Unidad 1

UNIVERSIDAD NACIONAL DE TRUJILLO
MODELAMIENTO Y
SIMULACIÓN
h/
Área Académica: Ingeniería Química
c
Profesor: Mg. Luis David Moncada Torres
te
a.
ic
im
qu
ia
er
UNIDAD I. INTRODUCCION AL MODELAMIENTO

ni
Y SIMULACIÓN DE PROCESOS
ge
in
1. MODELO
1.1. ¿QUÉ ES UN SISTEMA?
1.2. MODELO DE PROCESO
://
1.3. TIPOS DE MODELO

1.4. MODELADO (Práctica N°1)
tp
2. USO DE LOS MODELOS

ht
3. ETAPAS DEL MODELAMIENTO (Práctica N°2)

3.1. ANALISIS DEL SISTEMA
3.2. DISEÑO DEL MODELO
3.3. ANALISIS DEL MODELO
4. SIMULACIÓN
4.1. SIMULADORES COMERCIALES
4.2. FORMAS DE ESTUDIAR UN SISTEMA
4.3. TIPOS DE SIMULACION
4.4. RESOLUCION
1
1. MODELO
Modelo es derivado del Latin modus, lo cual significa una

medida. Usado como un sustantivo, significa "una pequeña
representación de de un objeto planeado o existente"
(Webster's New World Dictionary).
"Un sistema físico o matemático, obedeciendo ciertas
h/
condiciones especificadas, cuyo comportamiento se usa para
entender un sistema físico, biológico, o social para el cual es
c
análogo de algún modo" (McGraw-Hill Dictionary of Scientific
te
and Technical Therms),
a.
ic
im
qu
ia
er
1. MODELO
ni
ge
Notar que ambas definiciones indican que un modelo es una

in
representación de un sistema o un objeto.

://
La definición dada por la combinación de ideas de Eykhoff

(1974) y Hangos & Cameron (2003).
tp
ht
Un modelo es:
• una representación de los aspectos esenciales del sistema
en una forma (matemática) adecuada que puede ser
experimentalmente verificada.
2
1. MODELO
1.1. ¿QUÉ ES UN SISTEMA?
Un sistema puede definirse como una colección de objetos o

entidades que interactúan entre sí para alcanzar un cierto
objetivo. Los sistemas reciben datos, energía o materia del
ambiente (entradas) y proveen información, energía o
materia (salidas).
h/
Parte del Relación
Límite del sistema
c
sistema
te
a.
ic
im
qu
ia
er
1. MODELO
ni
1.2. MODELO DE PROCESO

ge
Modelo de Proceso:
in
Un modelo de proceso es un conjunto de ecuaciones

://
(incluyendo los datos de entrada necesarios para resolver las

ecuaciones) que nos permitan predecir el comportamiento de
tp
un proceso químico.
ht
Cuando un proceso industrial está sometido a estudio existen

básicamente dos formas para realizar el análisis. Se puede
experimentar con el sistema real, o se puede experimentar
con un modelo del sistema.
3
1. MODELO
Sistema
Los modelos de los

sistemas a simular se
Sistema Modelo del
pueden dividir en 2 actual (real) sistema real
grandes bloques que
h/
se detallan a
continuación: modelos Modelos Modelos
físicos matemáticos
c
físicos y modelos
te
matemáticos.
Solución
a.
Simulación
analítica
ic
im
qu
ia
er
1. MODELO
ni

ge
in
Los Modelos Físicos.

://
Un modelo físico es una maqueta, o la recreación del sistema

real. Los ejemplos de modelos físicos son simuladores de
tp
túneles aerodinámicos, modelos en miniatura, tanques de

ht
gravedad, etc.
La mayoría de los sistemas de la fabricación son difíciles de
modelar con modelos físicos debido a la interacción dinámica
de los elementos involucrados.
4
1. MODELO
Los Modelos Matemáticos .
Los modelos matemáticos son usados para predecir o

determinar las relaciones cuantitativas de un sistema. La
programación lineal, la física y la geometría son los ejemplos
h/
de modelos matemáticos.
Es decir, un modelo matemático es cualquier modelo que usa
c
cálculos, fórmulas o algoritmos para predecir el
te
comportamiento de un sistema. Están diseñados para ser
muy precisos.
a.
ic
im
qu
ia
er
1. MODELO
ni

ge
Sistema
in
Los Modelos
Matemáticos .
://
Sistema Modelo del

Dentro de este tipo de actual (real) sistema real
tp
sistemas de modelos
ht
matemáticos podemos
Modelos Modelos
diferenciar 2 tipos: los físicos matemáticos
modelos analíticos y
los modelos de
simulación. Solución
Simulación
analítica
5
1. MODELO
Los Modelos Analíticos.
Los modelos analíticos son aquellos que son sacados de una

fórmula conocida para obtener la solución. La solución puede
ser muy difícil de obtener y puede implicar mucho tiempo y
recursos de cálculo. Este tipo de análisis de modelos para
h/
obtener ciertas conclusiones es utilizado por personal técnico
de ingeniería, matemática, física, etc. por lo tanto la
c
coordinación de los equipos de trabajo suele ser bastante
te
complicada, lo que condicionan que los equipos de trabajo
que participan sean costosos.
a.
ic
im
qu
ia
er
1. MODELO
ni

ge
Los Modelos de Simulación.

in
Muchos sistemas contienen un número dinámico de

://
algoritmos que interactúan entre sí para los cuales es

prácticamente imposible encontrar soluciones mediante
tp
modelos analíticos. En estos casos la simulación se usa para

ht
predecir los resultados del sistema. La simulación proveerá la

respuesta "correcta“ además de proporcionar una estimación
razonable de comportamiento del sistema. La simulación es
el único método posible para modelar sistemas complicados
de producción, logística, distribuciones, etc.
6
1. MODELO
1.4. MODELADO
Proceso de abstracción para obtener el modelo.
Los aspectos más importantes del modelado son:
1. Un modelo es una herramienta no una meta.
La primera fase en el modelamiento es una descripción de la
h/
meta. Esto determina los linderos del sistema (cual parte del
sistema y su entorno debe ser considerada) y el nivel de
c
detalle (para cual extensión de detalle debe ser modelado el
te
sistema). La meta deberá ser razonablemente clara. Un
método corto bien conocido es que el problema está resuelto
a.
un 50% cuando la definición del problema está claramente
ic
establecida. im
qu
ia
er
1. MODELO
ni
1.4. MODELADO
ge
in
2. Los modelos Universales no son económicos.

