Ebscohost PDF

Copyright © 2002. Digitalia. All rights reserved.
May not be reproduced in any form without permission from the

publisher, except fair uses permitted under U.S. or applicable copyright law.
EBSCO Publishing : eBook Collection (EBSCOhost) - printed on

6/14/2019 12:22 PM via UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA -
UNAD
AN: 318040 ; Llavador Colomer, Fernando.; Modelos matematicos de
sistemas acuaticos dinamicos
Account: ns145102
Copyright © 2002. Digitalia. All rights reserved. May not be reproduced in any form without permission from the publisher, except fair uses permitted under U.S. or
MODELOS MATEMATICOS DE SISTEMAS

ACUATICOS DINAMICOS
EBSCO Publishing : eBook Collection (EBSCOhost) - printed on 6/14/2019 12:22 PM via UNIVERSIDAD
NACIONAL ABIERTA Y A DISTANCIA - UNAD
AN: 318040 ; Llavador Colomer, Fernando.; Modelos matematicos de sistemas acuaticos dinamicos
Account: ns145102
applicable copyright law.
This page intentionally left blank
Account: ns145102
Fernando Llavador Colomer
MODELOS MATEMATICOS
DE SISTEMAS ACUATICOS
DINAMICOS
UNWERSD3AD DE ALICANTE
Account: ns145102
Fernando Llavador Colomer, 2002

de la presente edicion
EBSCO Publishing : eBook Collection (EBSCOhost)
Publicaciones - printed onde
de la Universidad 6/14/2019
Alicante12:22 PM via UNIVERSIDAD
Campus de San Vicente s/n
Account: ns145102
03690 San Vicente del Raspeig
Publicaciones@ua.es
http://publicaciones.ua.es
Diseno de portada: Alfredo Candela
Fotocomposicion e impresion: Compobell, S.L.

C/. Palma de Mallorca, 4 - bajo (Edificio Abeto)
30009 Murcia
I.S.B.N.: 84-7908-617-3
Deposito Legal: MU-1019-2002
Reservados todos los derechos. No se permite reproducir, almacenar en sistemas de recuperation de la information ni
transmitir alguna parte de esta publication, cualquiera que sea el medio empleado -electronico, mecanico, fotocopia,
grabacion, etc.-, sin el permiso previo de los titulares de los derechos de la propiedad intelectual.
INDICE GENERAL
PROLOGO 11
INTRODUCCION 15
1. CONSTRUCCION DE MODELOS DE SISTEMAS VARIA-

BLES EN EL TIEMPO 19
1.1. MODELOS ESTATICOS Y MODELOS DINAMICOS. . 19
1.2. CONSTRUCCION DE MODELOS DINAMICOS 19
1.2.1. Estructura de un modelo 20
1.2.1.1. Especificacion de las variables de interes ... 20
1.2.1.2. Construction de diagramas de control 21
1.2.1.3. Clasificacion de las variables del modelo .... 21
1.2.1.4. Especificacion de la forma de las ecuaciones 23
1.2.1.5. Evaluation previa de parametros 24
1.2.1.6. Verification 24
1.2.2. Analisis de sensibilidad 25
1.2.3. Evaluation de parametros y calculo de incertidumbres 31
1.2.3.1. Calibration del modelo 31
1.2.3.2. Analisis de la incertidumbre 35
1.2.3.3. Disefio experimental 36
1.2.3.4. Validation 38
1.2.4. Prediction de la evolution temporal del sistema 38
2. PROCESOS FISICO-QUIMICOS EN SISTEMAS ACUATICOS 45

2.1. BIODEGRADACION 45
2.2. EQUILIBRIOS
NACIONAL ABIERTA Y A DISTANCIA -DE
UNAD IONIZACION 47
2.3.
AN: HIDROLISIS
318040 ; Llavador Colomer,QUIMICA
Fernando.; Modelos matematicos de sistemas acuaticos dinamicos 50
Account: ns145102
2.4. OXIDACION QUIMICA 51
2.5. FOTOTRANSFORMACIONES 51
2.6. VOLATILIZACION 56
8 Fernando Llavador Colomer
2.7. ADSORCION 58
2.8. BIOCONCENTRACION 60
3. MODELOS DE CALIDAD DEL AGUA 63

3.1. DIMENSIONES ESPACIALES DE LOS MODELOS DE
SISTEMAS ACUATICOS 63
3.2. MODELOS ADIMENSIONALES. MODELO DE VER-
TIDO EN LAGOS 63
3.2.1. Modelo de un compartimento 64
3.2.2. Ciclos de estratificacion de la columna de agua 65
3.2.3. Modelo de dos compartimentos 67
3.2.4. Modelo de dos compartimentos con reacciones aco-
pladas 69
3.3. MODELOS UNIDIMENSIONALES. EVALUACION DEL
IMPACTO DE VERTIDOS EN CURSOS DE AGUA 71
3.3.1. Vertido en estuarios 73
3.3.2. Modelo de agotamiento de oxigeno en rios 75
3.3.2.1. Mecanismos de reoxigenacion 75
3.3.2.2. Mecanismos de consumo de oxigeno 76
3.3.2.3. Ecuacion de Streeter y Phelps 78
3.4. MODELOS MULTIDIMENSIONALES 81
4. MODELOS DE SISTEMAS EUTROFICOS 85

4.1. PROCESOS DE EUTROFIZACION 85
4.2. VARIABLES DE ESTADO EN SISTEMAS EUTROFICOS 85
4.3. PROCESOS EN LA COLUMNA DE AGUA 87
4.3.1. Ciclo del carbono 87
4.3.1.1. Bioquimica de los organismos heterotrofos . 91
4.3.1.2. Procesos de la materia organica 92
4.3.2. Ciclo del oxigeno 93
4.3.3. Fitoplancton 97
4.3.4. Ciclo del fosforo 113
4.3.5. Ciclo del nitrogeno 117
4.4. PROCESOS EN LA CAPA DE SEDIMENTOS 124
4.4.1. Materia organica 124
4.4.2. Ciclo del fosforo 126
4.4.3. Ciclo del nitrogeno 126

4.5. INTERACCIONES ENTRE LA CAPA DE SEDIMENTOS
Y LA COLUMNA DE AGUA 127
4.5.1. Demanda de oxigeno del sedimento 127
4.5.2. Regeneration bentica de nutrientes 128
4.6. COMBINACION DE PROCESOS 129
Account: ns145102
Modelos matemdticos de sistemas acuaticos dinamicos __9
5. MODELOS DE SISTEMAS DE FANGOS ACTIVOS 139

5.1. PROCESOS DE OXIDACION DE LA MATERIA OR-
GANICA EN AGUAS RESIDUALES 139

5.2. VARIABLES DE ESTADO EN SISTEMAS DE FANGOS
ACTIVOS 140
5.3. PROCESOS EN EL REACTOR BIOLOGICO 144
5.3.1. Hidrolisis 144
5.3.2. Organismos heterotrofos 146
5.3.3. Organismos acumuladores de fosfatos 151
5.3.4. Organismos autotrofos 158
5.3.5. Procesos fisico-quimicos del fosforo 160
5.4. COMBINACION DE PROCESOS Y MATRIZ DE COE-
FICIENTES ESTEQUIOMETRICOS 160
6. METODOS MATEMATICOS 173

6.1. RESOLUCION DE SISTEMAS DE ECUACIONES DI-
FERENCIALES. METODO DE RUNGE-KUTTA DE
CUARTO ORDEN 174
6.2. RESOLUCION DE SISTEMAS DE ECUACIONES EN
DERIVADAS PARCIALES. METODO DE DIFEREN-
CIAS FINITAS 175
6.3. METODO DEL SIMPLEX SUPERMODIFICADO 177
6.4. CALCULO DE VALORES PROPIOS. METODO LR DE
TRIANGULARIZACION 185
6.5. INVERSION DE MATRICES. METODO DE JORDAN. 187
6.6. MUESTREO ALEATORIO DE PARAMETROS. ME-
TODO DEL HIPERCUBO LATINO 188
6.7. RESOLUCION DE SISTEMAS DE ECUACIONES NO
LINEALES. METODO DE NEWTON 189
BIBLIOGRAFIA 193
NOTACION 201
INDICE ALFABETICO 217

Account: ns145102
Account: ns145102
PROLOGO
Actualmente resulta habitual y en algunos casos casi imprescindible utili-

zar la modelizacion para cubrir diversos objetivos en aplicaciones de muy
diferente naturaleza tales como prediction meteorologica, analisis y proyec-
cion del cambio climatico, analisis de la resistencia de materiales, simulation
de mercados bursatiles, etc.
En las ciencias de la naturaleza y concretamente en las relacionadas con
la calidad de los recursos hidrologicos, vienen aplicandose desde hace algu-
nos anos diferentes modelos matematicos para estudiar sistemas fluviales,
lacustres y marines. Se pretende conocer, evaluar y predecir el comporta-
miento, tanto de los sistemas naturales como de los disenados por el hombre,
relativo a diversos fenomenos como, por ejemplo, la respuesta de un rio
frente a una carga contaminante, la capacidad de depuration de un determi-
nado proceso, o la dispersion de la salinidad de salmueras en el medio
marine. En esta obra se recogen apuntes sobre los aspectos conceptuales y
de aplicacion practica en la construction de dichos modelos para sistemas
acuaticos, que permiten plantear y resolver diversas cuestiones que se pue-
dan plantear.
El autor, que ya desarrollo su Tesis Doctoral en el conocimiento de los
procesos involucrados en la depuration biologica de las aguas, tiene una
amplia experiencia profesional y docente en el campo de la modelizacion.
Desde hace varies anos viene desempenando, a mi entender de forma muy
responsable, importantes funciones de control y gestion en el area de calidad
de la Entidad de Saneamiento y Depuration de Aguas Residuales de la
Comunidad Valenciana. Asimismo, ha participado como ponente en las siete

ediciones del Master en Gestion y Tratamiento del Agua que imparte el
Institute
NACIONALUniversitario del-Agua
ABIERTA Y A DISTANCIA UNAD y de las Ciencias Ambientales de la Universi-
dad de Alicante, dentro del modulo
AN: 318040 ; Llavador Colomer, Fernando.; Modelosde modelizacion
matematicos de sistemas de impactos
acuaticos que se
dinamicos
Account: ns145102
producen sobre el medio acuatico. El entusiasmo en la recopilacion y analisis
de la documentation actualmente existente, que proviene de fuentes disper-
sas y casi nunca en lengua castellana, ha permitido la consecution del pre-
}2 Fernando Llavador Colomer
sente texto en el que se plantean de forma metodica y comprensible las

materias principales de este complejo campo multidisciplinar.
Para facilitar su estudio, en toda la obra se ha intentado mantener una

cierta independencia de cada capitulo respecto a los demas, lo que no afecta
a la continuidad del desarrollo que mantiene un caracter progresivo.
El primer capitulo realiza una introduction al tema de la construction de
modelos, tratando tanto de los elementos formales que constituyen un modelo
como de las diferentes etapas que se deben considerar en su desarrollo.
Algunos aspectos como el calculo de las incertidumbres, analisis de la sensi-
bilidad de los parametros o sistemas con comportamiento caotico, unicamente
han sido apuntados de forma muy breve.
En el segundo capitulo se muestran algunas de las formulaciones mate-
maticas dadas a los diferentes procesos fisico-quimicos y biologicos que
pueden afectar a componentes quimicos en el medio acuatico. La descripcion
que se hace de los procesos es semejante a la incorporada por modelos
universalmente empleados como el TOXI5, de la U.S. Environmental
Protection Agency, USEPA, para la simulation del comportamiento de toxi-
cos en el medio acuatico.
En el tercer capitulo se van presentando aplicaciones de modelos a
casos sencillos de sistemas acuaticos, aumentandose progresivamente a lo
largo del mismo las dimensiones espaciales del modelo y la complejidad de
los procesos involucrados. En este apartado se describe, como uno de los
ejemplos tipo, el modelo de agotamiento de oxigeno en rios debido a Streeter
y Phelps, modelo que puede considerarse historico y de referencia en multi-
ples aplicaciones.
Los dos capitulos siguientes estudian algunas de las formulaciones mate-
maticas incorporadas en modelos matematicos de especial relevancia. En el
cuarto capitulo se recoge la formulacion dada por el modelo EUTRO5, de
la USEPA, para sistemas acuaticos sometidos a procesos de eutrofizacion,
dandose al mismo una presentation matricial similar a la empleada en la
actualidad para la descripcion de otros sistemas dinamicos similares. Es
relevante la descripcion que se hace en este capitulo de las relaciones entre
los factores ambientales y algunos de los procesos descritos. En el quinto
capitulo se presenta la formulacion utilizada por el modelo ASM N°2d, de la
International Water Association, para sistemas de fangos activados con elimi-
nation biologica de nitrogeno y fosforo, que es un proceso ampliamente
utilizado para la depuration biologica de las aguas residuales.

Para cada sistema analizado en estos capitulos se muestra unicamente
aquel modelo que mejor puede servir como ejemplo o que, por su uso genera-
lizado, se ha convertido en modelo de referencia. Esto simplifica y facilita la
lectura y comprension. Complementariamente, para todos los sistemas anali-
zados a lo largo de la obra, se dan referencias bibliograficas donde se pueden
Account: ns145102
Modelos matematicos de sistemas acuaticos dinamicos 13
encontrar otras formulaciones alternativas. For otra parte se incluyen tam-

bien en estos capitulos breves anotaciones sobre los fundamentos de los
mecanismos fisico-quimicos y biologicos responsables de los principales pro-

cesos que incorporan los modelos descritos, lo que permite dar una perspec-
tiva global y de comportamiento real que no se encuentra en otras obras
sobre la materia.
Finalmente, en el capitulo sexto se describen de forma simplificada algu-
nos metodos matematicos que pueden ser de utilidad en diferentes fases de
la construccion y operation con modelos matematicos de simulation. Cual-
quiera de estas operaciones matematicas podria resolverse mediante meto-
dos distintos a los descritos o incluso abordarse bajo planteamientos diferen-
tes. En cualquier caso, el exponer un ejemplo de cada uno de ellos evita que
el lector quede ignorante sobre como se llevan a la practica las operaciones
descritas en el capitulo primero, defecto del que suelen adolecer otras obras
sobre esta materia.
For ultimo, la extensa bibliografia recopilada recoge lecturas que permi-
ten documentarse al lector interesado sobre diversos temas como formulaciones
alternativas a las descritas en esta obra o sobre los aspectos basicos de los
procesos contenidos en los modelos expuestos.
En consecuencia, este libro puede constituir un material de ayuda impor-
tante para aquellos estudiantes, licenciados o ingenieros que precisen tener
un primer acercamiento a la teoria y practica de la construccion de mode-
los aplicados a sistemas acuaticos dinamicos, asi como constituir un mate-
rial de consulta adecuado para aquellos cursos de especializacion sobre
esta materia.
Alicante, marzo de 2001
Daniel Prats Rico

