Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
MODELAMIENTO Y
SIMULACIÓN
h/
Área Académica: Ingeniería Química
c
Profesor: Mg. Luis David Moncada Torres
te
a.
ic
im
qu
ia
er
Y SIMULACIÓN DE PROCESOS
ge
in
1. MODELO
1.1. ¿QUÉ ES UN SISTEMA?
1.2. MODELO DE PROCESO
://
4. SIMULACIÓN
4.1. SIMULADORES COMERCIALES
4.2. FORMAS DE ESTUDIAR UN SISTEMA
4.3. TIPOS DE SIMULACION
4.4. RESOLUCION
1
1. MODELO
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
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?
h/
Parte del Relación
Límite del sistema
c
sistema
te
a.
ic
im
qu
ia
er
1. MODELO
ni
Modelo de Proceso:
in
un proceso químico.
ht
3
1. MODELO
1.3. TIPOS DE MODELO
Sistema
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
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
1.3. TIPOS DE MODELO
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
Sistema
in
Los Modelos
Matemáticos .
://
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
1.3. TIPOS DE MODELO
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
6
1. MODELO
1.4. MODELADO
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
7
1. MODELO
1.4. MODELADO
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.
://
8
1. MODELO
1.4. MODELADO
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
9
1. MODELO
1.4. MODELADO
c h/
te
a.
ic
im
qu
ia
er
ni
ge
in
PRACTICA N° 1
://
tp
10
1. INTRODUCCION A MATLAB (PARTE 1)
h/
también trabajar con números escalares, tanto
reales como complejos.
c
te
• Cuenta con paquetes de funciones especializadas
a.
ic
im
qu
ia
er
3
tp
ht
2
1
4
11
1. INTRODUCCION A MATLAB (PARTE 1)
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
Datos numéricos:
ge
>> who
>> whos (da más información)
tp
12
1. INTRODUCCION A MATLAB (PARTE 1)
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
Funciones de Matlab:
in
exp(x), log(x), log2(x) (en base 2), log10(x) (en base 10), sqrt(x)
://
acosh(x), atanh(x)
13
1. INTRODUCCION A MATLAB (PARTE 1)
Definición de vectores:
Vectores fila; elementos separados por blancos o comas
>> v =[2 3 4]
h/
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
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
://
» M=[3 4 5; 6 7 8; 1 -1 0]
ht
14
1. INTRODUCCION A MATLAB (PARTE 1)
Definición de matrices:
Generación de matrices:
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
v: vector, k: escalar:
://
tp
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
1. INTRODUCCION A MATLAB (PARTE 1)
+ adición o suma
– sustracción o resta
* multiplicación matricial
.* producto elemento a elemento
^ potenciación
h/
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
16
1. INTRODUCCION A MATLAB (PARTE 1)
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
nombre_matriz2
tp
17
1. INTRODUCCION A MATLAB (PARTE 1)
Funciones gráficas 2D
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
Bucles
in
for k=n1:incre:n2
://
end
tp
ht
while
end
18
1. INTRODUCCION A MATLAB (PARTE 1)
[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.
a.
ic
im
qu
ia
er
Se busca obtener el modelo para el estudio de la evolución del nivel y concentración de sal
en un tanque.
in
://
tp
ht
19
2. AJUSTE DE CONCENTRACIÓN EN UN TANQUE
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
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
20
2. AJUSTE DE CONCENTRACIÓN EN UN TANQUE
DESARROLLO DEL MODELO
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
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
2. AJUSTE DE CONCENTRACIÓN EN UN TANQUE
DESARROLLO DEL MODELO
c h/
te
a.
ic
im
qu
ia
er
balance entre el flujo neto de calor, el calor generado y el calor almacenado en el material.
𝜕 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
3. TRANSFERENCIA DE CALOR EN UNA PLACA PLANA
DIFERENCIAS FINITAS
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
DIFERENCIAS FINITAS
ge
𝜕𝑇 𝑇 , − 𝑇 ,
=
𝜕𝑡 ∆𝑡
://
, ,
=
𝜕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
3. TRANSFERENCIA DE CALOR EN UNA PLACA PLANA
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
a=vod/(ro*Cp);
dx=L/(N-1); %tamaño del paso
M=((dx)^2)/(dt*a); %Valor de M
t=dt;
24
2. AJUSTE DE CONCENTRACIÓN EN UN TANQUE
DESARROLLO DEL MODELO
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
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
%---------------------------------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
2. AJUSTE DE CONCENTRACIÓN EN UN TANQUE
DESARROLLO DEL MODELO
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
26
2. USO DE LOS MODELOS
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
a un valor deseado?
ht
27
3. ETAPAS DEL MODELAMIENTO
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
modelo es válido.