://
Usualmente no tiene sentido desarrollar modelos para varios

propósitos. Los modelos de ingeniería pueden ser
tp
desarrollados para diseño, estudios económicos, operación

ht
control, seguridad y casos especiales. Sin embargo todas

estas metas tienen diferentes requerimientos con respecto al
nivel de detalle y tienen diferentes grados de libertad
(variables de diseño versus variables de control, etc).
7
1. MODELO
1.4. MODELADO
3. La complejidad del modelo debe estar de acuerdo con

la meta.
Se debe probar a desarrollar el modelo más simple para

alcanzar la meta, limitando la formulación a detalles
h/
esenciales. Ésta no es siempre una cosa fácil, desde que los
fenómenos esenciales no son siempre claros. Una adición útil
c
para los pasos de modelamiento es un análisis de
te
sensibilidad, el cual puede dar una indicación cuales
relaciones determinan el resultado del modelo.
a.
ic
im
qu
ia
er
1. MODELO
ni
1.4. MODELADO
ge
in
4. La jerarquía en el modelo.
://
El modelo comprende un mínimo de tres niveles jerárquicos:

El sistema, las relaciones individuales y los parámetros.
tp
Usualmente un sistema comprende varios subsistemas, cada

ht
uno con una función separada. Para entender el sistema, es

precisado el conocimiento de las partes individuales y sus
dependencias.
8
1. MODELO
1.4. MODELADO
5. Un modelo no puede explicar más de lo que contiene.
El modelado y la simulación pueden realzar la

compenetración, pueden aclarar dependencias, pueden
predecir comportamiento, pueden explorar los linderos de
h/
sistema; Sin embargo, no revelarán conocimiento que es
desconocido. Un modelo es una reflexión de todos los
c
experimentos que han sido realizados.
te
a.
ic
im
qu
ia
er
1. MODELO
ni
1.4. MODELADO
ge
in
6. El modelado es un proceso creativo con un cierto

grado de libertad.
://
El establecimiento del problema, la definición de la meta, el

tp
análisis de proceso, el diseño y análisis del modelo son todas

ht
las etapas en las cuales tienen que hacerse las elecciones.

Especialmente importantes son las suposiciones. El resultado
final estará bajo la dependencia del conocimiento y la actitud
del modelo desarrollado.
9
1. MODELO
1.4. MODELADO
7. El nivel de detalle del modelo.
Las tres dimensiones en las cuales puede ser representado

el nivel de detalle son: tiempo, espacio y función.
c h/
te
a.
ic
im
qu
ia
er
ni
ge
in
PRACTICA N° 1
://
tp
1. INTRODUCCION A MATLAB (PARTE 1)

ht
2. AJUSTE DE CONCENTRACION EN UN TANQUE
3. TRANSFERENCIA DE CALOR EN UNA PLACA PLANA
10
• ¿Qué es Matlab?, MATrix LABoratory
• Es un lenguaje de programación (inicialmente

escrito en C) para realizar cálculos numéricos con
vectores y matrices. Como caso particular puede
h/
también trabajar con números escalares, tanto
reales como complejos.
c
te
• Cuenta con paquetes de funciones especializadas
a.
ic
im
qu
ia
er

ni
ge
in
://
3
tp
ht
2
1
4
1. Ventana de comandos (Command Window)

2. Directorio actual (Current Folder)
3. Espacio de trabajo (Workspace)
4. Historial de comandos (Command History)
11
Elementos básicos del escritorio de Matlab
• Command Windows: Donde se ejecutan todas las

instrucciones y programas. Se escribe la instrucción o el
nombre del programa y se da a Enter.
• Current Folder: Situarse en el directorio donde se va a
trabajar.
h/
• Workspace: Para ver las variables que se están usando y
sus dimensiones (si son matrices)
c
• Command History: Muestra los últimos comandos
te
ejecutados en Command Windows. Se puede recuperar el
comando haciendo doble
a.
• Editor del Matlab: Todos los ficheros de comandos Matlab
ic
deben de llevar la extensión .m im
qu
ia
er

ni
Datos numéricos:
ge
Son sensibles a las mayúsculas: x=5, X=7

in
Información sobre variables que se están usando y sus dimensiones (si

son matrices): Workspace. También tecleando
://
>> who
>> whos (da más información)
tp
Para eliminar alguna variable se ejecuta

ht
>> clear variable1 variable2

Si se quieren borrar todas las variables: >> clear
Constantes características: pi=, NaN (not a number, 0/0), Inf=.
Números complejos: i=sqrt(-1) (sólo se puede usar i o j), z=2+i*4,

z=2+4i
Cuidado con no usar luego ‘i’ como contador en un bucle
trabajando con complejos.
12
Operaciones aritméticas elementales:
 Suma: +, Resta -
 Multiplicación: *, División: /
h/
 Potencias: ^
c
te
Orden de prioridad: Potencias, divisiones y multiplicaciones
y por último sumas y restas. Usar () para cambiar la
a.
prioridad
ic
im
qu
ia
er

ni
ge
Funciones de Matlab:
in
 exp(x), log(x), log2(x) (en base 2), log10(x) (en base 10), sqrt(x)
://
 Funciones trigonométricas: sin(x), cos(x), tan(x), asin(x), acos(x),

atan(x), atan2(x) (entre –pi y pi)
tp
 Funciones hiperbólicas: sinh(x), cosh(x), tanh(x), asinh(x),

ht
acosh(x), atanh(x)
 Otras funciones: abs(x) (valor absoluto), int(x) (parte entera),

round(x) (redondea al entero más próximo), sign(x) (función signo)
 Funciones para números complejos: real(z) (parte real), imag(z)

(parte imaginaria), abs(z) (módulo), angle(z) (ángulo), conj(z)
(conjugado)
13
Definición de vectores:
 Vectores fila; elementos separados por blancos o comas
>> v =[2 3 4]
 Vectores columna: elementos separados por punto y coma (;)

>> w =[2;3;4;7;9;8]
Dimensión de un vector w: length(w)
h/

Generación de vectores fila:
c

 Especificando el incremento h de sus componentes v=a:h:b
te
 Especificando su dimensión n: linspace(a,b,n) (por defecto
n=100)
a.
 Componentes logarítmicamente espaciadas logspace(a,b,n) (n
puntos logarítmicamente espaciados entre 10a y 10b. Por defecto
n=50)
ic
im
qu
ia
er

ni
ge
Definición de matrices:
 No hace falta establecer de antemano su tamaño (se puede definir
un tamaño y cambiarlo posteriormente).
in
 Las matrices se definen por filas; los elementos de una misma fila
://
están separados por blancos o comas. Las filas están separadas

por punto y coma (;).
tp
» M=[3 4 5; 6 7 8; 1 -1 0]
ht
 Matriz vacía: M=[ ];
 Información de un elemento: M(1,3), de una fila M(2,:), de una

columna M(:,3).
 Cambiar el valor de algún elemento: M(2,3)=1;
 Eliminar una columna: M(:,1)=[ ], una fila: M(2,:)=[ ];
14
Definición de matrices:
 Generación de matrices:
 Generación de una matriz de ceros, zeros(n,m)

 Generación de una matriz de unos, ones(n,m)
h/
 Inicialización de una matriz identidad eye(n,m)
c
 Generación de una matriz de elementos aleatorios
rand(n,m)
te
a.
 Añadir matrices: [X Y] columnas, [X; Y] filas
ic
im
qu
ia
er

ni
ge
Operaciones de vectores y matrices con

escalares:
in
v: vector, k: escalar:
://
tp
 v+k adición o suma

 v-k sustracción o resta
ht
 v*k multiplicación
 v/k divide cada elemento de v por k
 k./v divide k por cada elemento de v
 v.^k potenciación de cada componente de v a k
 k.^v potenciación k elevado a cada componente de v
15
Operaciones con vectores y matrices:
 + adición o suma
 – sustracción o resta
 * multiplicación matricial
 .* producto elemento a elemento
^ potenciación
h/