Catedrdtico de Ingenieria Quimica
Director del Institute Universitario del Agua
y de las Ciencias Ambientales de la Universidad de Alicante
Account: ns145102
Account: ns145102
INTRODUCTION
jEppur si muove!
Galileo Galilei
El mundo real es extrano y complejo. Mientras que unas veces la natura-

leza se nos presenta como ordenada y predecible, otras aparece como capri-
chosa e impredecible.
Esta complejidad obliga a que, en el estudio de procesos naturales, deban
limitarse las fuentes de variation que les afectan: es el universe del tubo de
ensayo; Asi, cuando limitamos las libertades de la portion de naturaleza
estudiada, podemos conocer experimentalmente, aspectos parciales del fun-
cionamiento con cierto nivel de detalle.
El problema se origina cuando se ha de interpretar la naturaleza en su
conjunto con pocas o ninguna restriction en las fuentes de variacion de sus
procesos e incluso con interacciones entre ellos. La complejidad del proble-
ma, entonces, nos impide muchas veces dar una interpretation adecuada al
comportamiento natural, a pesar de que podamos conocer bastante exacta-
mente muchas parcelas individuates de ese mundo.
Es en ese momento cuando surge el artificio del modelo matematico del
sistema natural. El modelo se constituye en un instrumento que permite,
enlazando los elementos de conocimiento disponibles, una aproximacion al
problema de interpretation del sistema.
Mientras que en el mundo del arte (y de la logica matematica), el modelo

es la realidad que el artista intenta representar los mas fielmente posible, en
las EBSCO
ciencias de la naturaleza el modelo es, por el contrario, una representa-
Publishing : eBook Collection (EBSCOhost) - printed on 6/14/2019 12:22 PM via UNIVERSIDAD
tionAN:de la realidad
318040 natural.Fernando.; Modelos matematicos de sistemas acuaticos dinamicos
; Llavador Colomer,
Account: ns145102
En la historia de la civilization, pocas cosas han habido tan permanentes
como el uso de tecnicas matematicas para describir los conocimientos cienti-
ficos; asi, si en el siglo XVI Galileo afirmaba que «el universe estd escrito
I f. Fernando Llavador Colomer
en lenguaje matemdtico», cuatro siglos mas tarde, sostiene Dirac1 que toda
verdadera ley fisica se ha de poder expresar en terminos matematicos bellos
(«Dios es un matemdtico de altisimo nivel, que utilizo matemdticas suma-

mente avanzadas en la construction del universo»}.
Cuando los materiales con los que se construye un modelo de un sistema
natural (elementos de conocimiento) se describan mediante un formulismo
matematico, el modelo proporcionara, en consecuencia, una representacion
matematica de la naturaleza.
Y como esencia de esa realidad natural que intentamos representar: el
tiempo: Es la dimension temporal la que proporciona la caracteristica de
movimiento del sistema, entendiendose este movimiento como cambio en el
tiempo de cualquiera de las propiedades de nuestro sistema natural. Asi,
representaremos nuestro mundo como un sistema cambiante en el tiempo
(dinamico), convencidos de que los fenomenos mas inmutables no son mas
que ilusiones bajo los que subyace la inexorable transformacion, la evolucion,
el movimiento obstinado, el «eppur si muove» (sin embargo se mueve) que
la tradition dice que pronuncio entre dientes Galileo cuando tuvo que retrac-
tarse de su afirmacion del movimiento terrestre.
Pero, ^por que es necesario acudir a un modelo cuando se tiene hoy mas
capacidad que nunca de medir las propiedades que nos interesan? Bien,
podemos anticipar tres razones que avalen el recurso a esta tecnica de
representacion:
a) En primer lugar puede ser necesaria una prediction anticipada en el
tiempo: hay que saber lo que va a ocurrir antes de que ocurra, y por lo
tanto antes de que tengamos oportunidad de medir. Un ejemplo de esto
lo tenemos en las predicciones realizadas con modelos matematicos
del calentamiento global de la Tierra; a fin de poder tomar medidas
correctoras a tiempo, necesitamos tener una evaluation lo mas fiable
posible de este efecto, antes de que se produzca.
b) En otras ocasiones el planificar un experimento real puede conllevar
unos riesgos totalmente inaceptables o unos costes prohibitivos (costes
economicos, sociales, ambientales o de cualquier tipo); por ejemplo, no
seria admisible el realizar una experiencia real de liberation masiva de
un compuesto quimico presumiblemente toxico para estudiar su com-
portamiento en el ambiente.
c) El disponer de una hipotesis previa sobre el funcionamiento global de
un sistema puede ser clave a la hora de disenar un experimento.
1 Dirac, P.A.M. (1902-1984). Profesor de fisica matematica en Cambridge, desarrollo la

mecanica cuantica relativista del electron. Premio Nobel de fisica en 1933.
Account: ns145102
Modelos matemdticos de sistemas acudticos dinamicos \J
Aunque el modelo matematico pueda incorporar en su desarrollo altos

grades de integration y complejidad, debe quedar suficientemente claro que
este no es la naturaleza sino una representation de ella, y por lo tanto ni

sustituye ni puede evitar la observation de esta. Las previsiones avanzadas
por los modelos matematicos deberan ir siendo contrastadas por las medicio-
nes reales, las cuales permitiran ir modificando el modelo y constituyendo un
ciclo de diseno-prediccion-medicion.
En sistemas naturales, considerando el estado del sistema como la calidad
medioambiental del mismo y su capacidad de satisfacer las expectativas en
relation con el suscitadas (por ejemplo, de soportar vida humana o no huma-
na), los modelos matematicos pueden constituir una herramienta util para
evaluar los impactos que diversas acciones puedan provocar en el medio; asi,
en su aplicacion a la evaluation de impactos medioambientales, los modelos
matematicos pueden permitir (Peirce, 1998):
Examinar las caracteristicas medioambientales actuates (linea base) de
un area en estudio.
Identificar los procesos naturales y artificiales que pueden producir
cambios en las caracteristicas del area en estudio.
Considerar anticipadamente las posibles interacciones entre las presio-
nes ambientales (como la explotacion de recursos naturales o la emi-
sion de contamination) tanto en las condiciones actuales como futuras.
Predecir los posibles efectos tanto beneficiosos como adversos de las
presiones sobre el ambiente (salud humana, biodiversidad, valor econo-
mico, etc.)
Introducir medidas en orden a evitar, minimizar o mitigar los efectos
adversos o aumentar los efectos beneficiosos.
Por ultimo, debe resaltarse que la construction de un modelo puede con-
vertirse en una tecnica muy adecuada para combinar toda la information
parcial de que se dispone y que se sabe afecta a un determinado sistema.
Completado el proceso de construction del modelo, obtendriamos un esque-
ma de la composition interna del sistema y su funcionamiento; las relaciones
internas entre sus componentes y las relaciones de estos con el exterior. La
construction del modelo, al tratarse en definitiva de un proceso de sintesis de
information parcial, nos proporcionara una vision global, dificil de alcanzar
mediante otros procedimientos.
Account: ns145102
Account: ns145102
1. CONSTRUCCION DE MODELOS DE SISTEMAS

VARIABLES EN EL TIEMPO
1.1. MODELOS ESTATICOS Y MODELOS DINAMICOS
Si consideramos un sistema como una porcion de la naturaleza constituida

por diversos componentes interrelacionados entre ellos, cualquier representa-
cion de este sistema constituye un modelo del mismo.
Tal como esquematiza la figura 1.1, el modelo es una representation abs-
tracta de un sistema real, construido en base a los conocimientos previos de
que se dispone sobre este. El efecto del modelo es predecir el comportamiento
del sistema cuando sobre el operan determinadas condiciones observadas.
Si el modelo proporciona la situation del sistema cuando este se encuen-
tra en equilibrio tanto interne como con el entorno, hablamos de modelos de
estado estacionario o modelos estaticos; por el contrario cuando el modelo
proporciona la evolution del sistema con el tiempo cuando no se ban alcanza-
do las condiciones de equilibrio, hablamos de modelos de estado no estacio-
nario o dinamicos.
1.2. CONSTRUCCION DE MODELOS DINAMICOS
En el proceso de elaboration de un modelo matematico, se pueden esta-

blecer las siguientes fases (Carstensen et al. 1997; J0rgensen, 1994; Kowal,
1971):
1. Adquisicion de information y conocimientos previos sobre el sistema;

2. Especificacion del objeto del modelo. Formulation del problema e iden-
tification
NACIONAL ABIERTA Y de las variables
A DISTANCIA - UNAD internas que definen el estado del sistema a
representar;
Account: ns145102
3. Identification de las variables externas que afectan al sistema (p. ej.
condiciones ambientales) y delimitation del intervalo de valores de
estas dentro del cual puede operar el modelo;
Figura 1.1. El modelo como representation abstracta de la naturaleza.
4. Establecimiento de relaciones entre las diferentes variables del modelo;

tanto entre las variables internas entre si como entre estas y las varia-
bles externas;
5. Seleccion de la estructura matematica del modelo y estimacion de
parametros;
6. Verificacion del modelo y ajuste a las mediciones preliminares de que
se dispone;
7. Validacion del modelo a partir de nuevas observaciones del sistema y
estimacion de la incertidumbre de las predicciones.
1.2.1. Estructura de un modelo
1.2.1.1. Especificacion de las variables de interes

Se deberan especificar tanto las variables que caracterizan el estado de

un sistema como aquellas otras que tienen influencia sobre los valores de las
primeras. En el caso de modelos dinamicos de calidad del agua, entre las
variables de interes podran estar los factores meteorologicos, las concentra-
ciones en el agua de nutrientes y componentes contaminantes, etc.
Account: ns145102
Modelos matematicos de sistemas acuaticos dindmicos 21
1.2.1.2. Construction de diagramas de control

Se trata de establecer relaciones causa-efecto o interacciones entre los

distintos componentes o variables del sistema. El diagrama de control repre-
senta un disefio de la hipotesis de funcionamiento del sistema y por lo tanto
una idealization de la naturaleza compleja del mismo. Esta etapa constituye
la conceptualization del modelo.
Las interacciones, tanto internas como externas, entre los componentes
de un sistema constituyen, en esencia, flujos de information, de manera que
un componente es afectado por todos aquellos de los que recibe informacion,
mientras que afecta a todos aquellos a los que transfiere informacion.
1.2.1.3. Clasificacion de las variables del modelo
Esta clasificacion atendera a la definition operacional de las variables; es

decir, a la forma en que estas actuan sobre el sistema tal como se establecio
en la construction del diagrama de control.
Tipicamente las variables se pueden clasificar como:
Variables de estado (internas). Estan constituidas por los componen-
tes del modelo y determinan el estado o situacion del sistema en un
tiempo determinado. Si se consideran «v» variables de estado, cada
situacion del sistema (estado) en un tiempo determinado vendra repre-
sentada por un punto en el espacio de dimensiones vxv denominado
espacio de fases.
Variables externas. Son variables que influyen en las variables de
estado, no siendo afectadas por la evolution de estas. Las variables
externas constituyen las causas primeras del comportamiento del siste-
ma.
Para una determinada variable de estado, sobre el diagrama de control, se
podran distinguir interacciones internas y externas dependiendo del tipo de
variable que afecta a aquella.
Las interacciones internas pueden establecer relaciones unidireccionales
(A —> B), bidireccionales (A <-» B), e incluso ciclicas entre las diferentes
variables de estado (A —> B —> C —> A), mientras que las interacciones
externas deben ser necesariamente unidireccionales ya que una variable de
estado puede ser afectada por una variable externa, pero no al reves, dado
precisamente la condition de externa de la segunda.
No obstante lo anterior, una variable externa puede adquirir caracteristi-

cas de variable interna cuando en la ubicacion espacial del sistema, esta es
afectada por el valor de otras variables de estado. Llamaremos variables
auxiliares a esta categoria de variables de transito entre las variables exter-
nas y las internas (figura 1.2).
Account: ns145102
Veamos esto con un ejemplo:

Sea un modelo de un lago eutrofico en el que se identifica como variable
de estado la concentration de fitoplancton en suspension en la columna de

agua.
Esta concentration viene afectada por la intensidad de la radiation lumi-
nosa media en toda la columna de agua.
La intensidad de la radiation luminosa que incide sobre la superficie del
lago es una variable que depende principalmente de factores geograficos,
como la latitud del emplazamiento, temporales, como el dia y la hora y
meteorologicos, como la cobertura nubosa en ese instante; pero en ningun
caso, la mayor o menor abundancia de fitoplancton presente en el lago, puede
afectar de manera significativa a la intensidad de radiation incidente en la
superficie del mismo, por lo que esta intensidad de radiation es por tanto una
variable externa: afecta al sistema pero no es afectada por el sistema.
Por otro lado cuanto mayor sea la intensidad luminica incidente, mayor
sera la intensidad luminica en el interior de la masa de agua; y cuanto mayor
sea esta, mayor sera el crecimiento de fitoplancton; y cuanto mayor sea la
concentration de fitoplancton, mayor sera la turbidez del medio, menor la
penetration de luz y menor la intensidad luminosa en la columna de agua.
Figura 1.2. Diagrama de control. Interacciones entre variables internas, externas

y auxiliares.
Account: ns145102
Modelos matemdticos de sistemas acudticos dindmicos 23
For tanto vemos que mientras que la intensidad luminosa en la superficie

del lago es una variable externa, esta misma intensidad en el interior espacial
del sistema, es afectada por las variables de estado, pierde su condicion de

externalidad y se convierte, por tanto en una variable auxiliar de transito
entre aquella y la concentration de fitoplancton.
1.2.1.4. Especificacion de la forma de las ecuaciones
Consiste en la determination de la forma concreta de las ecuaciones

matematicas que describen cada proceso fisico, quimico o biologico relacio-
nado en el diagrama de control. Generalmente la variacion temporal (y) de
cada variable de estado vendra expresada como:
y = aZo e-Zo.±ZOj -f(yi,y2,y3,..,yn) (i.i)

donde:
EOe = Suma de los flujos de entrada del componente «y» en el sistema,
EO s = Suma de los flujos de salida del componente «y» en el sistema
y
ZO. = Suma de los flujos internes de production (fuentes) y elimination
(sumideros) del componente «y».
Los diferentes coeficientes que afectan a las variables de estado en la
representation matematica de los procesos que intervienen en el modelo
reciben el nombre generico de «parametros del modelo».
Es importante advertir que el diseno de un modelo sin considerar mas
criterios que el conseguir un buen ajuste entre las predicciones y las observa-
ciones experimentales de las propiedades del sistema, puede llevar a una
sobreparametrizacion del modelo. Esta sobreparametrizacion se traduciria en
un aumento de la incertidumbre de los parametros estimados, invalidando el
modelo como herramienta de prediccion.
La extension de la ecuacion (1.1) a todas las variables de estado tomara,
la forma de un sistema de ecuaciones diferenciales o en derivadas parciales,
cuya resolution proporcionara una prediccion de los valores de las variables
de estado a lo largo del tiempo.
En modelos estaticos, para cada variable de estado tendremos una fun-
cion implicita de las variables de estado; en modelos dinamicos, para cada
variable de estado tendremos una ecuacion diferencial.