28
3. ETAPAS DEL MODELAMIENTO
ANALISIS DEL SISTEMA
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
29
3. ETAPAS DEL MODELAMIENTO
ANALISIS 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
30
3. ETAPAS DEL MODELAMIENTO
ANALISIS DEL SISTEMA
h/
entradas como muestra la figura.
c
te
a.
ic
im
qu
ia
er
31
3. ETAPAS DEL MODELAMIENTO
ANALISIS DEL SISTEMA
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
32
3. ETAPAS DEL MODELAMIENTO
DISEÑO DEL MODELO
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
𝑞̇
= 𝑈 ∆𝑇 𝑞̇ = 𝑈𝐴 𝑇 −𝑇
𝐴
33
3. ETAPAS DEL MODELAMIENTO
DISEÑO DEL MODELO
h/
c
te
La altura del mercurio es una función de la temperatura:
a.
ic
im
qu
ia
er
34
3. ETAPAS DEL MODELAMIENTO
ANALISIS DEL MODELO
h/
verificación experimental. Para hacer esto se introducen un
parámetro nuevo denominado constante de tiempo:
c
te
a.
ic
im
qu
ia
er
ecuación:
35
3. ETAPAS DEL MODELAMIENTO
ANALISIS DEL MODELO
c h/
te
a.
ic
im
qu
ia
er
a) usando dsolve
tp
syms x(t)
cond=x(0)==75;
ht
x=dsolve('Dx=(100-x)/5',cond);
36
3. ETAPAS DEL MODELAMIENTO
SOLUCION DEL MODELO MATEMATICO
b) usando ode45
tspan = [0 50];
x0 = 75;
[t,x] = ode45(@(t,x) (100-x)/5, tspan, x0);
plot(t,x)
h/
grid
xlabel('Tiempo:segundos')
c
ylabel('Temperatura ºF')
te
title('RESPUESTA DEL TERMOMETRO DE MERCURIO')
a.
ic
im
qu
ia
er
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
3. ETAPAS DEL MODELAMIENTO
SOLUCION DEL MODELO MATEMATICO
c) Transformada de Laplace
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
c) Transformada de Laplace
in
plot(t,x)
grid
://
xlabel('Tiempo:segundos')
ylabel('Temperatura ºF')
tp
38
PRACTICA N° 2
h/
2. MODELAMIENTO A BASE DE DATOS EXPERIMENTALES –
PROBLEMAS DE ENZIMAS
c
te
a.
ic
im
qu
ia
er
Operaciones lógicas:
>, <, >=,<=,== (igual)
://
| (or), &(and)
tp
if
if
if elseif
else
end else
end
end
39
1. INTRODUCCION A MATLAB (PARTE 2)
Funciones gráficas 2D
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
axis off: desactiva los etiquetados de los ejes desapareciendo los ejes, sus
tp
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.
40
1. INTRODUCCION A MATLAB (PARTE 2)
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
Funciones de Matlab
ge
archivos en la carpeta actual. Permite a un usuario
seleccionar o introducir el nombre de un archivo. Si el
://
41
1. INTRODUCCION A MATLAB (PARTE 2)
Polinomios
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) **
ic
característico de la matriz.
im
qu
ia
er
polyval
tp
>>y=polyval(p,x)
ht
42
1. INTRODUCCION A MATLAB (PARTE 2)
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
Ajuste de datos
in
programa.
beta = nlinfit(X,Y,modelfun,beta0) devuelve un
vector de coeficientes estimados para una regresión
no lineal.
43
2. PROBLEMAS DE ENZIMAS
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
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
end
Tab1 = xlsread(fullfile(path,file));
xdata=Tab1(:,1);
xdata=xdata';
ydata=Tab1(:,2);
ydata=ydata';
44
2. AJUSTE DE CONCENTRACIÓN EN UN TANQUE
DESARROLLO DEL MODELO
%------------------------------------------------
%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
software apropiado.
://
tp
ht
45
4. SIMULACIÓN
Simulación de Procesos
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
46
4. SIMULACIÓN
4.2. FORMAS DE ESTUDIAR UN SISTEMA
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
Simulación
Sistema Actual salida(t)
in
entrada(t)
://
parámetros =??
tp
47
4. SIMULACIÓN
4.2. FORMAS DE ESTUDIAR UN SISTEMA
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
Subrutinas Entrada
de equipos de datos
://
Subrutinas
tp
Termodinámica Programa
Principal
ht
Subrutinas
De convergencia Interfase
De
Bases de datos Usuario
de propiedades físicas
48
4. SIMULACIÓN
4.3. TIPOS DE SIMULACIÓN
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
yj = fm(xi, lk)
ht
xi (Existen
variables internas
yj xi yj = fm(xi) yj
–como lk–
aleatorias)
49
4. SIMULACIÓN
4.3. TIPOS DE SIMULACIÓN
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
50
4. SIMULACIÓN
4.4. RESOLUCIÓN
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
://
51
4. SIMULACIÓN
4.4. RESOLUCIÓN
Secuencial modular
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
://
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,
://
53
4. SIMULACIÓN
4.4. RESOLUCIÓN
Orientada a Ecuaciones
• 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
Orientada a Ecuaciones
in
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