 .^ elevar a una potencia elemento a elemento
c
 \ división-izquierda
te
 / división-derecha
 ./ y .\ división elemento a elemento
a.
 matriz traspuesta: B=A’ (en complejos calcula la traspuesta
conjugada, sólo la traspuesta es B=A.’)
ic
im
qu
ia
er

ni
Funciones de matlab para vectores y matrices:

ge
 sum(v) suma los elementos de un vector

in
 prod(v) producto de los elementos de un vector

://
 dot(v,w) producto escalar de vectores
cross(v,w) producto vectorial de vectores

tp
 mean(v) (hace la media)

ht
 diff(v) (vector cuyos elementos son la resta de los elemento de v)
 [y,k]=max(v) valor máximo de las componentes de un vector (k indica la

posición), min(v) (valor mínimo). El valor máximo de una matriz M se
obtendría como max(max(M)) y el mínimo min(min(v))
 Aplicadas algunas de estas funciones a matrices, realizan dichas

operaciones por columnas.
16
Funciones de Matlab para vectores y matrices

 [n,m]=size(M) te da el número de filas y columnas
 matriz inversa: B=inv(M), rango: rank(M)
 diag(M): Obtencion de la diagonal de una matriz. sum(diag(M))

calcula la traza de la matriz A. diag(M,k) busca la k-ésima diagonal.
h/
 norm(M) norma de una matriz (máximo de los valores absolutos de
los elementos de A)
c
 flipud(M) reordena la matriz, haciendo la simétrica respecto de un
te
eje horizontal. fliplr(M) ) reordena la matriz, haciendo la simétrica
respecto de un eje vertical
a.
 [V, landa]=eig(M) da una matriz diagonal landa con los autovalores
y otra V cuyas columnas son los autovectores de M
ic
im
qu
ia
er

ni
ge
 Guardar en ficheros y recuperar datos:

in
save nombre_fichero nombre_matriz1,

://

nombre_matriz2
tp
 load nombre_fichero nombre_matriz1,

nombre_matriz2
ht
 save nombre_fichero nombre_matriz1 –ascii (guarda

8 cifras decimales)
 save nombre_fichero nombre_matriz1 –ascii –double

(guarda 16 cifras decimales)
17
Funciones gráficas 2D
 2D: plot() crea un gráfico a partir de vectores con

escalas lineales sobre ambos ejes,
>> plot(X,Y,’opción’) (opción: permite elegir color y

trazo de la curva)
c h/
 hold on: permite pintar más gráficos en la misma figura (se
desactiva con hold off)
te
 grid activa una cuadrícula en el dibujo. Escribiendo de nuevo
grid se desactiva.
a.
ic
im
qu
ia
er

ni
ge
Bucles
in
for k=n1:incre:n2
://
end
tp
ht
while
end
18
Resolución de ecuaciones diferenciales
 Resolución de problemas de valores iniciales para ecuaciones

diferenciales ordinarias (ODEs)
 [T,Y]=solver(‘F’,tspan,Y0)
 solver: algoritmo de resolución de ODEs, ode45, ode23,
h/
ode113, ode15s,ode23s.
 F: función que contiene las ecuaciones diferenciales en forma
c
matricial
te
 Tspan: vector de tiempos [t0 tfinal] de integración.
 Y0: vector columna de condiciones iniciales en t0
a.
ic
im
qu
ia
er
2. AJUSTE DE CONCENTRACIÓN EN UN TANQUE

ni
ge
Se busca obtener el modelo para el estudio de la evolución del nivel y concentración de sal
en un tanque.
in
://
tp
ht
Datos del sistema con tanque

Sección de la piscina: 𝑆 = 100𝑚
Sección de salida del conducto: 𝑆 = 0.01𝑚
Caudales máximos de entrada: 𝑄 = 0.015 𝑚 ⁄𝑠 𝑄 = 0.015 𝑚 ⁄𝑠
Concentraciones de entrada: 𝐶 = 0.1 𝑚𝑜𝑙⁄𝑚 𝐶 = 5.0 𝑚𝑜𝑙⁄𝑚
Factor de pérdidas en la salida: 0.005𝑎
𝛼 𝑎 =
1 + 0.5𝑎
Pérdida de carga en la salida: 1
ℎ 𝑄, 𝑎 = 𝑄
𝛼(𝑎)
19
1. Si el sistema parte del siguiente estado inicial de nivel y concentración:

ℎ = 0.2𝑚 𝐶 = 1 𝑚𝑜𝑙 ⁄𝑚
Obtener la evolución durante un tiempo de 4h si los caudales de entrada adoptan sus
valores máximos y la apertura tiene un valora=0.5
2. Calcúlese de forma exacta el estacionario que alcanzará.
3. Determinar los caudales y la apertura de válvula para alcanzar un estacionario con el

nivel, concentración y caudal de renovación siguientes:
h/
ℎ _ = 0.5𝑚 𝐶 _ = 3 𝑚𝑜𝑙 ⁄𝑚 𝑄 _ _ = 0.02 𝑚 ⁄𝑠
c
4. Obténgase la evolución del sistema durante una maniobra que, partiendo del
te
estacionario calculado en el Apartado 2, permita obtener el estacionario definido en el
Apartado 3 acercándose lo antes posible a la concentración deseada. Determínese el
a.
tiempo para el cual se alcanza la concentración objetivo.
ic
im
qu
ia
er

ni
DESARROLLO DEL MODELO

ge
El caudal de salida es función del nivel del tanque y la apertura de la válvula.

Aplicamos la ecuación de Bernouilli.
in
𝛼(𝑎)
𝑄 ℎ, 𝑎 = ℎ
𝛼(𝑎)
://
1+
2𝑔𝑆
tp
Por lo tanto:
𝑑ℎ 𝑄 +𝑄 − 𝑄 ℎ, 𝑎
=
ht
𝑑𝑡 𝑆
𝑑ℎ 𝑄 +𝑄 − 𝑄 ℎ, 𝑎
=
𝑑𝑡 𝑆
La ecuación continúa acoplada con la de variación de altura por aparecer h en el

denominador, por lo que ambas EDO deben resolverse conjuntamente.
20
Abrimos un nuevo script:

Qe1=0.015; %m3/s Caudal máximo de entrada 1
Qe2=0.015; %m3/s Caudal máximo de entrada 2
Sc=0.01; %m2 Sección de salida del conducto
S=100; %m2 Sección del tanque
g=9.81; %m/s2 gravedad
a=0.5; %apertura
alfa=0.005*a/(1+0.5*a); %Factor de pérdidas en la salida en función de apertura
Ce1=0.1; %kg/m3 Concentración entrada 1
Ce2=5; %kg/m3 Concentración entrada 2
h/
%Condiciones iniciales
x0=zeros(1,2); %vector con valores inciales
x0(1)=0.2; %altura inicial
c
x0(2)=1; %Concentración incial
te
%Resolución EDO
f=@(t,x) [(Qe1+Qe2-
(((alfa/(1+alfa/(2*g*Sc^2)))*x(1))^(1/2)))/S;((Qe1*Ce1+Qe2*Ce2)-
a.
(Qe1+Qe2)*x(2))/(S*x(1))]; %x(1) es altura y x(2) es la concentración
tspan=[0 14400]; %intervalo de tiempo de 0 a 4horas (4*3600)
[t,x]=ode45(f,tspan,x0); %resolvemos sistema de ecuaciones diferenciales
ic
im
qu
ia
er