La forma de las ecuaciones matematicas que describen los procesos,
determinara dos grandes categorias de modelos: por un lado aquellos en que
las velocidades de variacion de las variables de estado son combination lineal
de estas y de los parametros (modelos lineales) y por otro aquellos en que
no se da esta relacion de linealidad (modelos no lineales).
Account: ns145102
Si el modelo formado permite conocer exactamente la evolution futura

del sistema, conocido el estado initial del mismo, diremos que se trata de un
modelo determinista; por el contrario, si el modelo incorpora componentes

aleatorios, de manera que su evolution futura solo puede ser conocida con
una cierta probabilidad, estaremos ante un modelo estocdstico.
La resolution de la ecuacion de movimiento del sistema (1.1) proporcio-
nara la evolution de este en el tiempo; esta evolution vendra representada,
en el espacio de fases, por una curva llamada orbita o trayectoria de
evolution.
1.2.1.5. Evaluation previa de pardmetros
A partir de la experiencia previa acumulada sobre el comportamiento del

sistema, deberan asignarse valores numericos concretos a los diferentes
parametros del modelo.
Estos valores constituyen una aproximacion inicial que posteriormente
podra ser optimizada para hacer que la prediction del modelo se ajuste lo
mejor posible a las observations realizadas del sistema. A este respecto, es
importante delimitar los intervalos de variation de los diferentes parametros
del modelo, los cuales pueden estar determinados por el conjunto de valores
dentro de los cuales estos conservan sentido fisico o por el intervalo de
valores deducido de la experiencia de que se dispone sobre el sistema.
1.2.1.6. Verification
Consiste en comprobar la consistencia de la «16gica interna» del modelo

mediante la comprobacion de que su formulation matematica no vulnera las
leyes de conservation de la masa, energia, cantidad de movimiento, etc.
En el caso de modelos aleatorios, debera cumplirse que la suma de las
probabilidades de evolution desde un estado inicial a todos los otros estados
posibles no supere el valor unidad (certeza absoluta).
Una vez conocida la forma de las ecuaciones y los rangos de variation de
los parametros del modelo, se puede estudiar las condiciones de estabilidad
del sistema cuando evoluciona a partir de un estado inicial.
En las proximidades del estado inicial, la estabilidad del sistema viene
determinada, en aplicacion del criterio de Routh-Hurwitz, por los valores
propios de la matriz jacobiana formado a partir de las ecuaciones de movi-

miento de cada variable de estado en el punto inicial:
(1.2)
Account: ns145102
Modelos matematicos de sistemas acudticos dindmicos 25
Figura 1.3. Trayectoria de evolution de las concentraciones de especies

intermedias en un sistema quimico oscilante (Brusselator)
Dependiendo de los valores propios correspondientes a cada sistema po-

demos encontrar sistemas estables que evolucionan hacia un estado final
estacionario cuando el tiempo tiende a infinite o sistemas inestables (Steffens
et al, 1997). En el espacio de fases, la evolucion de sistemas estables vendria
dada por trayectorias que partiendo de estados distintos convergen a un unico
estado final, mientras que en los sistemas inestables estas lineas divergerian.
Dependiendo del sistema, son tambien posibles evoluciones oscilatorias (figura
1.3), dadas por trayectorias en forma de orbitas cerradas, asi como sistemas
en los que las trayectorias presenten forma de silla de montar.
1.2.2. Analisis de sensibilidad
a) Sensibilidad a pardmetros. La sensibilidad del sistema a pequenos

cambios en los valores de los parametros es usualmente expresada
como la derivada parcial de las variables de estado respecto a los

parametros (Beherens et al., 1975).
Se puede definir un coeficiente absolute de sensibilidad Y.. de la varia-
ble de estado y. con respecto al parametro 0. como (Swartzman y
Kaluzny, 1987):
Account: ns145102
(1.3)
Analogamente, se puede definir un coeficiente relative de sensibilidad Sy

de la variable de estado y. con respecto al parametro 0. como:
(1.4)
Los coeficientes de sensibilidad dependeran de los valores concretes de

los parametros con que se ha calculado, pudiendo corresponder sensibilidades
diferentes a diferentes configuraciones del vector de parametros.
En sistemas dinamicos, como y. puede variar a lo largo del tiempo, los
coeficientes de sensibilidad, seran tambien funcion del tiempo, por lo que, en
el intervalo semicerrado de tiempo ]t0, t], se puede considerar como estima-
dor de sensibilidad, el valor maximo (en valor absolute), el valor acumulado, o
el valor medio del coeficiente de sensibilidad en dicho intervalo:
Efecto maximo:
Absolute: maxY^t)) (1.5)
Relative: max|Sitj(t)| (1.6)
Efecto medio:
Absolute: (1.7)
Relative: (1.8)
Account: ns145102
Efecto acumulado:
Absoluto: (1)
Relative: (1.10)
Analogamente, linealizando las expresiones anteriores, si en el intervalo de

tiempo ]tQ, t] se han determinado n valores yj(k,0j) de la variable i para un
valor 0° del parametro j, hallando los correspondientes n valores de
yj(k,0j+A0j) tenemos los valores aproximados de los coeflcientes de
sensibilidad:
• Efecto maximo:
Absoluto: (1.11)
Relativo: (1.12)
Efecto medio:
Absoluto: (1.13)
Relativo: (1.14)
Efecto acumulado:
Absoluto: (1.15)
Relativo: (1.16)
Account: ns145102
2g Fernando Llavador Colomer
donde «k» representa el instante temporal en que se ha hecho la determina-

cion del coeflciente de sensibilidad.
En el estudio de la sensibilidad a parametros, son posibles dos enfoques:

Estudio univariante de la sensibilidad a cambios en el valor de un
parametro cuando el resto de ellos permanecen inalterados.
Estudio multivariante de la sensibilidad para diferentes configuraciones
de los parametros. Esta option permitiria poner de manifiesto efectos
cruzados entre los distintos parametros del modelo. Las diferentes
configuraciones de los parametros a estudiar se obtendrian, bien apli-
cando un diseno estadistico de experimentos, bien realizando muestreos
aleatorios de las configuraciones posibles de parametros (Swartzman y
Kaluzny, 1987; Box et al. 1993; Weijers y Vanrolleghem, 1997; Portielje
et al. 2000).
b) Sensibilidad a variables externas. El planteamiento seria analogo al
caso anterior, teniendo como objetivo determinar en que modo peque-
fios cambios en las variables externas, afectan a los valores pronosti-
cados por el modelo.
c) Sensibilidad a la forma de las ecuaciones. Proporciona el efecto
que producen los cambios en la formulation matematica de los proce-
sos del modelo sobre los valores de las variables de estado calculadas
por el mismo.
d) Sensibilidad a las condiciones iniciales. Este estudio de sensibilidad
tiene como objetivo determinar en que situaciones, pequenos cambios
en el valor de las condiciones iniciales, originan grandes cambios en los
valores predichos por el modelo para las variables de estado.
Como quiera que la determination de los valores iniciales de las variables
de estado siempre esta afectada por una incertidumbre, un sistema que sea
muy sensible a pequenos cambios en los valores de estas, es esencialmente
impredecible alcanzando, despues de un determinado tiempo, estados muy
diferentes cuando evoluciona a partir de condiciones iniciales ligeramente
diferentes (figura 1.4). Si la trayectoria de evolucion en el tiempo de los
estados correspondientes a condiciones iniciales ligeramente diferentes es
sumamente irregular el sistema presentara un comportamiento aparentemen-
te caotico.
La condition de comportamiento caotico, que es caracteristico de siste-
mas dinamicos no lineales, implica que en el espacio vxv de las variables de
estado, la distancia L(t) entre los estados que se obtienen por evolucion a
partir de estados iniciales ligeramente distintos, crece con el tiempo general-
mente en forma exponencial:
L(t) = L(0)-e~ Xt (1.17)
Account: ns145102
Figura 1.4. Evolution de un sistema con comportamiento caotico (sistema de

Rossler) a partir de dos estados iniciales ligeramente diferentes (lineas continua
y punteada). Observese que, si bien en un principio los estados del sistema son
experimentalmente indistinguibles, al cabo de un cierto tiempo, se obtienen dos
evoluciones notablemente distintas.
siendo L(0) la distancia entre los estados iniciales y X un exponente deno-

minado «exponente caracteristico de Lyapunov» (ECL) (Benettin et al.,
1980; Wolf et al., 1985; Eckmann, et al 1986; Lions, 1990) que determina
la condicion de comportamiento caotico del sistema cuando toma valores
positivos.
El exponente de Lyapunov es una medida cuantitativa de la sensibilidad
del sistema a las condiciones iniciales, representando la velocidad relativa
media de convergencia o divergencia de las trayectorias de sistemas que
evolucionan a partir de estados iniciales muy proximos:
(1.18)
Consideremos en el espacio de fases vxv un estado de referencia inicial

representado por un punto y una serie de estados iniciales ligeramente dife-
rentes situados sobre una hiper esfera de radio drQ. La evolucion en el tiempo
de los estados correspondiente a puntos de la hiper esfera conducen a nue-
vos estados que pueden deformar esta de manera que adquiera forma de
Account: ns145102
hiper elipsoide (figura 1.5). Se pueden defmir, entonces v exponentes de

Lyapunov como:
(1.19)
siendo dl(t) la longitud del semieje del elipsoide de estados en el tiempo «t» y
drQ la distancia entre los estados iniciales y el estado de referencia (radio de
la hiper esfera). Los v exponentes k. ordenados de mayor a menor, constitu-
yen el espectro de Lyapunov del atractor, obteniendose la condicion de com-
portamiento caotico cuando el mayor de estos coeficientes (A,,) es positive.
Si para «n» tiempos suficientemente alejados del origen de tiempos en la
evolucion del sistema, se ban determinado a partir de condiciones iniciales
ligeramente distintas en el espacio de fases, las distancias entre estados, el
mayor coeficiente de Lyapunov, A,,, vendra dado por:
(1.20)
siendo T el intervalo de tiempo entre estados sucesivos.

Figura 1.5. Representation en el espacio de fases de la evolucion de un sistema

a partir de condiciones iniciales ligeramente distintas.
Account: ns145102
= estados en la evolucion de referencia

= estados iniciales en cada intervalo de tiempo
= estados finales en cada intervalo de tiempo
Figura 1.6. Evolucion de sistemas en intervalos de tiempo sucesivos, partiendo

de estados iniciales ligeramente diferentes.
A fin de que en todos lo intervalos de tiempo, la distancia entre los estados

iniciales se mantenga pequena (igual a L0), una de las evoluciones se calcula
a partir de estados iniciales obtenidos corrigiendo en la direccion de Lk el
estado final resultante en el anterior intervalo (figura 1.6).
Las condiciones de comportamiento caotico pueden presentarse para deter-
minadas configuraciones del vector de parametros, mientras que para otras, el
sistema se muestra esencialmente insensible a las condiciones iniciales.
Igualmente es posible encontrar sistemas cuyos estados divergen cuando
evolucionan a partir de estados iniciales ligeramente distintos, pero que des-
pues de un tiempo, convergen hacia estados estacionarios (atradores}.
Debe quedar clara la verdadera naturaleza del comportamiento caotico y
que este no es un comportamiento aleatorio, sino que se trata del resultado de
la evolucion de un sistema plenamente determinista, cuyo estado en cada
momento viene determinado por los estados anteriores en el tiempo, si bien
presenta una acusada sensibilidad a las condiciones en el origen de la evolu-
cion. La imprecision en la determination de estas condiciones iniciales provo-
ca este aparente «caos».
1.2.3. Evaluacion de parametros y calculo de incertidumbres

1.2.3.1. Calibration del modelo
El objetivo de la calibration es determinar que conjunto 0 de valores de

los parametros del modelo proporcionan una mejor correspondencia entre las
Account: ns145102
predicciones proporcionadas por el modelo y las observaciones del sistema

realizadas experimentalmente.
La etapa de calibracion se justifica porque a menudo los valores de los

parametros que incorporan los modelos no son bien conocidos o aparecen
en la literatura con un cierto grado de incertidumbre. Ademas, todos los
modelos son simplificaciones de la naturaleza, de manera que, aunque aquel
incluya los procesos mas importantes, no puede reflejar con todo detalle la
estructura del medio, presentandose en este procesos e interacciones entre
procesos que el modelo ignora por lo que sera necesario estimar los
valores de los parametros que mejor representan el comportamiento real
del sistema.
Lo anterior se pone especialmente de maniflesto en sistemas en los que
intervienen organismos vivos donde cada especie exhibe un comportamiento
caracteristico, de manera que cuando el modelo incorpora como variables de
estado grupos de organismos, deberan estimarse los valores de los parametros
que representan el comportamiento medio de varias especies agrupadas en la
variable de estado.
En la practica, la calibracion se realiza, bien mediante procedimientos
prueba-error, bien mediante metodos numericos de optimization que determi-
nen el conjunto de parametros que proporciona la mejor correspondencia
entre los valores calculados y los valores medidos (Mailhot et al. 1997). Esta
correspondencia entre valores calculados y valores medidos se cuantifica
mediante una cierta funcion objetivo «J», cuya forma depende del enfoque
con que se plantee el problema de la estimacion de parametros.
Usualmente se emplean metodos de estimacion basados en el teorema de
Bayes o en el principle de maxima verosimilitud (Cuadras, 1981; Pefia; 1986,
Beck, 1987) para modelos estocasticos y en los minimos cuadrados (simples
o ponderados) para los modelos deterministas.
En el planteamiento bayesiano, los parametros se toman como variables
aleatorias y la estimacion proporciona sus distribuciones de probabilidad, to-
mandose la esperanza matematica o la moda de estas distribuciones si se
desea obtener una estimacion puntual de los parametros, o bien la zona que
encierre una probabilidad determinada en estas distribuciones si lo que se
desea obtener son los intervalos de confianza (Reichert, 1997). Una de las
ventajas de los metodos bayesianos es su facilidad para procesar information
secuencialmente (p. ej. algoritmo del filtro de Kalman).
Los metodos «maximo verosimilesx^ buscan como mejor estimacion del

vector de parametros 6, aquel vector 6, que hace maxima la probabilidad
(verosimilitud) de haber observado la muestra (Jacobsen et al. 1997; Kabouris
y Georgakakos, 1997 a,b,c).
En el enfoque «minimo cuadratico», se busca el conjunto de valores de los
parametros 0 que hace minima la suma de los cuadrados de las diferencias
Account: ns145102
entre los valores medidos experimentalmente y. y los valores calculados

y,(t):
(1.21)
siendo w. el factor de ponderacion (peso) correspondiente a la variable de

estado i y A la region del espacio de parametros dentro de la cual estos
conservan su sentido fisico.
Si en el intervalo de tiempo entre t0 y t, se han determinado n valores de
las v variables de estado, efectuandose las correspondientes n predicciones
con el modelo matematico, el objetivo de la calibracion mediante metodos de
minimos cuadrados consiste en determinar el valor del vector 0 que haga
minimo el valor de la funcion objetivo J:
(i22)
donde y ik e y ik son, respectivamente, los valores observados y calculados por

el modelo para la variable de estado «i» en el tiempo «k», y siendo Wk una
matriz (vxv) de pesos de las diferentes variables de estado. Usualmente, la
matriz Wk se elige:
como una matriz diagonal con los pesos de cada variable en la diagonal
principal: Wk = diag(w kl ,w k2 ,...,w kv );
como la matriz identidad (igual peso para todas las variables de estado)
o
como la inversa de la matriz de covarianzas C k de los errores de
determinacion de las variables de estado (Vanrolleghem et al. 1995;
Weijers y Vanrolleghem, 1997).
En la figura 1.7 se muestra la superficie y el campo del gradiente de una

cierta funcion objetivo de dos parametros 0, y 62. El objetivo de la calibra-
cion sera encontrar el punto (0,,0?) que hace minimo el valor de esta
funcion y que corresponde a la situation en que el modelo reproduce lo mas
exactamente posible las observaciones experimentales.
Cuando no todas las variables de estado son observables (y por lo tanto
medibles), la funcion objetivo puede establecerse como funcion de un conjun-
to de variables observables, que a su vez son funcion conocida de las varia-
bles de estado.
En cualquier caso, el proceso de calibracion debe limitarse a los ranges de
valores en los cuales los parametros del modelo conservan sentido fisico.
La imposibilidad de calibracion de un modelo, no tiene necesariamente
que indicar que el modelo es incorrecto. Es esencial que las observaciones
Account: ns145102
Figura 1.7. Curvas de nivel y vectores gradiente en una funcion objetivo de dos
pardmetros.
utilizadas para la calibration reflejen la dinamica del sistema, por lo que la

calidad de los datos obtenidos puede condicionar la posibilidad de calibration
del sistema. Generalmente, sera ima buena practica el considerar todos los
procesos que afectan a las variables de estado como etapa previa al disefio
de un plan de experimentation cuyo objeto sea la calibration de un modelo
(ver apartado 1.2.3.3).
El analisis de sensibilidad a los parametros del modelo, permitira identifi-
car que parametros producen un mayor efecto en los resultados del modelo y
por tanto los que deben ser calibrados con mayor precision. Asi, para que un
parametro pueda calibrarse con una cierta seguridad, debe darse la condition
de que pequenas desviaciones 30 en el valor del parametro respecto al

