiz slo como verificacin. Como puede apreciarse, el mejor
ajuste se obtiene con el polinomio de orden 2. La Figura 17 muestra el ajuste lineal y
cuadrtico realizado para estos datos.
Tabla 2: Ajuste de promedio P(x) = a.
yi
0
8
1
14
4
80
9 385
10 485
14 945
15 1095
P(xi)
430.285713
430.285713
430.285713
430.285713
430.285713
430.285713
430.285713
(P(xi)-yi)2
178325.223
173293.794
122700.08
2050.79576
2993.65325
264930.798
441845.084
(P(xi)-yi)2 =
xi
1186139.43
S =
a=
430.29
197689.90
22
0
8
1
14
4
80
9 385
10 485
14 945
15 1095
P(xi)
-108.716392
-37.5274306
176.039455
531.984264
603.173226
887.929073
959.118035
(P(xi)-yi)2
13622.7163
2655.0761
9223.57691
21604.3739
13964.9114
3257.09065
18463.9083
(P(xi)-yi)2 =
xi
82791.6535
S =
a=
b=
71.19
-108.72
16558.33
0
8
1
14
4
80
9 385
10 485
14 945
15 1095
(P(xi)-yi)2
4.35640772
3.19319146
2.06382077
16.4565037
14.8863562
19.6834699
12.2570268
72.8967766
S2 =
yi
P(xi)
10.0872009
12.2130497
78.5633996
389.056662
481.141716
949.436606
1091.499
(P(xi)-yi)2 =
xi
18.22
a=
b=
c=
5.00
-2.87
10.09
0
8
1
14
4
80
9 385
10 485
14 945
15 1095
(P(xi)-yi)2
0.55531638
1.83053753
0.64916416
11.5425803
26.1390075
15.8709448
6.11643007
62.7039808
S2 =
yi
P(xi)
8.74519553
12.6470264
80.8057072
388.397437
479.887368
948.983835
1092.52686
(P(xi)-yi)2 =
xi
20.90
a=
b=
c=
d=
0.02
4.62
-0.74
8.75
23
0
8
1
14
4
80
9 385
10 485
14 945
15 1095
P(xi)
9.03207003
12.2682245
80.8087961
388.71443
479.816645
948.395223
1092.95794
(P(xi)-yi)2
1.06516856
2.99904626
0.6541512
13.796989
26.8671729
11.5275423
4.17000636
(P(xi)-yi)2 =
xi
61.0800766
0.00
-0.03
5.01
-1.75
9.03
a=
b=
c=
d=
e=
30.54
S =
1200
1000
800
y = 71.18x - 108.72
yi
600
y
Ajuste lineal
400
Ajuste cuadrtico
200
0
-200
10
15
20
+c
(10)
w = e T +b
donde las constantes a, b y c se determinan realizando un ajuste con los datos experimentales.
La Tabla 7 muestra los datos experimentales (w) y los valores de la funcin de ajuste con sus
constantes ajustadas. A fin de obtener la mayor precisin posible, luego de un primer ajuste se
repite el proceso; pero esta vez, los valores iniciales de los coeficientes son los recomendados
Simulacin de Sistemas Qumicos. Introduccin. Enrique E. Tarifa.
24
por el primer ajuste, y la funcin objetivo es la celda que contiene la suma de los errores al
cuadrado multiplicada por un nmero grande, por ejemplo: 1000.
Tabla 7: Viscosidad del agua pura [cP].
T[C] w[cP] w(T)
10
1.30
1.31
20
1.00
0.99
30
0.80
0.78
40
0.65
0.64
50
0.54
0.54
60
0.46
0.47
70
0.40
0.41
80
0.35
0.37
90
0.31
0.33
Error2
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
a = 534.15
b = 127.22
c = -3.63
25
26
0.02
1.04
1.04
1.05
1.05
1.05
1.05
1.06
1.06
0.03
1.06
1.07
1.07
1.07
1.08
1.08
1.08
1.08
0.04
1.09
1.09
1.10
1.10
1.10
1.11
1.11
1.11
0.05
1.11
1.12
1.12
1.13
1.13
1.14
1.14
1.14
0.06
1.14
1.15
1.15
1.16
1.16
1.16
1.17
1.17
0.07
1.17
1.17
1.18
1.18
1.19
1.19
1.20
1.20
fm(X,T)
T[C]/X
20
30
40
50
60
70
80
90
0.02
1.05
1.05
1.05
1.05
1.05
1.05
1.06
1.06
0.03
1.07
1.07
1.07
1.08
1.08
1.08
1.08
1.09
0.04
1.09
1.10
1.10
1.10
1.11
1.11
1.11
1.11
0.05
1.12
1.12
1.12
1.13
1.13
1.14
1.14
1.14
0.06
1.14
1.14
1.15
1.15
1.16
1.16
1.17
1.17
0.07
1.16
1.17
1.17
1.18
1.18
1.19
1.19
1.20
0.02
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.03
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.04
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.05
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.06
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.07
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
Suma=
d=
e=
7.52E-03
2.18
Errore
T[C]/X
20
30
40
50
60
70
80
90
0.00
Bibliografa
Banks J., Carson J.S., Nelson B.L, 1996, Discrete-Event System Simulation. Second
Edition., Prentice-Hall, New Jersey.
Shannon R.E., 1988, Simulacin de Sistemas. Diseo, desarrollo e implementacin, Trillas,
Mxico.
Law A.M., Kelton W.D., 1991, Simulation Modeling & Analysis, Second Edition,
McGraw-Hill, New York.
27