ni

ge
T=t./3600; %creamos vector con tiempo en horas

plot(T,x(:,1),'r') %Graficamos t vs valores de h
title('Nivel')
in
xlabel('t')
ylabel('h')
axis([0 4 0 1])
://
figure
plot(T,x(:,2),'g') %Graficamos t vs valores de C
title('Concentración de salida')
tp
xlabel('t')
ylabel('C')
ht
axis([0 4 0 3])
Nivel Concentración de salida
1 3
0.9
2.5
0.8
0.7
2
0.6
0.5 1.5
0.4
1
0.3
0.2
0.5
0.1
0 0
0 0.5 1 1.5 2 2.5 3 3.5 4 0 0.5 1 1.5 2 2.5 3 3.5 4
t t
21
Qs=((alfa/(1+alfa/(2*g*Sc^2))).*x(:,1)).^(1/2); %Caudal de salida en función de

los valores de X(1)
figure
plot(T,Qs,'b') %Graficamos t vs valores de Qs
title('Caudal de salida')
xlabel('t')
ylabel('Qs')
axis([0 4 0 0.035])
c h/
te
a.
ic
im
qu
ia
er

ni
El caso más general de la ecuación de conducción, expresada en forma diferencial, refleja el

ge
balance entre el flujo neto de calor, el calor generado y el calor almacenado en el material.
Considerando la transmisión de calor en dos dimensiones, sin generación de calor en la

in
placa, se establece el modelo:
𝜕 𝑇 𝜕 𝑇 1 𝜕𝑇
://
+ =
𝜕𝑥 𝜕𝑦 𝛼 𝜕𝑡
tp
λ
𝛼=
𝜌𝐶
ht
T= Temperatura (K)
t = tiempo (s)
x = distancia eje horizontal (m)
y = distancia eje vertical (m)
Cp = capacidad calorífica (J/kg)
ρ= densidad de la placa (kg/m3)
λ= conductividad térmica (W/m/K)
22
DIFERENCIAS FINITAS
• El método consiste en una aproximación de las derivadas parciales por

expresiones algebraicas con los valores de la variable dependiente en
un limitado número de puntos seleccionados.
• Como resultado de la aproximación, la ecuación diferencial parcial que

describe el problema es reemplazada por un número finito de
h/
ecuaciones algebraicas, en términos de los valores de la variable
dependiente en puntos seleccionados.
c
te
• El valor de los puntos seleccionados se convierten en las incógnitas. El
sistema de ecuaciones algebraicas debe ser resuelto y puede llevar un
a.
número largo de operaciones aritméticas.
ic
im
qu
ia
er

ni
DIFERENCIAS FINITAS
ge
Por diferencias finitas, calculamos

a) Derivada respecto al tiempo
in
𝜕𝑇 𝑇 , − 𝑇 ,
=
𝜕𝑡 ∆𝑡
://
b) Derivada respecto a la dirección x

𝜕 𝑇 𝑇 − 2𝑇 , + 𝑇
tp
, ,
=
𝜕𝑥 ∆𝑥
c) Derivada respecto a la dirección y
ht
𝜕 𝑇 𝑇, − 2𝑇 , + 𝑇 ,
=
𝜕𝑦 ∆𝑦
Asumimos ∆x=∆y (cuadrado) y despejamos:
𝑇 , +𝑇 , + (𝑀 − 4)𝑇 , + 𝑇 , +𝑇,
𝑇, =
𝑀
Donde:
∆𝑥
𝑀=
𝛼∆𝑡
23
DIFERENCIAS FINITAS
Siendo un cuadrado.
Consideramos ∆x=∆y:
∆x
h/
∆y
c
te
a.
𝑇 , +𝑇 , + (𝑀 − 4)𝑇 , + 𝑇 , +𝑇,
𝑇, =
ic
𝑀 im
qu
ia
er

ni

ge

ro=7600; %densidad kg/m3
in
vod=47; %conductividad W/m/K

Cp=480; %Capacidad calorífica J/kg
T0=400; %Temperatura inicial K
://
TH=800; %Temperatura arriba K

TD=300; %Temperatura abajo K
tp
TP=500; %Temperatura derecha

TL=800; %Temperatura izquierda
L=1; %Largo del borde m
ht
dt=5; %Varición tiempo, debe ser menor de 8

N=50; %Número de puntos
tkon=1000; %Tiempo final
a=vod/(ro*Cp);
dx=L/(N-1); %tamaño del paso
M=((dx)^2)/(dt*a); %Valor de M
t=dt;
24
Tpoc=zeros(N,N); %Matriz temperaturas iniciales

for i=1:1:N
for j=1:1:N
Tpoc(i,j)=T0; %Matriz temperaturas = T0
end
end
%---------------------------------CÁLCULOS PARA CADA t----------------------

while t<tkon
%---------------------------------T EN LOS LÍMITES (ESQUINAS)---------------
j=1;
h/
i=1;
Tpoc(i,j)=(Tpoc(i+1,j)+TL+TD+Tpoc(i,j+1)+(M-4)*Tpoc(i,j))/M; %Temperatura
esquina inferior izquierda (1,1)
c
j=N;
te
i=1;
Tpoc(i,j)=(Tpoc(i+1,j)+TD+Tpoc(i,j-1)+TP+(M-4)*Tpoc(i,j))/M; %Temperatura
a.
esquina inferior derecha (1,N)
j=1;
ic
i=N;
Tpoc(i,j)=(TH+Tpoc(i-1,j)+TL+Tpoc(i,j+1)+(M-4)*Tpoc(i,j))/M; %Temperatura
esquina superior izquierda (N,1)
im
qu
ia
er

ni

ge
j=N;
i=N;
Tpoc(i,j)=(TP+Tpoc(i-1,j)+Tpoc(i,j-1)+TP+(M-4)*Tpoc(i,j))/M; %Temperatura
in
esquina superior derecha (N,N)
%---------------------------------CALCULOS DE T----------------------------
://
i=1;
for j=2:1:N-1
Tpoc(i,j)=(Tpoc(i+1,j)+TD+Tpoc(i,j-1)+Tpoc(i,j+1)+(M-4)*Tpoc(i,j))/M; %Cálculos
tp
frontera izquierda
end
ht
i=N;
for j=2:1:N-1
Tpoc(i,j)=(TH+Tpoc(i-1,j)+Tpoc(i,j-1)+Tpoc(i,j+1)+(M-4)*Tpoc(i,j))/M;
%Cálculos frontera derecha
end
j=1;
for i=2:1:N-1
Tpoc(i,j)=(Tpoc(i+1,j)+Tpoc(i-1,j)+TL+Tpoc(i,j+1)+(M-4)*Tpoc(i,j))/M;
%Cálculos frontera inferior
end
25
j=N;
for i=2:1:N-1
Tpoc(i,j)=(Tpoc(i+1,j)+Tpoc(i-1,j)+Tpoc(i,j-1)+TP+(M-4)*Tpoc(i,j))/M;
%Cálculos frontera superior
end
% ===========================================================
for i=2:1:N-1
for j=2:1:N-1
Tpoc(i,j)=(Tpoc(i+1,j)+Tpoc(i-1,j)+Tpoc(i,j-1)+Tpoc(i,j+1)+(M-
4)*Tpoc(i,j))/M; %Cálculos toda la matriz
end
h/
end
% grafica
pause(0.02)
c
colormap jet
te
pcolor(Tpoc) %Grafica pseudocolor
titulo=sprintf('Time=%g s',t); %Titulo gráfca
title(titulo)
a.
colorbar %Ver barra de color
shading interp %color difuminado por interpolación
caxis([0 800]);
ic
% --------
t=t+dt; %tiempo
end
im
qu
ia
er

ni

ge
in
://
tp
ht
26
Como hemos notado, dado un conjunto de datos de entrada,

un modelo es usado para predecir la salida ("respuesta")
Un modelo puede ser usado para resolver los siguientes tipos