Optimo, produzcan significativas diferencias en el valor de la funcion objetivo;
es decir que los parametros del modelo seran tanto mejor identificables cuanto
mayor sea la diferencia entre J(0 + 36) y J(0) para un 30 determinado.
El valor esperado de la funcion objetivo cuando el vector de parametros
variase en un pequeno incremento 80 seria (Vanrolleghem et al. 1995):
Account: ns145102
como el ultimo termino de derecha de esta expresion representa el error

experimental de las mediciones de las variables de estado, la condition de
identificabilidad de los parametros del modelo dependera del valor del primer
termino que es, en defmitiva, la inversa de la matriz de covarianzas del error
experimental en la determination de los parametros.
Cuando los valores obtenidos en la calibracion difieran grandemente de
los valores previos de que disponia antes del estudio de sensibilidad, puede
ser conveniente repetir las etapas de analisis de sensibilidad y calibracion
para optimizar los resultados obtenidos.
1.2.3.2. Analisis de la incertidumbre
Defmimos la incertidumbre de la medida de una magnitud como el inter-

valo de valores de dicha magnitud entre los cuales se encontrara el valor real
con una determinada probabilidad.
Como quiera que la informacion de entrada al modelo (valores iniciales
de las variables de estado, factores externos y parametros) tiene una incer-
tidumbre asociada, los valores de las variables de estado pronosticados por
el modelo estaran tambien afectados por una cierta indeterminacion. El
analisis de la incertidumbre de un modelo consiste en la evaluation de la
incertidumbre de las predicciones proporcionadas por el mismo, asi como el
estudio de las diferentes fuentes de incertidumbre (Beck, 1987; Yuan et al.
1997).
En modelos dinamicos no lineales, una estimation de la incertidumbre
asociada a los parametros obtenidos tras la calibracion, se puede obtener a
partir de un segundo analisis de sensibilidad a los parametros.
Si el modelo consta de v variables de estado y p parametros, tendremos a
cada tiempo t, una matriz de sensibilidades Ye de dimensiones (vxp) cuyos
elementos (Ye).. son los diferentes coeficientes de sensibilidad Sy calculados
a este tiempo.
Si en el intervalo de tiempo entre t0 y t se ban determinado n valores
experimentales, obteniendose las correspondientes n matrices de sensibilidad,
se construye a partir de ellas, la matriz de informacion de Fisher -F- (Weijers
y Vanrolleghem, 1997) como:
Account: ns145102
Esta matriz es la inversa de la matriz de covarianzas de los errores de

determinacion de los parametros.
Las longitudes de los intevalos de confianza de los parametros seran

proporcionales a las inversas de las raices cuadradas de los valores propios
de la matriz de informacion.
En el caso de modelos lineales, la region de confianza conjunta de proba-
bilidad q, en el espacio p-dimensional de los parametros, esta acotada por el
contorno S de suma de cuadrados tal que (Box et a!., 1993):
donde el primer factor de la derecha representa la suma de los errores al

cuadrado en un punto del espacio de parametros y Fa(p,n - p) es el punto
100a% de la funcion de distribution de F con p y n-p grados de libertad.
Estas regiones de confianza tomaran forma de «hiper elipsoides» cuya
orientacion vendra determinada por los vectores propios de la matriz F, sien-
do la longitud de los ejes de estos hiper elipsoides proporcional a la inversa de
la raiz cuadrada de los valores propios de la matriz F, y q la probabilidad del
intervalo de confianza (1 - q) = a (Aalderink y Jovin, 1997).
En el caso de modelo no lineales, los valores propios y vectores propios de
la matriz F solo proporcionarian una aproximacion de la orientacion y longitud
de los ejes de las regiones de confianza de los parametros.
1.2.3.3. Diseno experimental
Diferentes criterios se ban desarrollado al objeto de disenar experimentos

en los que la informacion obtenida permita una determinacion de los parametros
o de combinaciones de ellos lo mas precisa posible.
La matriz de informacion de Fisher o su equivalente matriz de varianzas-
covarianzas resume la informacion contenida en un experimento, pudiendose
emplear diferentes medidas escalares obtenidas a partir de ella como
estimadores de la precision del calculo de los parametros. Algunos de estos
indicadores son:
Account: ns145102
Modelos matematicos de sistemas acudticos dinamicos 37
Criteria Estimador
A min[tr(F~')]
A' max[tr(F)]
D max[det(F)]
E max[X mm (F)]
\ /p\
maA
E' min '
^ min (F)
donde X,mjn y X,max son, respectivamente, el menor y el mayor de los valores

propios de la matriz de informacion de Fisher.
Los criterios A y D minimizan, respectivamente, las medias aritmeticas y
geometricas de los errores de identificacion de los parametros; el criterio E
procura minimizar el mayor de los errores. Como en estos criterios se persi-
gue la maximizacion de los valores propios de la matriz de informacion de
Fisher, garantizan la maximizacion de la distancia desde el caso singular que
se corresponderia a un experimento no informativo.
El criterio E' debe ser interpretado en terminos de la forma de la funcion
objetivo ya que la relacion entre el mas grande y el mas pequefio de los
valores propios es indicativa de esta forma. (El objetivo seria tener valores
propios lo mas proximos unos a otros como sea posible, en cuyo caso, la
forma seria circular).
Cuando A,mm. (F)' es cero,' la relacion A,max(F)A,
v (F) es infinita,' indicando
' max ' v v
que hay infinite numero de combinaciones de parametros que pueden ser

usados para describir los datos experimentales y, por lo tanto, el experimento
es no informativo. La matriz de Fisher es entonces singular y los criterios D
y E son cero mientras que el criterio A no puede ser determinado ya que la
inversion de la matriz F es imposible.
En este caso en que A,mjn(F) = 0, aunque se desarrolle un experimento no
informativo y que, por tanto, no permite la identificacion de los parametros, el

criterio A' permitiria su maximizacion siempre que alguno de los restantes
valores propios sea mayor de cero.
Una limitacion importante de la matriz de Fisher es que esta constituye
una propiedad local, calculada en un punto del espacio de parametros. Como
Account: ns145102
3g Fernando Llavador Colomer
el punto de parametros Optimo no es conocido a priori, la matriz F se

determina en un punto que estara mas o menos alejado del optimo, por lo que
aquella no representara exactamente las propiedades de este ultimo.

Efectuando una exploracion del espacio de parametros por muestreo esta-
distico (aleatorio o sistematico) y determinando la matriz F en cada punto de
la muestra, podemos obtener las pautas generales de variacion de los crite-
rios escalares de diseno obtenidos de ella.
Alternativamente a estos criterios multivariantes de diseno, si el objetivo
es conseguir una reduccion de la estimacion del error de un parametro
concrete, puede obtenerse un diseno apropiado utilizando esta componente de
la varianza como criterio de diseno.
El diseno de un experimento exige determinar entre otros aspectos, que
predicciones del modelo (salidas) deben ser medidas experimentalmente; en
que instante de tiempo y con que frecuencia; que condiciones iniciales y que
variables externas (entradas) afectan significativamente al comportamiento
del sistema, etc.
Un apropiado diseno permitira decidir de entre estos aspectos del experi-
mento, cuales deben fijarse para poder obtener la informacion necesaria para
determinar los valores de los parametros con la precision requerida y con un
coste minimo.
1.2.3.4. Validation
La validacion consiste en la verificacion objetiva de la concordancia entre

el comportamiento del sistema predicho por el modelo y el observado experi-
mentalmente.
De manera analoga a la calibracion, la validacion se efectuara por compa-
racion entre los valores medidos de las variables de estado y los valores
calculados por el modelo, si bien el conjunto de observaciones experimentales
utilizadas para validar el modelo deberan ser independientes del utilizado en la
calibracion.
La validacion del modelo proporciona el metodo de evaluar el grado de
confianza que podremos otorgar a las predicciones del modelo.
1.2.4. Prediction de la evolucion temporal del sistema

En la ultima fase, el modelo podra ser obtenido para predecir la evolucion

del sistema que representa y simular su comportamiento ante diferentes
situaciones, siempre dentro del intervalo de situaciones para el que fue vali-
dado.
En resumen, un modelo dinamico nos dara una expresion matematica de
la evolucion en el tiempo de los valores de las variables de estado:
Account: ns145102
(1.26)
donde:
y(t) = vector dinamico de estado (sus componentes seran todas las
variables que determinan el estado del sistema, con independen-
cia de que scan medibles o no).
u(t) = vector de control formado por las variables externas que deter-
minan el control de los procesos que operan en el sistema y que
ban sido integrados en el modelo matematico (variables externas
de control).
q(t) = vector formado por las variables externas de entrada del sistema
como flujos y concentraciones (variables de externas de entra-
da).
0 = vector de parametros del modelo. En este vector englobamos
tanto aquellos valores que son absolutamente invariables (por
ejemplo los pesos atomicos) y que denominaremos constantes
universales, como aquellos que consideramos invariables en nues-
tro sistema si bien admitimos que pueden variar de un sistema a
otro y que constituyen los parametros verdaderos.
8 (t) = ruido aleatorio. Generalmente se admite que la prediccion deter-
minista proporcionada por el modelo matematico, viene afectada
por una perturbacion aleatoria normalmente distribuida, de valor
medio cero y de varianza a2 constante en el tiempo (ruido
bianco),
f = funcion vectorial de las variables de estado dependiente del
tiempo (dinamica).
La introduction del vector de ruido e(t) implica que cada prediccion del
modelo vendra afectada por una alteration aleatoria, pero precisamente por
la condicion de distribution normal y de media cero del ruido bianco, el
estado medio del sistema a un tiempo determinado coincide con el estado en
ausencia de ruido, obteniendose este por resolution de las ecuaciones que
integran el modelo matematico prescindiendo de la componente aleatoria
(figura 1.8).
Si el sistema con el tiempo tiende al equilibrio, alcanzara un estado esta-
cionario en el que -=-^. = 0. En este estado, el sistema estaria representado

dt
por la condicion:
(1.27)
Account: ns145102
Figura 1.8. Efecto del ruido en las predicciones del modelo.
y la ecuacion de estado vendria dada por el lim y(t), con lo que el modelo
t-»°°
dinamico representa un regimen de transition hacia el estado estacionario o
de equilibrio a que tiende el sistema.
Admitiendo que el modelo describe exactamente el sistema natural, las
predicciones de las variables de estado, como ya indicamos en 1.2.3.2, ven-
dran afectadas por una incertidumbre que sera debida al efecto de las incer-
tidumbres en los parametros, en las variables externas del modelo y en la
determination de los valores iniciales de las variables de estado. Si admitimos
que estas son las unicas fuentes de variation, se pueden hacer simulaciones
agregando al modelo vectores de ruido aleatorio para el vector de parametros
(ee(t)), los vectores de variables externas (£u(t), £ (t)) y el vector de valores

iniciales de las variables de estado (e 0).
En este caso, el sistema quedaria representado por:
(1.28)
para regimen estacionario y
Account: ns145102
(1.29}
para regimen transitorio (no estacionario).

Mientras que para las condiciones iniciales, el ruido introducido tendria el
efecto de una perturbacion en los valores de aquellas que se mantendria
constante a lo largo del tiempo (8 o), en los demas casos, los ruidos pueden ir
alterando aleatoriamente los valores de los parametros y variables exteraas a
lo largo del tiempo de simulacion, por lo que aquellos se representaran como
una cierta funcion del tiempo (8 u (t),8 q (t),e e (t)).
Como apuntamos en el caso del comportamiento caotico, es importante
precisar que la introduction del ruido aleatorio en el modelo no tiene porque
implicar que se admite un cierto indeterminismo (libertad) de la naturaleza
representada por el modelo, sino que supone incorporar el efecto de la
imprecision en la determination (medida) de las condiciones iniciales del
estado (variables de estado, variables externas y parametros) y el efecto de
variables ocultas no observadas ni incluidas en la formulation del modelo.
Frente a los modelos deterministas, la esencia de un modelo estadistico
consiste precisamente en que la evolucion del sistema viene dada por las
diferentes probabilidades de transicion desde un estado a cualquiera de los
otros posibles: cualquier transicion es posible, si bien unas seran mas proba-
bles que otras (figura 1.9). Dado que cada estado viene representado por un
punto en el espacio de las variables de estado, la trayectoria resultante de la
sucesion de transitos entre estados, determinaria la evolucion del sistema en
el tiempo.
Figura 1.9. Transiciones entre estados en modelos estadisticos.
Account: ns145102
Figura 1.10. Etapas en la construction de modelos matemdticos de sistemas

dindmicos. Las lineas punteadas representan flujos de information; las continuas
secuencias de operaciones.
Account: ns145102
Modelos matemdticos de sistemas acuaticos dinamicos 43
El modelo estadistico proporcionara la funcion de distribution (o la densi-

dad de probabilidad) de los transitos entre un estado U° y cualquiera de los
restantes estados posibles U', con la unica condition: ^Pyo^y, — 1 En el

i
caso de modelos deterministas, solamente es posible el transito desde el
estado inicial u° al estado final uf, con lo que Pyo_>yr = 1 y Py»^yi = 0 para
i ^ f (transiciones prohibidas).
Como resumen, en la figura 1.10 se muestra la secuencia de etapas
implicadas en la construction de modelos matematicos de sistemas dinami-
cos, indicando aquellas en las que se utiliza informacion obtenida de la obser-
vation experimental del sistema.
Basicamente, la informacion experimental previa del medio natural que se
pretende modelar permitira escoger los descriptores del sistema (variables de
estado), identificar los procesos y relaciones entre ellos y formular las expre-
siones matematicas de los mismos, dando con ello forma al modelo del
sistema.
Posteriormente, una vez formulado el modelo, la observacion del medio,
permitira la calibracion del modelo y la verificacion de sus predicciones.
Account: ns145102
Account: ns145102
2. PROCESOS FISICO-QUIMICOS
EN SISTEMAS ACUATICOS
2.1. BIODEGRADACION
Se engloban bajo esta denomination todos los procesos biologicos (esen-

cialmente microbiologicos) mediante los cuales se transforman compuestos
quimicos organicos. La biodegradacion constituye frecuentemente, el meca-
nismo predominante de elimination de contaminantes organicos toxicos en el
medio acuatico. Puede ocurrir tanto en condiciones aerobias como anaerobias,
siendo desarrollados principalmente por bacterias, algas y bongos mediante
un gran numero de mecanismos como desalquilacion, rotura de anillos organi-
cos y deshalogenacion entre otros.
Los procesos de transformation biologica pueden ser catalizados por
enzimas intra o extracelulares, siguiendo, frecuentemente, la cinetica de
Michaelis-Menten:
(2.1)
(2.2)
donde:
C = concentracion de toxico en el medio (ML"3),
kb = constante cinetica de primer orden para la biodegradacion del
componente toxico (T"1),
X = concentracion de biomasa microbiana activa para el proceso de
biodegradacion (ML"3),
\l = velocidad especifica maxima de crecimiento microbiano (T"1),
Y = rendimiento de la sintesis microbiana (incremento de la biomasa
microbiana
AN: 318040 ; Llavador Colomer,por unidad
Fernando.; de masa
Modelos de de
matematicos componente degradado)
sistemas acuaticos dinamicos
Account: ns145102
y
KC = constante de semisaturacion para el componente toxico que ac-
tua como sustrato en la reaction bioquimica (ML"3).
Af. Fernando Llavador Colomer
Podemos encontrarnos con dos situaciones limites:

I) Si C es mucho mas pequeno que Kc:
(23)
En este caso la ecuacion cinetica vendria determinada por:

(2.4)
que seria la expresion correspondiente a un proceso de segundo orden global
y de primer orden respecto a la concentracion de toxico C en el que la
velocidad de degradacion del contaminante seria directamente proporcional a
la concentracion de este (para una concentracion de biomasa microbiana X
constant e).
II) Si C es mucho mayor que Kc:
(2.5)
y la ecuacion (2.1) se convertiria en:
(2.6)
ecuacion correspondiente a un proceso de orden cero respecto a C, en el que
la velocidad de degradacion del contaminante es independiente de la concen-
tracion de este.
Las reacciones de biodegradacion resultan fuertemente afectadas entre
otros factores por:
a) Temperatura del media. El agua representa entre un 80 y un 90% del
peso de un microorganismo. Todas las reacciones bioquimicas tanto las
extracelulares como las que suceden en los organismos vivos transcu-
rren en fase acuosa, por lo que para que estos puedan mantener sus
funciones vitales creciendo y reproduciendose, deben de tener a su
disposicion agua liquida, lo que limita la actividad biologica a tempera-
turas que van desde los -2°C (o menos en soluciones de elevada
presion osmotica) hasta aproximadamente 100°C.
Limites mas estrictos pueden encontrarse dependiendo del rango de
temperaturas en el que las enzimas intervinientes en el proceso de
biotransformacion conservan su funcionalidad. Generalmente, un au-

mento de temperatura, dentro de los margenes de viabilidad del proce-
so, origina un aumento de la velocidad de la reaccion de biotrans-
formacion.
La dependencia de los procesos de biodegradacion con la tempera-
tura puede expresarse en la forma:
Account: ns145102
(2.7)
donde:
kj. = velocidad especifica de la reaccion de biodegradacion (T"1) a
una temperatura de T°C,
k 20 = velocidad especifica de la reaccion de biodegradacion (T'1) a
una temperatura de 20°C
y
Q 10 = factor de correccion por temperatura para la reaccion de
biodegradacion. Representa la relation entre las velocidades es-
pecificas de la reaccion cuando la temperatura aumenta 10°C:
(2.8
b) Disponibilidad de nutrientes necesarios para el crecimiento de los

microorganismos. Una escasez de nutrientes originaria una limitation
al crecimiento de la poblacion microbiana y, por consiguiente, una
disminucion de la velocidad del proceso de transformation biologica.
c) Aclimatacion de los organismos al toxico. Cuando la presencia del
toxico en el medio tiene caracter cronico este factor puede tener una
influencia pequena.
d) Densidad de la poblacion o biomasa total de organismos. Ademas
de la disponibilidad de nutrientes y de una temperatura adecuada, las
condiciones de oxigenacion y la ausencia de toxicos en el medio pue
den ser factores relevantes para el establecimiento de la poblacion de
microorganismos.
2.2. EQUILIBRIOS DE IONIZACION
La ionizacion es la disociacion de un compuesto quimico en varias espe-

cies cargadas electricamente. Las reacciones de ionizacion son rapidas, por
lo que se puede admitir que se alcanza el equilibrio quimico entre las diferen-
tes especies ionicas. Las reacciones de ionizacion son importantes dado que
la toxicidad de muchos contaminantes varia considerablemente en funcion de
la especie quimica en que se encuentren (Allen y Hansen, 1996).
Consideremos un compuesto AH2 que en disolucion acuosa puede existir
en las cinco especies: A 2 ~,AH~,AH 2 ,AH3,AH4 + segun los siguientes equili-

brios quimicos:
(2.9)
Account: ns145102
AHj+HjOoAHf+OH (2.10)
AH 2 +H,O«*AH"+H,O ( (2.11)
AH~+H,OoA 2 -+H,O + (2.12)
donde Ka,, Ka2, Kb, y Kb2 son las constantes de equilibrio correspondientes.
La concentracion total del compuesto C sera la suma de las concentracio-
nes de las diferentes especies:
(2.13)
Haciendo uso de las expresiones de las constantes de equilibrio (ecuaciones
2.9 a 2.12), tendremos que:
(2-14)
y utilizando el equilibrio de disociacion del agua:

(2.15)
tendriamos que:
(2.16)
y
(2.17)
con lo que la ecuacion (2.14) se transforma en:
(2.18)
Las fracciones del compuesto presentes en cada especie quimica ven-

drian dadas como una funcion del pH del medio:
(2.19)
(2.20)
2 21)
2.22)
2 23)
Como las velocidades de las reacciones del equilibrio quimico varian con
la temperatura segun la ley de Arrhenius, las constantes de equilibrio tambien
dependeran de la temperatura segiin la ley de Van't Hoff:
(2.24)
siendo:
K = constante de equilibrio,
R = constante universal de los gases,

AHQ = variacion estandar de la entalpia de la reaccion
y
T = temperatura del medio en K.
Account: ns145102
2.3. HIDROLISIS QUIMICA

Este tipo de reacciones consiste en el desplazamiento de un grupo X por

un nucleofilo N (hidroxilo, agua o ion hidronio):
(2.25)
La hidrolisis no incluye las reacciones acido-base, de hidratacion o elimi-
nation. Ejemplos de reacciones de hidrolisis serian:
Son compuestos susceptibles de sufrir hidrolisis:

Haluros de alquilo
Amidas
Aminas
Carbamatos
Esteres de acidos carboxilicos
Epoxidos
Nitrilos
Esteres de acido fosforico
Esteres de acidos fosfonicos
Esteres de acido sulfurico
Esteres de acidos sulfonicos
La expresion cinetica de la hidrolisis seria:
(2.26)
donde C es la concentration de toxico (ML'3), [H+] y [OH~] las concentra-
ciones de iones hidronio e hidroxilo respectivamente (ML*3) y ka, kN, kb son,
respectivamente, las constantes de velocidad (T1) de las reacciones de hidrolisis
catalizadas por especies acidas, neutras o basicas que varian con la tempera-
tura de acuerdo con la ley de Arrhenius.
Habiendose representado la hidrolisis acida y basica como procesos de

segundo orden, sus constantes de velocidad ka y 1^ tendran dimensiones de
M-'L3'!'1; en el caso de la hidrolisis neutra, proceso de primer orden, las
dimensiones de su constante de velocidad k serian T'1.
Account: ns145102
Modelos matemdticos de sistemas acuaticos dinamicos 51
2.4. OXIDACION QUIMICA

Las reacciones de oxidacion-reduccion quimica son procesos de transfe-

rencia electronica entre una especie capaz de cederlos (reductor) y otra
especie capaz de aceptarlos (oxidante). En el medio acuatico, los oxidantes
suelen formarse frecuentemente por reacciones fotoquimicas, estando pre-
sentes en el medio en concentraciones suficientes para producir reacciones
de oxidacion de muchos compuestos toxicos.
El proceso de oxidacion se puede expresar como una cinetica de segundo
orden:
(2.27)
siendo:
C = concentracion de toxico en el medio (ML"3),
[OX] = concentracion de oxidante (ML"3)
y
k = constante de velocidad de segundo orden de la reaccion de
oxidacion (L3M"'T'). La constante de velocidad varia con la
temperatura segun la ley de Arrhenius:
(2.287)
donde:
kj, = velocidad especifica de la reaccion de oxidacion a la temperatu-
ra T (K),
kref = velocidad especifica de la reaccion de oxidacion a la temperatu-
ra de referencia Trefr (K),'' v
R = constante universal de los gases (cal/mol-K)

y
Ea = energia de activation para la reaccion de oxidacion en (cal/
mol-K).
En aguas naturales, la especie oxidante esta constituida generalmente por
radicales libres en baja concentracion. Si la velocidad de formation de radi-
cales libres se mantiene sensiblemente constante, el proceso de oxidacion
puede representarse mediante una cinetica de primer orden:
(2.29)
1
donde k es una constante de pseudo-primer orden (T").
2.5. FOTOTRANSFORMACIONES
Cuando luz de determinada longitud de onda alcanza a las moleculas de

algun contaminante, la energia contenida por la molecula se incrementa,
Account: ns145102
A 0 = estado fundamental de la molecula absorbente

A* = estado excitado de la molecula absorbente
Q0 = estado fundamental de la molecula absorbente
Q* = estado excitado de la molecula absorbente
Figura 2.1. Mecanismos de fotorreaccion.
pasando esta a un estado electronico excitado. Este estado electronico es

inestable, tendiendo la molecula a volver a su estado energetico fundamental
por dos vias (flgura 2.1) (Diaz y Roig, 1972):
a) perdiendo el exceso de energia mediante emision de radiacion (reemision
simple, fluorescencia, fosforescencia, etc.).
b) perdiendo el exceso de energia por cheque con otra u otras moleculas,
con las que puede o no sufrir reaccion quimica (fotorreacciones).
A los procesos de rotura de moleculas iniciadas por la luz se les denomina
fotolisis.
La fotolisis puede ser directa o indirecta (Chapra, 1997). La fotolisis
directa es el resultado de la absorcion directa de fotones por la molecula de
toxico, mientras que la fotolisis indirecta es el resultado de la transferencia de
energia desde las moleculas que absorben la radiacion a otras moleculas de
una especie quimica diferente.
La velocidad de las reacciones de degradacion iniciadas por la luz es
funcion de la energia incidente sobre las moleculas y del rendimiento cuantico
de la reaccion. La ecuacion basica de la fotolisis directa seria:
(2.30)
donde:
C concentracion de toxico (mol/1),
kr constante de velocidad de primer orden (dia~') para la absorcion
de luz por el toxico en las condiciones ambientales,
Account: ns145102
Modelos matemáticos de sistemas acuáticos dinámicos 53
ka = velocidad específica de absorción de luz de las moléculas de

tóxico (E/mol/día). Para un determinado compuesto, es función
de la longitud de onda de la luz incidente y de la intensidad de

ésta.
y
O = rendimiento cuántico de la reacción definido como:
número de moles de tóxico degradado
3>= (2.31)
número de einsteins absorbidos
El einstein (E) es la unidad de energía en las reacciones fotoquímicas y
equivale a la energía contenida en un mol de fotones, dependiendo por tanto
su valor de la frecuencia de la radiación. El rendimiento cuántico <3> propor-
ciona la eficacia de la fotorreacción.
Como la absorción de luz por una determinada molécula de tóxico varía
según la longitud de onda de la radiación incidente, la velocidad específica ka
será la suma de las velocidades específicas en cada banda o intervalo de
longitud de onda en el que se produce absorción:
(2.32)
donde:
Ix = intensidad media de la luz de longitud de onda A (fotones/cm2/s).
Es función de la latitud del emplazamiento, la hora del día, el día
del año y las condiciones atmosféricas (humedad relativa, visibi-
lidad, nubosidad, presencia de ozono, etc.),
8X = absortividad molar del componente C a la longitud de onda A
(1/mol/cm/ln 10)
y
d = relación entre el recorrido óptico de la luz y el recorrido vertical
(cm/cm). Depende del ángulo de incidencia de la luz respecto a
la normal y del índice de refracción del medio.
Como en la columna de agua la intensidad de la luz decrece con la
profundidad de acuerdo con la ley de Lambert-Beer:
I x (z)=I x (o).e-" z (2.33)
siendo:
e = coeficiente de extinción de la luz de longitud de onda X en la
columna de agua (L'1),

Ix(0) = intensidad de la luz de longitud de onda A en la superficie del
agua
e
Ix(z) = intensidad de la luz de longitud de onda A a la profundidad z.
Account: ns145102
la intensidad media de la luz en una columna de agua de profundidad h sería:

(234)
El coeficiente de extinción de la luz puede ser calculado a cada longitud

de onda como función de los coeficientes de extinción específicos debidos a
la abundancia de fitoplancton (determinada como clorofila) en el medio (figu-
ra 2.2), a la concentración de carbono orgánico y a la presencia de sólidos
en suspensión en el agua (figura 2.3) (Ambrose et al, 1992):
(2.35)
donde:
8w = coeficiente de extinción de la luz del agua pura (L"')(figura 2.4),
CHL = concentración de clorofila (fitoplancton) en el medio (ML"3),
COD = concentración de carbono orgánico disuelto (ML"3),
MES = concentración de sólidos en suspensión (ML"3)
y
TlpT^Tlj = coeficientes de extinción específicos (M"'L2) para las concen-
traciones de clorofila, carbono orgánico disuelto y sólidos en
suspensión, respectivamente.
Clorofila
Figura 2.2. Coeficiente de extinción específico para el fitoplancton (clorofila).
Account: ns145102
Carbono orgánico disuelto y sólidos en suspensión

Figura 2.3. Coeficientes específicos de extinción de la luz para el carbono

orgánico disuelto y los sólidos en suspensión.
Agua pura
Figura 2.4. Coeficiente de extinción de la luz para el agua pura.
Account: ns145102
En el caso de la fotolisis indirecta, la velocidad del proceso se expresaría

como:
(2.36)
siendo X la concentración de la especie intermedia, k2 la constante de veloci-
dad correspondiente a la reacción de fotolisis indirecta y k una constante de
velocidad de pseudo-primer orden.
Como la intensidad de la radiación luminosa que llega a la superficie de
las aguas continentales, varía a lo largo del año y del día, las velocidades de
degradación de tóxicos mediante fotorreacciones presentarán unos ciclos
diarios y anuales característicos.
2.6. VOLATILIZACIÓN
Este proceso está constituido por el transporte de contaminantes desde el

agua a la atmósfera a través de la interfase agua-aire. La volatilización es un
proceso de transferencia del que no resulta la destrucción de la sustancia
sino su movimiento desde una fase a otra, siendo por tanto un proceso que se
desarrolla únicamente en la superficie libre de la columna de agua.
La transferencia gaseosa de contaminantes es análoga a la transferencia
de oxígeno, estando gobernada por la difusión molecular a través de la
interfase gas-líquido (Bird et al, 1978). La materia se transporta desde áreas
de alta concentración hacia áreas de baja concentración.
La ecuación del flujo de materia a través de la interfase agua-aire sería:
(2.37)
donde:
C = concentración de tóxico en la fase líquida (ML'3),
Cs, = concentración de saturación de tóxico (ML'3) en la fase líquida
(solubilidad),
h = profundidad media de la columna de agua (L)
y
K L = velocidad global de transferencia a través de la interfase (LT1).
Los modelos de transferencia están basados frecuentemente en la teoría
de la doble capa. En esta teoría, la volatilización se describe en función de la
constante de Henry, H, las resistencias a la transferencia de la capa de gas
k gi , y de la capa de líquido k,¡ (figura 2.5).
La velocidad global de transferencia de masa, KL, sería:
(2.38)
teniendo KL, k,., k , . dimensiones de LT"1 y expresándose la constante de
Henry (H) en su forma adimensional como el cociente entre las concen-
Account: ns145102
FASE GASEOSA
Figura 2.5. Teoría de la doble capa para la transferencia de materia a través de

la ínter/ase líquido-gas.
traciones del componente C en la fase gaseosa y en la fase líquida

(H=Cs g /Cs,).
La constante de Henry, H, puede expresarse también como la relación
entre la presión parcial del compuesto y su solubilidad:
(2.39)
La velocidad de volatilización está relacionada con las difusividades
(L2T') del compuesto en fase líquida (Dj) y en la fase gaseosa (Dt), pudien-
do estimarse en función del tamaño de la molécula (determinado en base a su
peso molecular, Pm) como (Schnoor et al, 1992):
(2.40)
(2.41)
El coeficiente de transferencia de materia a través de la capa líquida

puede expresarse en función de la velocidad específica de transferencia de
oxígeno K y las difusividades del compuesto y del oxígeno en el líquido:
(2.42)
donde Do2 toma, a 20°C, el valor 2,04-10'5 cm2/s y Ka se calcula de acuerdo

con la fórmula de O'Connor y Dobbins u otra (ver apartado 4.3.2).