de problemas:
• Mercadeo: Si el precio de un producto se incremente, que
h/
tanto disminuye la demanda?
• Ubicación: Si tenemos varias fuentes de materias primas,
c
y varias plantas de manufactura como distribuimos las
te
materias primas en las plantas, y decidir que producto
debe elaborar cada planta?
a.
• Síntesis: Que proceso (secuencia de reactores, equipos
ic
de separación, etc.) pueden ser usados para manufacturar
un producto?
im
qu
ia
er

ni
ge
• Diseño: Que tipo y tamaño de equipo es necesario para

producir un producto?
in
• Operación: Que tipo de operación maximizará el

rendimiento de un producto?
://
• Control: Como puede la entrada de un proceso ser

manipulada para mantener una salida de proceso medida
tp
a un valor deseado?
ht
• Seguridad: Si ocurriría la falla de un equipo, cual será el

impacto sobre el personal de operación y otros equipos de
proceso?
• Medioambiental: Cuanto tiempo tomará para
"biodegradar" el terreno contaminado con un residuo
peligroso?
27
3. ETAPAS DEL MODELAMIENTO
Hay tres etapas principales:
• Análisis del sistema. En esta etapa son formulados las

metas y los requisitos del modelo, los linderos del sistema
son decididos y el sistema es colocado en contexto con su
h/
ambiente. La tarea primaria de un modelo no es dar la
mejor representación posible de la realidad, sino proveer
c
respuestas para las preguntas.
te
a.
ic
im
qu
ia
er

ni
ge
in
• Diseño del modelo. Durante la fase de diseño del modelo,

será determinado el comportamiento del modelo. Esto
://
representa las relaciones funcionales entre entradas y

salidas. El modelo consistirá de ecuaciones diferenciales,
tp
ecuaciones adicionales y las asunciones bajo las cuales el

ht
modelo es válido.
• Análisis del modelo. Nos aseguramos que las entradas al

modelo sean adecuadas y que el modelo responda a esas
entradas de manera similar al problema real.
28
ANALISIS DEL SISTEMA
Paso a: Definición del Problema

Desarrolle un modelo para un
termómetro líquido como se muestra
en figura.
Este parece un problema simple, sin
embargo, es fácil perderse en
h/
detalles.
Las preguntas importantes que
c
podrían aflorar son: “¿Cómo
te
funciona el termómetro
exactamente?” y “¿qué puede ser
a.
ignorado?”.
ic
im
qu
ia
er

ni

ge

in
Primero la definición del problema y la meta deberían ser

claramente declaradas. ¿Qué debería ser modelado y cómo?
://
Los ejemplos de definiciones del problema podrían ser:

tp
• ¿qué tipo de comportamiento muestra la altura del

ht
mercurio cuándo la temperatura ambiental se altera? Esta

pregunta podría ser contestada cualitativamente.
• ¿cómo cambia la altura exactamente? ¿ Es este cambio

linealmente dependiente de la temperatura? Ésta es una
pregunta cuantitativa precisando una respuesta
cuantitativa.
29
• ¿puede seguir el termómetro cambios rápidos de

temperatura? Ésta es también una pregunta cuantitativa
con relación a la dinámica del sistema.
h/
• ¿qué determina la velocidad de cambio? Ésta es una
pregunta con relación a sensibilidades relativas.
c
te
• Es posible usar alcohol en lugar de mercurio para ciertas
aplicaciones? Esta es una pregunta de diseño.
a.
ic
im
qu
ia
er

ni

ge

in
La meta que deberíamos alcanzar en este caso será

formulada como:
://
• El modelo deberá ayudar a determinar la velocidad de

cambio de la altura del mercurio del termómetro.
tp
Los requisitos para el modelo:

ht
• Formato. El modelo deberá estar en la forma de

ecuaciones diferenciales.
• Nivel de detalle. El termómetro será considerado como se
ve, no a nivel molecular.
La asunción más importante es que la temperatura en el
bulbo es uniforme y no tiene una distribución espacial.
30
Paso b: Análisis contextual
Asumiremos que el modelo de interés deberá determinar la

altura del mercurio como una función de la temperatura del
medio. Por lo tanto, solamente hay una entrada y una salida,
la causa y el efecto. Aún, cuando pueden existir otras
h/
entradas como muestra la figura.
c
te
a.
ic
im
qu
ia
er

ni

ge
Paso c: Análisis de función

in
Un termómetro de liquido trabaja con el principio de que la

masa específica o densidad es una función de la
://
temperatura. La expansión volumétrica es por lo tanto una

medida para el incremento de temperatura.
tp
ht
La temperatura del liquido dentro del termómetro no

cambia instantáneamente con la temperatura del
ambiente. El mercurio y el vidrio tienen una capacidad
calorífica e incrementan su temperatura como consecuencia
de la conducción de calor a través del material.
31
Paso c: Análisis de función
Sin embargo, la densidad y el volumen cambian

instantáneamente con la temperatura. La densidad
aumenta cuando el volumen disminuye y viceversa.
h/
Ya que la mase del mercurio es constante:
c
te
𝑑𝑚 𝑑 𝜌𝑉 𝑑𝑉 𝑑𝜌
= =𝜌 +𝑉 =0
𝑑𝑡 𝑑𝑡 𝑑𝑡 𝑑𝑡
a.
ic
im
qu
ia
er

ni
DISEÑO DEL MODELO

ge
Paso a: Relación del Modelo con las Asunciones

in
El modelo que sigue del análisis de función se muestra en la

figura:
://
tp
ht
La temperatura del mercurio aumenta o cae como

resultado del intercambio con la temperatura del
ambiente.
32
DISEÑO DEL MODELO
El nivel del mercurio sigue a la temperatura del mercurio.

Para que la temperatura aumente es necesario que exista
transporte de calor, en otras palabras es necesario que
h/
exista una diferencia de temperatura entre el ambiente y
el mercurio.
c
El transporte de calor es proporcional a la diferencia de
te
temperatura.
a.
ic
im
qu
ia
er

ni
DISEÑO DEL MODELO

ge

in
La velocidad a la cual la temperatura aumenta es

determinada por la capacidad calorífica:
://
tp
ht
𝑞̇
= 𝑈 ∆𝑇 𝑞̇ = 𝑈𝐴 𝑇 −𝑇
𝐴
33
DISEÑO DEL MODELO
h/
c
te
La altura del mercurio es una función de la temperatura:
a.
ic
im
qu
ia
er

ni
ANALISIS DEL MODELO

ge
El modelo consiste de dos ecuaciones

in
://
tp
ht
El inconveniente de este modelo es que varios valores son

difícil de determinar, tales como la masa del vidrio, la masa
del mercurio, el área superficial del vidrio, área
superficial del tubo, coeficiente total de transferencia y el
coeficiente de expansión volumétrica.
34
ANALISIS DEL MODELO
El coeficiente total de transferencia de calor, determina el

comportamiento dinámico. Esto incluye la transferencia de
calor desde el ambiente al vidrio y la conducción de calor a
través del vidrio. Ambos efectos son difíciles de determinar
con exactitud, por lo tanto el modelo deberá ser transformado
a una forma que sea adecuada para la simulación y
h/
verificación experimental. Para hacer esto se introducen un
parámetro nuevo denominado constante de tiempo:
c
te
a.
ic
im
qu
ia
er

ni
ANALISIS DEL MODELO

ge
in
La constante de tiempo. Indica la rapidez con que el vidrio y

el mercurio incrementan su temperatura para una diferencia
://
de temperatura con el ambiente.