El coeficiente de transferencia de materia a través de la película gaseosa
se calcula como:
(2.43)
siendo:
Account: ns145102
eg Fernando Llavador Co/omer
va = viscosidad cinemática del aire (cm2/s), función de la temperatura,

y
W = velocidad del viento (m/s).

El transporte de contaminantes desde el agua al aire o viceversa es un
mecanismo importante a considerar en la formulación de modelos de proce-
sos de eliminación de contaminantes químicos orgánicos, dependiendo la ve-
locidad de transferencia interfacial tanto de factores de tipo hidrodinámico
como ambientales tales como el viento y la lluvia (Banks y Flores-Herrera,
1977).
2.7. ADSORCIÓN
La adsorción de tóxicos a partículas en suspensión o en el lecho de

sedimentos es un importante mecanismo de transferencia, y, al igual que en la
volatilización, no implica la destrucción del contaminante sino su reparto entre
dos fases; en este caso, entre una fase disuelta y una fase adsorbida a
materia sólida particulada (figura 2.6).
En particular, llamaremos adsorción a la transferencia de materia desde la
fase disuelta a la fase adsorbida, frente al proceso inverso (transferencia de
materia desde la fase adsorbida a la fase disuelta), al que llamaremos
desorción.
Figura 2.6. Concentración de tóxico en la fase disuelta y en la fase adsorbida en

función del tiempo.
Account: ns145102
La ecuación cinética de la adsorción sería:

(2.44)
donde:
C = concentración de tóxico disuelto (ML'3),
Cp = concentración de tóxico adsorbido (ML"3),
C máxima concentración de tóxico adsorbida a sólidos (ML"3),
p,max
kad = velocidad específica de adsorción (M"'L3T"')
y
kdes = velocidad específica de desorción (T"1).
Si «m» es la concentración de sólidos en el medio y «r» es la relación
entre la concentración de tóxico adsorbida y la concentración de sólidos:
(2.45)
la ecuación (2.44) se transforma en:
(2.46)
donde r. es la capacidad máxima de adsorción (r

En estado estacionario, es decir cuando la velocidad de adsorción iguala a
la de desorción, esta ecuación se reduce a la isoterma de adsorción de
Langmuir (Díaz y Roig, 1972):
(2.47)
Si C es pequeño en comparación con kdes/kad, se tiene que r = K p • C

donde, Kp = r c -(k a d /k d e s ) con lo que la ecuación (2.46) se transforma en:
(2.48)
Llamando kad = m - K p - k d e s tenemos:

(2.49)
(2.50)
donde k ad representa la velocidad específica de adsorción.

La concentración total de tóxico CT sería:
(2.51)
Los factores adimensionales f d y f representan, respectivamente, las

fracciones de tóxico disuelto y adsorbido. Si llamamos C a la concentración
J CO
de tóxico disuelto en estado estacionario, tendríamos:
2'52>
Account: ns145102
{.Q Fernando Llavador Colomer
(2.53)
<2"54)
Cuando el medio está constituido por un lecho de sedimentos, el volumen

ocupado por las partículas sólidas (fase sólida) puede ser importante frente al
volumen total del medio y frente al volumen de aguas intersticiales (fase
líquida). En este caso, la concentración «m» deberá sustituirse por la concen-
tración de sólidos referida al volumen de aguas instersticiales «M» que viene
dada por M=m/n donde «n» es la porosidad del medio (volumen de aguas
intersticiales / volumen total de sedimento).
Habitualmente las reacciones de adsorción alcanzan el equilibrio rápida-
mente y se puede suponer que las relaciones cinéticas se determinan por la
situación de estado estacionario.
En general, la capacidad de adsorción de los sedimentos es inversamente
proporcional al tamaño de partícula:
Tamaño de grano
ARCILLA — LIMO — FANGO — ARENA
Capacidad de adsorción
La adsorción de compuestos químicos orgánicos es también función del

contenido orgánico del sedimento, determinado por Koc:
masa de tóxico adsorbida / masa de carbono orgánico en el sedimento
K00=
concentración de tóxico en la fase disuelta
así, cuanto menos solubles en agua sean los contaminantes orgánicos, más
fácilmente podrán ser adsorbidos sobre la superficie de partículas de sedi-
mento con alto contenido en materia orgánica o sobre la superficie de
microorganismos,
2.8. BIOCONCENTRACIÓN
Se define la bioconcentración de tóxicos como el proceso de asimilación

directa de estos a través de agallas y tejido epitelial de organismos acuáticos.
Este mecanismo es importante en tanto que guarda relación con la exposición
Account: ns145102
humana al tóxico a través de determinados alimentos, principalmente peces.

La bioconcentración constituye parte de los mecanismos de bioacumulación y
biomagnificación (Schnoor et al, 1987).

Se entiende por bioacumulación el proceso de asimilación de tóxicos por
peces desde diferentes fuentes (bioconcentración desde el agua y bioasi-
milación por ingestión de determinados alimentos o de sedimento). La
biomagnificación es el proceso mediante el cual aumenta la bioacumulación
en cada etapa del nivel trófico.
Se define el factor de bioconcentración (BCF) como la relación entre la
concentración del tóxico en organismos y la concentración de éste en el
agua.
Si denotamos por «F» a la concentración corporal de tóxico en un organis-
mo vivo (masa de tóxico/masa del organismo), la variación con el tiempo de
F vendrá dada por:
(2.55)
donde:
B = concentración de biomasa de organismos (ML"3),
C = concentración de tóxico disuelto (ML"3),
kl = concentración de la biomasa multiplicada por el volumen de
agua filtrada por unidad de biomasa y día:
kg organismos ^ í 1 de agua filtrada
litro ) kg organismos-día
t * . I 1 • ir
Tiene dimensiones de T"1,

k2 = velocidad específica de depuración, incluida la secrección y eli-
minación de metabolitos (T"1)
y
e = eficiencia de la absorción del tóxico en las agallas.
En estado estacionario:
(2.56)
El factor de bioconcentración tiene dimensiones de L3M"'. Se expresa

frecuentemente en las unidades (|ig/kg)/(^ig/l).
En muchos aspectos, el proceso de bioconcentración es análogo al de

adsorción. Los compuestos químicos orgánicos tienden a repartirse entre los
tejidos grasos de peces y otros organismos acuáticos, y el factor de
bioconcentración es análogo al coeficiente de partición sedimento-agua K .
Muchos tóxicos son hidrófobos (lipofílicos), lo que favorece la
bioconcentración en tejidos grasos. Diversos autores han observado una alta
Account: ns145102
g2 Fernando Llavador Colóme/"
correlación entre el coeficiente de partición octanol/agua (Kc.J y el (BCF).

La concentración de tóxicos lipofílicos en tejidos biológicos es presumible ya
que la concentración de lípidos en las células es mucho más alta que en el

medio acuático.
Account: ns145102
3. MODELOS DE CALIDAD DEL AGUA
3.1. DIMENSIONES ESPACIALES DE LOS MODELOS DE SISTE-

MAS ACUÁTICOS
Los modelos dinámicos de calidad del agua proporcionan una expresión

matemática de la concentración de contaminantes y otros componentes en el
medio acuático en función del tiempo. Esta expresión matemática toma gene-
ralmente la forma de ecuaciones o sistemas de ecuaciones diferenciales o en
derivadas parciales.
Atendiendo al ámbito espacial sobre el que operan, los modelos pueden

clasificarse en:
modelos (¿dimensionales: cuando proporcionan la evolución del siste-
ma con el tiempo en un sistema que carece de dimensiones espacia-
les:/ = f(t). Estos modelos suponen que el medio es homogéneo en
todas las direcciones del espacio.
modelos unidimensionales: cuando proporcionan la evolución del sis-
tema con el tiempo a lo largo de un dirección en el espacio x, supo-
niendo que el medio es homogéneo en las otras dos direcciones (y,z):
x = f(t,x).
modelos multidimensionales: cuando proporcionan la evolución del
sistema con el tiempo a lo largo de dos o tres dimensiones espaciales
(modelos 2D y 3D) respectivamente): x = f(t,x,y,z).
3.2.EBSCO
MODELOS ADIMENSIONALES.
Publishing : eBook MODELO
Collection (EBSCOhost) - printed DEPMVERTIDO
on 6/14/2019 12:22 via UNIVERSIDAD EN
LAGOS
Account: ns145102
Los lagos se caracterizan por ser cuencas de volumen definido, con
corrientes de alimentación y drenaje y que poseen tiempos medios de resi-
dencia elevados.
g4 Fernando Llavador Colomer
En lagos de una cierta profundidad, a consecuencia del ciclo de calenta-

miento, puede aparecer, debajo de una capa superior de agua fuertemente
mezclada por turbulencia, una estratificación vertical (termoclina). Si la pro-

fundidad del lago fuese suficiente, podría formarse por debajo de la capa
estratificada una zona homogénea de aguas profundas; determinando por lo
tanto la termoclina la formación de dos compartimentos superpuestos. Al
compartimento superior de agua comprendido entre la termoclina y la super-
ficie libre del agua se le denomina «epilimnion», mientras que al inferior,
comprendido entre la termoclina y el fondo se le denomina «hipolimnion».
La suposición básica empleada en el desarrollo de los modelos matemáti-
cos adimensionales de vertido en lagos consiste en suponer que el agua en
cada compartimento está perfectamente mezclada y que, por tanto, el com-
partimento es homogéneo.
3.2.1. Modelo de un compartimento
El caso más sencillo de modelo de evaluación del impacto de un vertido

contaminante en lagos, lo obtendríamos en el caso de lagos de poca profundi-
dad en los que las aguas se encuentran íntimamente mezcladas por turbulen-
cia. En este caso, todo el volumen de agua se integraría en un único compar-
timento. Sería un modelo sin dimensiones espaciales, donde la concentración
sería función únicamente del tiempo.
Si suponemos que el vertido está constituido por un único componente
contaminante que, en las condiciones naturales, se degrada siguiendo una
cinética de primer orden, al aplicar un balance de materia sobre el comparti-
mento (figura 3.1), tendríamos:
(3.1)
donde:
V = volumen del lago (L3),
Qr = caudal volumétrico de la corriente de alimentación del lago (L3T~'),
qw = caudal volumétrico del agua residual vertida al lago (L3T"'),
Cr = concentración del componente contaminante en la corriente de
alimentación del lago (ML"3),
Cw = concentración del componente contaminante en el agua residual
(ML-3),
k = velocidad específica de primer orden de descomposición del
contaminante (T1)
y
dC/dt = variación temporal de la concentración del componente contami-
nante (ML-3T').
Account: ns145102
Figura 3.1. Esquema del modelo de vertido en lagos (un compartimento).
Llamando W al caudal másico influente de elemento contaminante:

(3.2)
y 0 al tiempo medio de residencia en el lago:

(3.3)
donde Q es el flujo total entrante en el lago (Q = q w +Q r ), se tiene que:
(34)
Resolviendo esta ecuación diferencial lineal de primer orden llegamos a:
(3.5
donde
Par a t = °° obtenemos la expresión de la concentración de contaminante

en régimen estacionario:
(3.6)
3.2.2. Ciclos de estratificación de la columna de agua
Dado que tanto el mar como lagos y embalses se calientan y enfrían

principalmente a través de su superficie, los cambios de temperatura pueden
originar la aparición de un gradiente de temperaturas y una estratificación
Account: ns145102
Figura 3.2. Perfil vertical de temperaturas y densidades en masas de agua.
vertical durante algunas épocas del año. La estratificación resulta a causa del
aumento en la densidad del agua con la profundidad causado por una dismi-
nución de la temperatura.
Durante el verano, las masas de agua superiores son más cálidas que las
inferiores y consecuentemente menos densas, resultando un gradiente verti-
cal de temperatura y densidad (estratificación). El viento puede mezclar las
capas de agua superiores, destruyendo esta estratificación y creando una
zona de aguas superficiales homogénea llamada «epilimnion» (figura 3.2).
Por debajo de esta zona superior uniforme originada por la mezcla induci-
da por el viento, las temperaturas cambian rápidamente en la «termoclina»,
presentando esta zona una gran resistencia a la mezcla y al intercambio de
materia entre las capas de agua situadas por encima y por debajo de ella (si
nos referimos al gradiente de densidades, a la zona de cambio se le denomi-
naría «picnoclina»}.
Al disminuir la temperatura ambiente durante el otoño, las capas más
superficiales de agua pasa a estar más frías que las inferiores, consecuencia
de esto es que las capas superficiales son entonces más densas que las
inferiores, encontrándose en equilibrio hidrostático inestable. En estas condi-
ciones comienza un proceso de mezcla de la columna de agua y destrucción
Account: ns145102
de la termoclina, que se ve favorecido por el viento y las corrientes convectivas

formadas.
Al elevarse de nuevo las temperaturas durante la primavera, comienza un

nuevo ciclo con la aparición de estratificación que va alcanzando progresiva-
mente niveles más profundos en la columna de agua. Si la profundidad del
medio es suficiente, la estratificación puede no llegar a alcanzar el fondo,
situándose la zona de estratificación (termoclina) entre dos zonas de aguas
homogéneas. A la zona homogénea de aguas profundas comprendida entre la
termoclina y el fondo se le denomina «hipolimnion».
En algunos lagos situados en zonas frías, como la densidad del agua
disminuye cuando la temperatura desciende de aproximadamente 4°C, puede
desarrollarse una estratificación inversa durante el invierno. En primavera
vuelven a cambiar las condiciones al romperse las cubiertas de hielo y co-
menzar el caldeamiento del agua por la superficie.
Los ciclos diarios de calentamiento en áreas no muy expuestas a la
agitación del viento pueden provocar la aparición de zonas estratificadas en
las capas superiores de la columna de agua y cuya evolución sería análoga a
la variación estacional pero desarrollada a lo largo del día.
Los ciclos de estratificación en medios acuáticos tienen una influencia
crucial sobre la organización de los ecosistemas acuáticos (Margalef, 1983).
3.2.3. Modelo de dos compartimentos
El planteamiento del apartado 3.2.1 sería aplicable al epilimnion de lagos

profundos siempre que la capa estratificada no permita una elevada veloci-
dad de transferencia con el hipolimnion. En este caso, la reducción del
estudio del lago al compartimento superior viene justificada entre otras cau-
sas por las siguientes:
a) La captación de aguas para consumo humano, uso industrial o riego
agrícola se realiza frecuentemente en las capas superiores de los la-
gos.
b) Una gran parte de las actividades humanas que provocan impactos
sobre el medio lacustre se desarrolla en las capas superiores de los
lagos, e incluso en su misma superficie (vertidos, transporte náutico,
pesca, etc.).
c) La gran mayoría de los procesos biológicos de relevancia se desarro-
llan en el epilimnion (producción primaria en la zona fótica, producción
secundaria, oxidación aerobia, etc.).