La constante de tiempo es un valor experimentalmente
tp
verificable y puede ser estimado usando la siguiente

ht
ecuación:
35
ANALISIS DEL MODELO
Modelo Matemático para el termómetro de mercurio:
c h/
te
a.
ic
im
qu
ia
er

ni
SOLUCION DEL MODELO MATEMATICO

ge
Reemplazando el valor de la constante de tiempo τ = 5, Tm = 100 y

haciendo Tb = x:
in
://
a) usando dsolve
tp
syms x(t)
cond=x(0)==75;
ht
x=dsolve('Dx=(100-x)/5',cond);
Para graficar, damos valores al tiempo, calculamos x y graficamos

t=0:50;
x = subs(x);
plot(t,x)
grid
xlabel('Tiempo:segundos')
ylabel('Temperatura ºF')
title('RESPUESTA DEL TERMOMETRO DE MERCURIO')
36
b) usando ode45
tspan = [0 50];
x0 = 75;
[t,x] = ode45(@(t,x) (100-x)/5, tspan, x0);
plot(t,x)
h/
grid
c
te
a.
ic
im
qu
ia
er

ni

ge
c) Transformada de Laplace
Reacomodando la ecuación
in
://
tp
𝐿 5𝐷𝑥 𝑡 + 𝑥 𝑡 − 100 = 𝐿 0
5𝐿 𝐷𝑥 𝑡 +𝐿 𝑥 𝑡 − 𝐿 100 = 𝐿 0
ht
1000
5 5𝑋 𝑠 − 𝑥 0 + 𝑋 𝑠 − =0
𝑠
Pero x(0) = 75, con lo cual
37
Reacomodando:
syms x(t) t s
h/
dxdt = diff(x,t);
eqn1=5*dxdt+x-100==0;
c
eqn1LT = laplace(eqn1,t,s);
syms x_LT
te
eqn1LT = subs(eqn1LT,laplace(x,t,s),x_LT);
eqn1LT=subs(eqn1LT,x(0),75);
a.
[x_LT] = solve(eqn1LT,x_LT);
x1sol = ilaplace(x_LT,s,t);
ic
t=0:50;
x = subs(x1sol);
im
qu
ia
er

ni

ge
in
plot(t,x)
grid
://
tp

ht
38
PRACTICA N° 2
h/
2. MODELAMIENTO A BASE DE DATOS EXPERIMENTALES –
PROBLEMAS DE ENZIMAS
c
te
a.
ic
im
qu
ia
er

ni
ge
Estructuras de control condicionadas

in
 Operaciones lógicas:
>, <, >=,<=,== (igual)
://
 | (or), &(and)
tp
 ~ (no), ~= (no igual)

ht
if
if
if elseif
else
end else
end
end
39
Funciones gráficas 2D
 2D: subplot(n,m,k) subdivide una ventana gráfica se

puede en m particiones horizontales y n verticales y k es
la subdivisión que se activa.
h/
 2D: polar(ángulo,r) para pintar en polares
c
te
 2D: fill(x,y,’opción’) dibuja una curva cerrada y la
rellena del color que se indique en ‘opción’
a.
ic
im
qu
ia
er

ni
ge
Elección de la escala de los ejes

in
 axis([x0 x1 y0 y1]) (2D), axis([x0 x1 y0 y1 z0 z1]) (3D)
axis auto: devuelve la escala a la de defecto

://
 axis off: desactiva los etiquetados de los ejes desapareciendo los ejes, sus
tp
etiquetas y la malla, axis on: lo activa de nuevo

ht
 axis equal: los mismos factores de escala para los dos ejes
 axis square: cierra con un cuadrado la región delimitada por los ejes de
coordenadas actuales.
 Para elegir las etiquetas que aparecen en los ejes:
 set(gca, ‘XTick’,-pi:pi/2,pi) %gca:get current axis

 set(gca, ‘XTicklabel’,({‘-pi’,’-pi/2’,0,’pi/2’,’pi’})
40
Funciones para añadir títulos a la gráfica

 title('título') añade un título al dibujo. Para incluir en el texto el valor
de una variable numérica es preciso transformarla mediante :
 int2str(n) convierte el valor de la variable entera n en carácter

 num2str(x) convierte el valor de la variable real o compleja x en
carácter. Ejemplo: title(num2str(x))
h/
 xlabel(‘texto’) añade una etiqueta al eje de abscisas. Con xlabel
off desaparece. Lo mismo ylabel(‘texto’) o zlabel(‘texto’)
c
te
 text(x,y,'texto') introduce 'texto' en el lugar especificado por las
coordenadas x e y. Si x e y son vectores, el texto se repite por cada
par de elementos.
a.
 gtext('texto') introduce texto con ayuda del ratón.
ic
im
qu
ia
er

ni
Funciones de Matlab
ge
file=uigetfile abre un cuadro de diálogo muestra los

in

archivos en la carpeta actual. Permite a un usuario
seleccionar o introducir el nombre de un archivo. Si el
://
archivo existe y es válido, uigetfile devuelve el nombre

del archivo cuando el usuario hace clic en abrir. Si el
tp
usuario hace clic en Cancelar o cerrar de la ventana de

botón (X), uigetfile devuelve 0.
ht
 num = xlsread(filename) lee la primera hoja en la

Microsoft® Excel® libro de hoja de cálculo llamado
filename y devuelve los datos numéricos en una matriz.
41
Polinomios
 Los polinomios se representan en Matlab por un vector fila de

dimensión n+1 siendo n el grado del polinomio. Ejemplo: x3+2x-7 se
representa por
>> pol1=[1 0 2 -7]
 Cálculo de las raíces: roots (da un vector columna, aunque pol1 es
h/
un vector fila)
>>raices=roots(pol1)
c
te
 Un polinomio puede ser reconstruido a partir de sus raíces con el
comando poly
a.
>> p=poly(raices) (da un vector fila) **
Si el argumento de poly es una matriz se obtiene el polinomio
ic

característico de la matriz.
im
qu
ia
er

ni
ge
Funciones de Matlab para polinomios

in
Calcular el valor de un polinomio p en un punto dado x:

://

polyval
tp
>>y=polyval(p,x)
ht
 Multiplicar y dividir polinomios: conv(p,q) y deconv(p,q)
 Calcular el polinomio derivada: polyder(p)
42
Interpolación
 1D:
 Se define un polinomio de un cierto grado (ejemplo, n=2,
ax^2+bx+c), para hacer la interpolación: p=polyfit(x,y,n). Si se
quiere la interpolación en ciertos valores ’xi’: yi=polyval(p,xi).
 yi = interp1(x,Y,xi,metodo). Métodos: ‘linear’ (interpolación
h/
lineal), ’cubic’ (cúbica), ’spline (spline cúbica)
c
 2D:
te
 matriz_Z=interp2(X,Y,Z,matriz_X,matriz_Y,metodo). Métodos:
’bilinear’ (interpolación lineal), ’bicubic’ (cúbica)
a.
ic
im
qu
ia
er

ni
ge
Ajuste de datos
in
 y= fit(x,y,fitType) Devuelve los coeficientes para un

://
determinado tipo de ajuste, en función de los valores

ingresados por el usuario. Con el comando fittype se
tp
crea el tipo de ajuste de curva. Es posible crear el tipo

de ajuste utilizando modelos de la biblioteca del
ht
programa.
 beta = nlinfit(X,Y,modelfun,beta0) devuelve un
vector de coeficientes estimados para una regresión
no lineal.
43
2. PROBLEMAS DE ENZIMAS
1. La hidrólisis de N-glutaril-L-fenilalanina-p-nitroanilida (GPNA) para dar p-nitroanilina y N-

glutaril-L-fenilalanina, está catalizada por la enzima alfa-quimotripsina. En unas determinadas
condiciones de pH y temperatura, los datos cinéticos obtenidos han sido los siguientes:
Asumiendo una cinética de tipo Michaelis-Menten. Calcular las constantes cinéticas.
h/
2. Una enzima se ensayó para distintas concentraciones de su substrato específico, en
ausencia y presencia de un inhibidor ([I]=1mM), obteniéndose los siguientes resultados:
c
te
a.
ic
Calcular las constantes cinéticas ¿Qué clase de inhibición se produce?
im
qu
ia
er

ni

ge

[file,path] =
in
uigetfile({'*.xl*;*.xlsx;*.xlsm;*.xlsb;*.xlam;*.xltx;*.xltm;*.xls;*.xla;*.xlt;*
.xlm;*.xlw','Archivos de Excel
(*.xl*;*.xlsx;*.xlsm;*.xlsb;*.xlam;*.xltx;*.xltm;*.xls;*.xla;*.xlt;*.xlm;*.xlw)
://
';'*.xlsx;*.xlsm;*.xlsb;*.xls','Hojas de cálculo
(*.xlsx;*.xlsm;*.xlsb;*.xls)'},'Select a File');
if isequal(file,0)
tp
disp('User selected Cancel');

else
disp(['User selected ', fullfile(path,file)]);
ht
end
Tab1 = xlsread(fullfile(path,file));
xdata=Tab1(:,1);
xdata=xdata';
ydata=Tab1(:,2);
ydata=ydata';
44
%------------------------------------------------
%model=@(b,x) b(1).*xdata./(b(2)+xdata); %modelo michaelis menten
%model=@(b,x) b(1).*xdata./(b(2)+xdata); %modelo monod
%model=@(b,x) b(1).*(1-exp(-xdata./b(2))); %modelo Teissier
%model=@(b,x) b(1).*(xdata.^b(2))./(b(3)+xdata.^b(2)); %modelo moser
%model=@(b,x) b(1).*xdata./(b(2)+xdata+b(3).*xdata.^2); %modelo Haldane
%model=@(b,x) b(1).*(xdata./(b(2)+xdata))*(1-b(3)*P); %modelo Hinshelwood
valorinicial=[1 1 1];
[beta,R,J,CovB,MSE] = nlinfit(xdata,ydata,model, valorinicial)
% 95% CI of coeffieicents
h/
betaci = nlparci(beta,R,J);
plot(xdata,ydata,'o')
c
hold on
x=linspace(0,20,1000);
te
f=beta(1).*x./(beta(2)+x);
plot(x,f,'-')
a.
ic
im
qu
ia
er
4. SIMULACIÓN
ni
La simulación se refiere al conjunto de métodos y

ge
aplicaciones que buscan imitar el comportamiento de

sistemas reales, generalmente en un computadora con un
in
software apropiado.
://
tp
ht
45
4. SIMULACIÓN
Simulación de Procesos
• Consiste en el diseño de un modelo

matemático de un sistema, y la posterior
ejecución de una serie de experimentos con la
intención de entender su comportamiento bajo
h/
ciertas condiciones.
c
te
• El modelo debe ser capaz de reproducir el
comportamiento del proceso real con la mayor
a.
exactitud posible.
ic
im
qu
ia
er
4. SIMULACIÓN
ni
4.1. SIMULADORES COMERCIALES

ge
in
://
tp
ht
46
4. SIMULACIÓN
Sistema discreto: Se caracteriza porque las propiedades

de interés (variables del estado de interés) del sistema
cambian únicamente en un cierto instante o secuencia de
instantes, y permanecen constantes el resto del tiempo.
h/
Sistema continuo: Se caracteriza porque las variables de
c
estado cambian de forma continúa.
te
a.
ic
im
qu
ia
er
4. SIMULACIÓN
ni

ge
Simulación
Sistema Actual salida(t)
in
entrada(t)
://
parámetros =??
tp
Simulación del Sistema salida(t)

ht
 La simulación del sistema imita la operación del sistema

actual sobre el tiempo.
 La historia artificial del sistema puede generarse, observarse
y analizarse.
 La escala de tiempo puede alterarse según la necesidad.
 Las conclusiones acerca de las características del sistema
actual se pueden inferir.
47
4. SIMULACIÓN
Modelo
Físico
continuo
Modelo
Analógico
S
M Tipos de Modelo de Tipos de
h/
I
O Modelos Simulación Simulación
S discreto
D
T
c
E Modelo
E
L Matemático
te
M Utilidad
O
A
a.
ic
im
qu
ia
er
4. SIMULACIÓN
ni

ge
ESTRUCTURA TIPICA DE UN PROGRAMA DE

SIMULACION
in
Subrutinas Entrada
de equipos de datos
://
Subrutinas
tp
Termodinámica Programa
Principal
ht
Subrutinas
De convergencia Interfase
De
Bases de datos Usuario
de propiedades físicas
Bases de datos Salida

de costos De Datos
48
4. SIMULACIÓN
4.3. TIPOS DE SIMULACIÓN
Estático vs Dinámico: El tiempo no desempeña un papel

natural en los modelos estáticos pero si en los dinámicos.
Continuo vs Discreto: En un modelo continuo el estado del

sistema puede cambiar continuamente en el tiempo, en un
modelo discreto el cambio puede ocurrir sólo en tiempos
separados del tiempo.
c h/
Determinista vs Estocástico: Los modelos que no tienen
te
entradas aleatorias son deterministas y los que tiene entradas
aleatorias son estocásticos.
a.
ic
im
qu
ia
er
4. SIMULACIÓN
ni

ge
Estocástico (*) Determinístico

Si el estado de la variable en el Si el estado de la variable en el
in
siguiente instante de tiempo no siguiente instante de tiempo se

se puede determinar con los puede determinar con los datos
://
datos del momento actual. del estado actual.

tp
yj = fm(xi, lk)
ht
xi (Existen
variables internas
yj xi yj = fm(xi) yj
–como lk–
aleatorias)
Método analítico: usa Método numérico: algún método

probabilidades para determinar de resolución analítica.
la curva de distribución de
frecuencias.
49
4. SIMULACIÓN
Continuo Discreto (*)

El estado de las variables cambia El estado del sistema cambia en
de forma continua a lo largo del tiempos discretos del tiempo
tiempo.
e = f(nT)
e = f (t)
h/
c
te
Método analítico: emplea Método numérico: utiliza
a.
razonamiento de matemáticas procedimientos computacionales
deductivas para definir y resolver para resolver el modelo
ic
el sistema. matemático.
im
qu
ia
er
4. SIMULACIÓN
ni

ge
Estático Dinámico (*)

Si el estado de las variables
in
puede cambiar mientras se

realiza algún cálculo
Entre las variables no se
://
encuentra la variable tiempo.

f [ nT ] ≠ f [ n(T+1) ]
tp
ht
Método analítico: algún método

de resolución analítica.
Método numérico: usa
procedimientos
computacionales para resolver
el modelo matemático.
50
4. SIMULACIÓN
4.4. RESOLUCIÓN
Método secuencial modular:

- Subrutinas de cálculo para cada unidad de proceso.
- Cálculo de variables. de salida en función de las de
entrada.
- Procedimiento iterativo (reciclos).
Método orientado a ecuaciones:
h/
- Resolución simultánea
c
te
Método modular simultáneo:
- Ventajas de los métodos anteriores
a.
- Sistema de ecuaciones simplificado
- Modelos ingenieriles aproximados o representaciones
ic
lineales de los modelos rigurosos
im
qu
ia
er
4. SIMULACIÓN
ni
4.4. RESOLUCIÓN
ge
in
Secuencial modular
://
Los cálculos se realizan unidad por unidad,

tp
secuencialmente. Los procesos con reciclos deben

ser descompuestos en varias secuencias de calculo
ht
hasta lograr convergencia, usando los balances de

masa y energía como criterio para terminar el
calculo.
51
4. SIMULACIÓN
4.4. RESOLUCIÓN
Secuencial modular
• Esta estrategia de cálculo es utilizada en la mayoría de los

simuladores de estado estacionario: Aspen, Chemcad,
ProVision, Hysys, Prosim, Winsim
h/
• El elemento básico es el modelo de operación unitaria,
el cual es construido a partir de balances de masa energía
c
y momentum, hasta finalmente obtener un conjunto de
ecuaciones algebraicas no-lineales:
te
f (u , x, d , p )  0
a.
ic
im
qu
ia
er
4. SIMULACIÓN
ni
4.4. RESOLUCIÓN
ge
Secuencial modular
f (u, x, d , p)  0
in
://
• u Variable de entrada o salida

tp
• x estado interno de la variable, temperatura, presión, concentración, et.

ht
• d variable dependiente de la geometría, como volumen, área de intercambio

de calor, etc
• p variables que definen propiedades físicas, como entalpías especificas,

valores de K, etc.
• El sistema de ecuaciones algebraicas no lineales debe ser

compatible y determinado
52
4. SIMULACIÓN
4.4. RESOLUCIÓN
Secuencial modular
• Esquema general de un Modelo de Operación Unitaria
Parámetros
Especificaciones
Geometría
h/
Corrientes de entrada
c
Corrientes de salida
Modelo
te
Calor Calor
Operación
Trabajo Unitaria Trabajo
a.
ic
Tamaño
im
qu
ia
er
4. SIMULACIÓN
ni
4.4. RESOLUCIÓN
ge
in
Orientada a Ecuaciones
En este caso todas las ecuaciones del modelo,
://
algebraicas no lineales y diferenciales, se

tp
integran en un único conjunto y se resuelven

simultáneamente.
ht
Este esquema es mas flexible que el

Secuencial-Modular, sin embargo requiere mas
esfuerzo de programación y se consumen mas
recursos de computación.
53
4. SIMULACIÓN
4.4. RESOLUCIÓN
• Las corrientes de reciclo no representan una
dificultad en la resolución del modelo.
• Esta arquitectura esta mas orientada a la
solución de modelos dinámicos
h/
• El modelo desarrollado tiene la forma:
c
te
dx
 f (u , x , d , p )
a.
dt
ic
im
qu
ia
er
4. SIMULACIÓN
ni
4.4. RESOLUCIÓN
ge
in
• El estado estacionario se obtiene haciendo el

://
termino derivativo igual a cero

• En general los resultados se muestran como
tp
tablas o graficas, donde se muestra el

ht
comportamiento de las variables en función del

tiempo.
• Aspen Dynamics y Simulink utilizan esta
arquitectura.
54
4. SIMULACIÓN
4.4. RESOLUCIÓN
Módulos Simultáneos
Esta estrategia de solución combina los Módulos
Secuenciales y Solución Orientada a Ecuaciones.
Modelos rigurosos de las operaciones unitarias son
resueltos secuencialmente, mientras que modelos
h/
lineales son resueltos globalmente para interconectar los
resultados de cada modulo.
c
Este parece ser el enfoque que a futuro se dará en los
te
simuladores comerciales
a.
ic
im
qu
ia
er
ni
ge
in
://
tp
ht
55

Unidad 1

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Unidad 1

Caricato da

Copyright:

Formati disponibili

UNIVERSIDAD NACIONAL DE TRUJILLO

UNIDAD I. INTRODUCCION AL MODELAMIENTO

1.3. TIPOS DE MODELO

2. USO DE LOS MODELOS

3. ETAPAS DEL MODELAMIENTO (Práctica N°2)

Modelo es derivado del Latin modus, lo cual significa una

"Un sistema físico o matemático, obedeciendo ciertas

Notar que ambas definiciones indican que un modelo es una

representación de un sistema o un objeto.

La definición dada por la combinación de ideas de Eykhoff

Un sistema puede definirse como una colección de objetos o

1.2. MODELO DE PROCESO

Un modelo de proceso es un conjunto de ecuaciones

(incluyendo los datos de entrada necesarios para resolver las

Cuando un proceso industrial está sometido a estudio existen

Los modelos de los

1.3. TIPOS DE MODELO

Los Modelos Físicos.

Un modelo físico es una maqueta, o la recreación del sistema

túneles aerodinámicos, modelos en miniatura, tanques de

Los Modelos Matemáticos .

Los modelos matemáticos son usados para predecir o

1.3. TIPOS DE MODELO

Sistema Modelo del

Los Modelos Analíticos.

Los modelos analíticos son aquellos que son sacados de una

1.3. TIPOS DE MODELO

Los Modelos de Simulación.

Muchos sistemas contienen un número dinámico de

algoritmos que interactúan entre sí para los cuales es

modelos analíticos. En estos casos la simulación se usa para

predecir los resultados del sistema. La simulación proveerá la

Proceso de abstracción para obtener el modelo.

Los aspectos más importantes del modelado son:

1. Un modelo es una herramienta no una meta.

La primera fase en el modelamiento es una descripción de la

2. Los modelos Universales no son económicos.

Usualmente no tiene sentido desarrollar modelos para varios

desarrollados para diseño, estudios económicos, operación

control, seguridad y casos especiales. Sin embargo todas

3. La complejidad del modelo debe estar de acuerdo con

Se debe probar a desarrollar el modelo más simple para

El modelo comprende un mínimo de tres niveles jerárquicos:

Usualmente un sistema comprende varios subsistemas, cada

uno con una función separada. Para entender el sistema, es

5. Un modelo no puede explicar más de lo que contiene.

El modelado y la simulación pueden realzar la

6. El modelado es un proceso creativo con un cierto

El establecimiento del problema, la definición de la meta, el

análisis de proceso, el diseño y análisis del modelo son todas

las etapas en las cuales tienen que hacerse las elecciones.

7. El nivel de detalle del modelo.

Las tres dimensiones en las cuales puede ser representado

1. INTRODUCCION A MATLAB (PARTE 1)

2. AJUSTE DE CONCENTRACION EN UN TANQUE

3. TRANSFERENCIA DE CALOR EN UNA PLACA PLANA

• ¿Qué es Matlab?, MATrix LABoratory

• Es un lenguaje de programación (inicialmente

1. INTRODUCCION A MATLAB (PARTE 1)

1. Ventana de comandos (Command Window)

Elementos básicos del escritorio de Matlab

• Command Windows: Donde se ejecutan todas las

1. INTRODUCCION A MATLAB (PARTE 1)

Qs=((alfa/(1+alfa/(2gSc^2))).*x(:,1)).^(1/2); %Caudal de salida en función de