En otros casos, cuando la transferencia de materia entre el epilimnion y el
hipolimnion es apreciable, la evaluación del impacto de un vertido sobre el
lago deberá tener en cuenta la interacción entre estos dos compartimentos.
Account: ns145102
Figura 3.3. Esquema del modelo de vertido en lagos (dos compartimentos).
Así, aplicando balances de materia parciales para el componente contami-

nante, tanto en el compartimento superior como en el inferior (figura 3.3),
tendríamos:
Epilimnion:
(3.7)
Hipolimnion:
(3.8)
donde:
V volumen del epilimnion (L3),
vi = volumen del hipolimnion (L3),
c concentración de contaminante en el epilimnion (ML"3),
c¡ = concentración de contaminante en el hipolimnion (MI/3),
ke velocidad específica de primer orden de descomposición del
contaminante en el epilimnion (T1)
y
\ = velocidad específica de primer orden de descomposición del
contaminante en el hipolimnion (T"1).
Las ecuaciones (3.7) y (3.8) formarían un sistema de ecuaciones diferen-

ciales lineales de primer orden cuya resolución analítica o numérica, nos
proporcionaría la evolución en el tiempo de la concentración del componente
contaminante tanto en el epilimnion (Ce) como en el hipolimnion (Ch). En
régimen estacionario dC/dt = dCh/d = O, con lo que las ecuaciones (3.7) y
(3.8) se transformarían en un sistema de ecuaciones algebraicas cuya resolu-
Account: ns145102
ción nos proporcionaría en este caso las concentraciones del contaminante en

régimen estacionario en ambos compartimentos:
(3.9)
(3.01)
donde:
W = caudal másico influente de contaminante (W = O -C +a -C ) V TT V¿ f ^_> r VJW ^-' W /
(MT1),
Q = caudal total de alimentación al lago (Q = Q r + q w ) (L3T~')
y
0h = tiempo medio de residencia en el hipolimnion (0 h = Vh /q) (T1)
3.2.4. Modelo de dos compartimentos con reacciones acopladas
Como ejemplo de modelo de lago de dos compartimentos (modelo

adimensional) con reacciones acopladas se puede utilizar el modelo de
eutrofízación debido a Imboden (Imboden, 1974). Este modelo considera el
lago dividido en dos compartimentos superpuestos (epilimnion e hipolimnion)
y como elemento contaminante el fósforo, el cual se puede encontrar como
integrante de moléculas orgánicas e inorgánicas. Los principales procesos
cinéticos que afectarían a ambas especies de fósforo serían:
a) Conversión de fósforo inorgánico en fósforo orgánico por fotosíntesis
en el epilimnion.
b) Mineralización de fósforo orgánico en el epilimnion e hipolimnion.
c) Regeneración de fósforo inorgánico al hipolimnion desde el sedimento.
d) Sedimentación de fósforo orgánico desde el epilimnion y el hipolimnion
e) Intercambio de ambas formas de fósforo entre los dos compartimentos
del lago.
Estableciendo cuatro variables de estado definidas como:
[POJ = concentración de fósforo orgánico en el epilimnion (ML~3);
[POJ = concentración de fósforo orgánico en el hipolimnion (ML'3);
[PIJ = concentración de fósforo inorgánico en el epilimnion (ML'3);

[PIJ= concentración de fósforo inorgánico en el hipolimnion (ML'3);
las variables externas:
q = caudal intercambiado entre el epilimnion y el hipolimnion
(L3T-'),
A = superficie del lago (L2),
Account: ns145102
7Q Fernando Llavador Colomer
Ze = espesor del epilimnion (L),

Zh = espesor del hipolimnion (L),
y los parámetros:
g = velocidad específica de sedimentación (LT"1),
S = velocidad de regeneración de fósforo desde el sedimento
(ML-2T-'),
Re = velocidad específica de mineralización de fósforo orgánico en
el epilimnion (T1),
R^ = velocidad específica de mineralización de fósforo orgánico en
el hipolimnion (T1),
a = velocidad específica de asimilación de fósforo inorgánico por
fotosíntesis (T"1).
aplicando balances parciales de materia para ambas formas de fósforo en los
dos compartimentos obtenemos la representación matemática del modelo:
Epilimnion:
(3.11)
(3.12)
Hipolimnion:
(3.13)
(3.14)
donde:
carga de fósforo inorgánico (ML/2T'),
L. =
Lo = carga de fósforo orgánico (ML'2T'1)
Ve = volumen del epilimnion (L3),
Vh = volumen del hipolimnion (L3),
y
Q = caudal total de la corriente de alimentación del lago (L3T-'),
Account: ns145102
Figura 3.4. Relaciones cinéticas entre las formas orgánica e inorgánica del
fósforo en un modelo de lago de dos compartimentos.
Las ecuaciones (3.11) a (3.14) forman un sistema de ecuaciones diferen-

ciales cuya resolución numérica nos proporcionará las concentraciones de
ambas formas de fósforo en el epilimnion e hipolimnion del lago para cual-
quier tiempo, partiendo de unas determinadas condiciones iniciales.
En la figura 3.4 se muestra un esquema de todas las relaciones cinéticas
entre el fósforo orgánico e inorgánico tal como son planteadas en el modelo
de Imboden.
El proceso de eutrofización de lagos como consecuencia de aportes de
fósforo es objeto de intensos estudios por sus importantes consecuencias
ecológicas, pudiendo encontrarse ejemplos de modelos en Lung et al, 1976;
Kao et al, 1998; Gánale y Seo, 1996; Seo y Gánale, 1996. Un ejemplo de
modelo sin dimensiones espaciales con reacciones acopladas puede hallarse
en Wolfe et al. 1986.
3.3. MODELOS UNIDIMENSIONALES. EVALUACIÓN DEL IM-

PACTO DE VERTIDOS EN CURSOS DE AGUA
En cursos de agua no podemos definir compartimentos físicamente defini-

dos, sino que nos encontramos con una corriente continua a lo largo de la
cual se produce la degradación del contaminante.
Account: ns145102
Supongamos una comente de agua de velocidad media «U», que discurre

por un cauce de sección «A» razonablemente invariable. Aplicando para un
componente contaminante determinado un balance de materia en un elemen-

to de volumen AV (AV = A • Ax) tal como muestra la figura 3.5, tendríamos:
<ACUMULACIÓN> = <ENTRADA> - <SALIDA> - <DEGRADACIÓN>
Como quiera que en el elemento de volumen, la entrada y salida del

componente contaminante no solamente es debida al arrastre de la corriente
sino también a mecanismos de difusión, llamando «C» a la concentración del
componente que llega al elemento de volumen y «E» al coeficiente de difu-
sión turbulenta (dimensiones I/T1), obtenemos:
(3.15)
(3.16)
(3.17)
donde en las expresiones correspondientes a los términos de entrada y salida, el

primer sumando representa, respectivamente, la entrada y salida por arrastre
de la corriente (advección) y el segundo término la salida y entrada por difusión
turbulenta a través de la primera y segunda cara del elemento de volumen.
Figura 3.5. Balance de materia aplicado a un elemento de un curso de agua.
Account: ns145102
Con todo esto la expresión del balance quedaría ahora:

(3.18)
y ordenando y agrupando términos:
(3.19)
donde <DEGRADACIÓN> expresa la velocidad másica de transformación

(MT"1) del componente C.
Si tomamos un elemento de espesor lo suficientemente pequeño, entonces
se puede tomar Ax ~ 8x y AC = 8C con lo que la ecuación del balance se
transformaría en la ecuación en derivadas parciales:
(3.20)
Es característico de la formulación matemática de sistemas dinámicos con

dimensiones espaciales la presencia de ecuaciones en derivadas parciales. Si
el sistema presenta difusión turbulenta en alguna de las dimensiones espacia-
les, estas ecuaciones contendrán derivadas parciales de segundo orden res-
pecto a esta dimensión espacial.
3.3.1. Vertido en estuarios
Por lo general, las aguas de los estuarios están estratificadas verticalmen-

te, discurriendo el agua dulce por encima del agua marina al ser esta última
más densa. Por otro lado, en muchos estuarios la acción de las mareas
aumenta la mezcla y dispersión de los residuos, por lo que al plantear la
ecuación de balance en cada elemento de volumen será necesario tener en
cuenta la entrada y salida de contaminante por dispersión axial. Así, supo-
niendo que la degradación del contaminante sigue una cinética de primer
orden de velocidad específica «k», la ecuación (3.20) se transformaría en:
(3.21)
siendo:
U = velocidad del flujo en el río (U=Q/A) (LT1),
A = área de la sección transversal del cauce (L2),
y
E = coeficiente de difusión turbulenta (L 2 T').
Account: ns145102
74 Fernando [.lavador Colomer
Existen dos soluciones de la ecuación 3.21 de particular interés:

a) Descarga instantánea de la masa M de contaminante e n x = 0yt = 0

La ecuación de la concentración del componente C a lo largo del eje del
estuario (en régimen no estacionario) sería:
(3.22)
b) Descarga continua de residuos con caudal másico W (MT1)

Si las condiciones del vertido se mantienen indefinidamente en el tiempo,
la situación límite que se obtendría correspondería al régimen estacionario
(dC/dt=0); en este caso, la ecuación de la concentración de C a lo largo del
eje del estuario vendría dada por (Loucks, 1981):
(3.23)
siendo m =
La raíz positiva se refiere a la dirección aguas arriba del punto de vertido

(-x) y la raíz negativa aguas abajo (+x).
Si el vertido se mezcla instantáneamente en la corriente de agua, la concen-
tración de contaminante en el punto de vertido (x = 0) vendrá dada por:
(3.24)
En corrientes de agua dulce, que no se encuentren bajo la influencia de

las mareas, E ~ O y m ~ 1. En esas condiciones, la concentración de contami-
nante en el punto de vertido, suponiendo mezcla instantánea, vendría dada por:
(3.25)
En este caso, integrando la ecuación (3.21) obtendríamos la expresión:
(3.26)
Account: ns145102
que representa el perfil de concentraciones del contaminante aguas abajo del

punto de vertido.
Considerando que Q = A • U, se tendría:

(3.27)
al
Conforme el río se va aproximando al mar, el coeficiente de dispersión axial,
E, crece y la velocidad de la corriente, U, decrece, con lo que en la ecuación
on
2
(3.27) U podría llegar a ser despreciable frente a 4 - k - E , obteniendo que
ue
Q - m = A - A / 4 - k - E . Así, la concentración inicial en estuarios, suponiendo
mezcla instantánea, vendría dada por:
(3.28)
3.3.2. Modelo de agotamiento de oxígeno en ríos

os
Se podría calcular el efecto de un vertido contaminante biodegradable en

la concentración de oxígeno disuelto en el agua del río; en este caso, habría
que tener en cuenta que la concentración de este elemento resulta afectada
tanto por mecanismos de eliminación como de intercambio con la atmósfera.
Este estudio reviste especial importancia debido a la gran sensibilidad de
los ecosistemas acuáticos a la concentración de oxígeno disuelto.
3.3.2.1. Mecanismos de reoxigenación
Aparte del oxígeno disuelto en los afluentes del río y el contenido en las
aguas de escorrentía, las principales fuentes de este elemento en un río son la
reaireación atmosférica y la fotosíntesis de algas y plantas acuáticas.
La reaireación es proporcional al déficit de oxígeno disuelto, en tanto que
la cantidad de oxígeno aportado por la fotosíntesis está en función de la
densidad de la población de productores primarios (algas principalmente) y de
la luz solar que incide sobre ellas. La radiación solar incidente es mayor a
mediodía que al amanecer y atardecer; por tanto, la tasa de fotosíntesis se
supone que es una función periódica. Por otro lado, la respiración se supone
constante, ya que no depende de la radiación lumínica. Cuando la población
de algas sea grande, tendrá lugar una variación diaria de la concentración de
oxígeno disuelto.
La tasa de reaireación r A se define como:
(3.29)
donde:
ka = constante de reaireación (T~'),
Account: ns145102
yg Fernando Llavador Colomer
OD = concentración de saturación de oxígeno disuelto (ML"3)

y
OD = concentración de oxígeno disuelto en el agua (ML'3)

La constante de reaireación puede estimarse determinando las caracterís-
ticas del río. Se han propuesto varias fórmulas empíricas para determinar el
valor de esta constante, una de las cuales, la de O'Connor y Dobbins expresa
k (en d"1) como:
siendo:
U = velocidad media de la corriente (m/s),
D| - coeficiente de difusión molecular para el oxígeno (nr/d)
y
h = profundidad media de la corriente (m)
La variación del coeficiente de difusión molecular con la temperatura
puede aproximarse mediante la expresión:
(3.31)
donde:
DL(T) = coeficiente de difusión molecular para el oxígeno en m2/día,
a la temperatura T,
4 =
1 76xlO~ coeficiente de difusión molecular (en mVdía) para el oxí-
geno a 20° C
y
T = temperatura en °C
3.3.2.2. Mecanismos de consumo de oxígeno
El contenido de oxígeno disuelto en el agua de los ríos y corrientes se

reduce por causa de:
a) La oxidación bacteriana de la materia orgánica disuelta en el agua y en
suspensión. Esta materia orgánica puede ser tanto de fuentes naturales
como artificiales.
La cantidad de oxígeno necesaria para estabilizar un residuo se determina
normalmente mediante el valor de la demanda bioquímica de oxígeno (DBO);
la DBO es por tanto, la fuente primaria de utilización o agotamiento de
oxígeno en ríos.
La tasa de consumo de oxígeno rD se expresa como:
(3.32)
donde k es la constante de reacción de primer orden para la oxidación de la
Account: ns145102
materia orgánica (T1) y L la demanda bioquímica de oxígeno última del agua

(ML"3) en un determinado punto del río.
Sustituyendo L por L0 • e ~ k ' , la ecuación anterior se transforma en:

(3.33)
siendo LQ la DBO última del agua de río en el punto de vertido (MI/3).
Si, además de la demanda de oxígeno debida a la oxidación microbiana del
carbono orgánico se considera la demanda de oxígeno debida a la nitrificación
del nitrógeno amoniacal, la tasa de consumo de oxígeno rD toma la forma:
(3.34)
siendo:
kN = constante de reacción de primer orden para la oxidación
bacteriana del nitrógeno amoniacal a nitrato (T"1)
y
N = demanda bioquímica de oxígeno para la nitrificación del nitróge-
no amoniacal en una determinada parte del río (ML~3).
b) Demanda de oxígeno de los fangos y depósitos del fondo del río.
La materia demasiado pesada para permanecer en suspensión sedimenta-

rá formando un depósito de fango en el fondo de la corriente. Los depósitos
en los fondos de los ríos de lento discurrir pueden ejercer una importante
demanda de oxígeno sobre el agua. Aunque la mayoría del fango estará
sufriendo una descomposición anaerobia que es un proceso relativamente
lento, la descomposición aerobia puede tener lugar en la interfase entre el
fango y el agua que fluye.
Las tasas de deposición y suspensión o arrastre de la materia depositada
varían con la velocidad y turbulencia del río. A veces, la sedimentación puede
reducir la carga de DBO del río, siempre y cuando se viertan sólidos
sedimentables o tenga lugar la coagulación de la materia coloidal (Imhoff,
1969). Otras veces, el arrastre aumentará la carga de DBO al retornar las
partículas al agua.
Cuando los depósitos de fango sedimentados (depósitos bénticos) sean
apreciables, se pueden valorar sus posibles efectos mediante la fórmula de
Fair, Moore y Thomas (Fair et al., 1971):
(3.35)
donde:
Ym - demanda béntica máxima diaria de oxígeno (g/m2),
y0 = DBO5 del depósito béntico de materia volátil a 20°C (g/kg),
ta = tiempo durante el cual tiene lugar la sedimentación (días),
Account: ns145102
yo Fernando Llavador Colomer
w = tasa diaria de deposición de sólidos volátiles (kg/m2)

y
CT = factor de corrección por temperatura
3.3.2.3. Ecuación de Streeíer y Phelps
En la mayoría de los análisis que se efectúan sobre ríos o cursos de agua

asimilables a ríos, se supone que este se comporta como un reactor ideal de
flujo en pistón, lo cual comporta:
a) Que los residuos están uniformemente repartidos en la sección transversal

del río.
Esta suposición lógicamente no se cumple en las proximidades del punto

de vertido pero su validez comienza a aumentar conforme nos alejamos de
este punto río abajo.
b) Que no se produce mezcla a lo largo del eje del río.
Esta suposición es razonable siempre que el flujo del río no sea muy
turbulento.
Si se supone que el río y el residuo se mezclan completamente en el punto
de vertido, la concentración de un constituyente en la mezcla de residuo será:
(3.36)
donde:
CQ = concentración inicial del componente en el punto de vertido (ML"3),
Qr = caudal del río antes del vertido (L3T'),
Cr = concentración del componente contaminante en el río antes del
vertido (ML'3),
qw = caudal de agua residual vertida (L3T')
y
Cw = concentración del componente en el agua residual vertida (ML"3)
Suponiendo despreciable la producción de oxígeno por fotosíntesis y la

demanda béntica de oxígeno y considerando que no existe dispersión axial, si
aplicamos un balance de oxígeno a un elemento dV de río, obtenemos:
(3.37)
y sustituyendo rD y rA por sus expresiones mostradas en las ecuaciones
(3.32) y (3.29) respectivamente, obtenemos:
Account: ns145102
(3.38)
En régimen estacionario 8C / 8t = O, con lo que, sustituyendo U por dx/dt,

la ecuación anterior se transforma en:
(3.39)
Definiendo el déficit de oxígeno, D, como D = (ODsat - OD), la variación

de este déficit con el tiempo será:
(3.40)
Así, efectuando las oportunas sustituciones en la ecuación del balance

(3.39), obtenemos la ecuación de variación del déficit de oxígeno con el
tiempo:
(3.41)
Integrando y aplicando las condiciones D = DQ para t - O, tenemos la
ecuación de Streeter-Phelps:
(3.42)
donde:
D(t) = déficit de oxígeno en el tiempo t (ML~3)
y
D0 = déficit inicial de oxígeno en el punto de vertido del residuo en el
tiempo t = O (ML'3).
Esta ecuación es aplicable a canales de sección transversal uniforme en los

que los efectos de las algas y los depósitos de sedimentos sean despreciables.
De la forma de la ecuación de Streeter-Phelps (Metcalf-Eddy, 1995;
Streeter y Phelps, 1925) se deduce que la descomposición biológica activa
comienza después del vertido. Esta descomposición utiliza oxígeno. Puesto
que la reaireación atmosférica es proporcional al déficit de oxígeno disuelto,
la velocidad de este proceso aumentará a medida que dicho déficit sea
mayor.
Se alcanza un punto (punto crítico) en el cual la velocidad de consumo de
oxígeno utilizado para la descomposición del residuo iguala a la velocidad de
disolución por reaireación atmosférica. Aguas abajo de este punto, la tasa de

reaireación es mayor que la de utilización y el oxígeno disuelto comenzará a
aumentar. Al cabo del tiempo, la corriente no mostrará efecto alguno por
causa de los vertidos (figura 3.6).
El déficit de oxígeno disuelto De, en el punto crítico puede determinarse
igualando la ecuación (3.41) a cero y despejando, con lo que se obtiene:
Account: ns145102
Figura 3.6. Concentración de oxígeno disuelto aguas abajo de un vertido según

la ecuación de Streeter-Phelps.
3.43)
donde t. es el tiempo que tarda la corriente de agua en recorrer la distancia

que separa el punto de vertido del punto crítico. El valor de t sería:
(3.444)
Si «U» es la velocidad media del flujo en el río, la distancia x a la que se

produce el mínimo contenido de oxígeno será: x c = U • t c
De manera similar a la utilizada para calcular la ecuación de Streeter-
Phelps, se puede calcular la distribución del oxígeno disuelto a lo largo de un
río, aguas abajo de un vertido de contaminantes con demanda bioquímica de
oxígeno, cuando la concentración de oxígeno disuelto viene afectada por los
siguientes procesos:
Consumo por oxidación de componentes con demanda bioquímica de
oxígeno = k-L
Transferencia interfacial por reaireación = k • (ODsa -OD)
Producción por fotosíntesis (MI/3T') = P
Consumo por respiración de la algas (ML'3T')= -R
Account: ns145102
Consumo por demanda béntica de oxígeno (ML'3T"')= -S

Realizando un balance de materia para la concentración de oxígeno di-
suelto, se deduce la siguiente ecuación en estado estacionario:

(3.45)
y una vez integrada:
(3.46)
En el caso de que se considere la demanda bioquímica de oxígeno debida

a la nitrificación, la ecuación de Streeter y Phelps toma la forma:
(3.47)
N
donde N0 es la demanda bioquímica de oxígeno por nitrificación del agua del

río en el punto de vertido.
3.4. MODELOS MULTIDIMENSIONALES
En los modelos en dos o tres dimensiones el medio, de geometría comple-

ja, se descompone en una malla (2 dimensiones) o sistema de celdillas (3
dimensiones) de manera que, suponiendo homogéneas las concentraciones en
cada nodo de la malla o celdilla del sistema, se calculan estas mediante un
método de diferencias finitas en función del tiempo y de las concentraciones
en los nodos o celdillas vecinas (figura 3.7).
En el caso más general de tres dimensiones, la ecuación correspondiente
al balance de materia para un elemento infinitesimal de volumen sería (Bowie
et al, 1985; Ambrose et al, 1992):
Figura 3.7. Segmentación del medio en un sistema de celdillas.

Account: ns145102
go Fernando ¡.lavador Colomer
(3.48)
donde:
C = concentración del componente c en la celdilla (MI/3),
Ux,U ,U = velocidad longitudinal, lateral y vertical del fluido en la celdilla
(advección) (LT1),
Ex,E ,E2 = coeficientes de difusión turbulenta longitudinal, lateral y verti-
cal en la celdilla (L2!'1),
SL = carga directa y difusa de componente c en la celdilla (ML'-'P1),
SB = carga de componente c a través del contorno de la celdilla,
incluyendo el transporte desde aguas arriba y hacia aguas
abajo, los aportes desde el fondo del sistema y desde la
atmósfera (ML^T1)
y
SR = velocidad de transformación del componente c en la celdilla
(ML-3T->)
La velocidad de intercambio de materia entre una celdilla i y otra adya-
cente j ambas pertenecientes a la columna de agua vendría dada por:
(3.49)
siendo:
M. = masa de componente c en la celdilla i (M),
C., C. = concentración del componente c en las celdillas i y j respectiva-
mente (ML'3),
E.. = coeficiente de dispersión para el intercambio de materia entre la
celdilla i y la celdilla j. (L2T~'). Puede ser función del tiempo
Lc fJ = longitud característica de mezcla entre las celdilla i y j (L)
y
A| } = área interfacial compartida por las celdilla i y j (L2)
Si C. >C. entonces O y el componente c se transporta desde la
celda j a la celda i; en el caso contrario (C.<C.) < O y el componente c
se transporta desde la celda i a la j.

Account: ns145102
Modelos matemáticos de sistemas acuáticos dinámicos §3
Si la modelización se extiende no sólo a la columna de agua, sino también

a la capa de sedimentos, el transporte por advección de componentes disuel-
tos en las aguas instersticiales del sedimento desde una celdilla j a otra i
adyacente vendría dado por:
(3.50)
donde:
M. = masa de componente c en la celdilla i de la columna de agua
(M),
C. = concentración del componente c en la celdilla j (ML~3) de la
capa de sedimentos,
n. = porosidad del segmento j (adimensional),
fd. = fracción disuelta del componente c en la celdilla j (adimensional)
y
QJJ = flujo de agua desde la celdilla j a la celdilla i (L3T"'). Un valor
negativo de Q.. indicaría que el agua se transporta desde la
XA K
L
celdilla i a la j; en este caso, < O indicando transporte del
8t
componente c desde la celdilla i a la j.
De manera análoga a lo descrito para la columna de agua, el transporte

por dispersión entre celdillas adyacentes de la capa de sedimentos vendrá
dado por:
(3.51)
siendo:
Mj = masa de componente c en la celdilla i (M),
C, C = concentración del componente c en las celdillas i y j respectiva-
mente (ML"3),
E.. = coeficiente de dispersión para el intercambio de materia entre la
celdilla i y la celdilla j. (L2T~'). Puede ser función del tiempo,
n. j = porosidad media en la interfase entre las celdilla i y j (adimen-
sional),
f dj ,f d . = fracción disuelta del componente c en las celdillas i y j respecti-

vamente (adimensional),
Le.. = longitud característica de mezcla entre las celdilla i y j (L)
y
A.. = área interfacial compartida por las celdilla i y j (L2)
Account: ns145102
g4 Fernando Llavador Colomer
f . C f . c
De manera análoga a los casos anteriores, si ——->——- entonces
nj ni
5\\A
-> O, indicando transporte desde la celdilla j a la i. En caso contrario
8t
5M.
< O y el transporte sería desde la celdilla i a la j
St
Diversos ejemplos de aplicación de modelos de sistemas acuáticos con

dimensiones espaciales se pueden encontrar en Orlob, 1981; Adrian y Sanders,
1998; Kao et al, 1998; Alshawabken y Adrián, 1997; Falconer y Lin, 1997;
Qian, 1997; Apicella et al, 1996; Drolc y Zagorc, 1996; BettyNg et al, 1996;
Park y Kuo, 1996; Stiver y Mackay, 1995; Adrián et al. 1994.
Account: ns145102
4. MODELOS DE SISTEMAS EUTROFICOS
4.1. PROCESOS DE EUTROFIZACION
En algunos sistemas acuáticos especialmente sensibles, cuando se reci-

ben, por causas naturales o antropogénicas aportes de nutrientes, especial-
mente de compuestos de nitrógeno y fósforo, se produce un aumento acele-
rado de algas y especies vegetales superiores, con el resultado de alteracio-
nes en la calidad del agua y en el equilibrio entre los organismos presentes en
la misma. A este proceso se le conoce como eutrofización.
La eutrofización se produce por un desequilibrio entre la producción pri-
maria (debida al fitoplancton sobre todo) y el consumo de organismos
heterotrófos. Una población de fitoplancton cuyo crecimiento se encuentre
limitado por carencia de algún elemento esencial para su crecimiento (princi-
palmente fósforo, nitrógeno, carbono o incluso silicio en las diatomeas), puede
aumentar su tasa de crecimiento cuando se introduce en el medio, por cual-
quier causa, el elemento o elementos limitantes. Si la tasa de crecimiento
resultante rebasa a la tasa de disminución por cualquier mecanismo, se
poducirá un aumento en la densidad de fitoplancton en el sistema.
La mayor concentración de fitoplancton alterará drásticamente las condi-
ciones de transparencia de la columna de agua, provocará un aumento de
intensidad de los procesos bacterianos descomponedores de biomasa y pro-
vocará alteraciones en el contenido en oxígeno disuelto en la masa de agua.
4.2. VARIABLES DE ESTADO EN SISTEMAS EUTROFICOS

Las variables típicas que definen un sistema acuático sometido a procesos
de eutrofización tal como establece el modelo EUTRO5 de la U.S.
Account: ns145102
Environmental Protection Agency (Ambrose et al, 1992) son:
DBOC: Materia orgánica, expresada como demanda bioquímica de oxí-
geno última carbonada (masa de oxígeno/volumen);
Qf. Fernando Llavador Colomer
OD: Oxígeno disuelto, (masa de oxígeno / volumen);

FITP: Fitoplancton (masa de carbono/volumen);
PO: Fósforo orgánico. Está constituido por el fósforo contenido en

las moléculas orgánicas fosforadas no integradas en organismos
vivos, (masa de fósforo/volumen);
PI: Fósforo inorgánico. Está constituido por el fósforo en forma de
compuestos inorgánicos, ortofosfato principalmente, (masa de
fósforo/volumen);
NO: Nitrógeno orgánico. Está constituido por el nitrógeno contenido
en las moléculas orgánicas nitrogenadas no integradas en orga-
nismos vivos, (masa de nitrógeno/volumen);
NH3: Nitrógeno amoniacal. Está constituido por el nitrógeno en forma
de amoniaco y de ion amonio (masa de nitrógeno/volumen);
NO3: Nitrógeno nítrico. Nitrógeno en forma de ion nitrato (masa de
nitrógeno /volumen);
En la figura 4.1 se muestran los procesos e interacciones típicas entre las
variables de estado en la columna de agua. Entre estas variables de estado
se formulan catorce procesos:
P, oxidación de la materia orgánica;
P 2
sedimentación de materia orgánica;
P 3
reaireación;
P 4
crecimiento de fitoplancton;
PS respiración endógena del fitoplancton;
PO mortalidad de fitoplancton;
P1; consumo de fitpolancton por el zooplancton;
P8: sedimentación de fitoplancton;
P3: mineralización de fósforo orgánico;
P,0: sedimentación de fósforo orgánico;
P M : sedimentación de fósforo inorgánico;
P, 2 : mineralización de nitrógeno orgánico;
P u : nitrificación;
P ]4 : desnitrificación
De manera análoga, en la capa se sedimento se definen los seis procesos:
P16 descomposición aerobia del carbono orgánico en la superficie
de la capa de sedimentos;
P descomposición anaerobia de la masa de fitoplancton sedimen-
]7
tado;
P,s resuspensión de materia orgánica;
P,o mineralización de fósforo orgánico en la capa de sedimentos;
P2o
mineralización de nitrógeno orgánico en la capa de sedimentos;
P2,
desnitrificación en la capa de sedimentos
Account: ns145102
Figura 4.1. Procesos e interacciones entre las variables de estado en la columna

de agua.
4.3. PROCESOS EN LA COLUMNA DE AGUA
4.3.1. Ciclo del carbono
La más importante reserva de carbono activa para su intevención en los

ciclos biogeoquímicos es el CO2 atmosférico, las formas de CO2 disuelto
(H2CO3, HCO~ y COj") y la materia orgánica (viva y muerta más compues-
tos de origen no biológico).
Al ser el CO2 muy soluble en agua, puede darse una transferencia del
mismo a través de la interfase agua-aire, disolviéndose CO2 en el agua si la
concentración de éste es menor que su concentración de equilibrio con la
fase gaseosa o liberándose en caso contrario.
La fijación neta de dióxido de carbono en forma de compuestos orgánicos
es llevada a cabo por los organismos autotrofos. Entre estos microorganismos,
se incluyen los organismos fotosintéticos y quimiolitotrofos. En ecosistemas

acuáticos, el grupo más importante de microorganismos en cuanto a su facul-
tad para convertir el dióxido de carbono en materia orgánica lo constituyen
las algas, las cianobacterias y las bacterias fotosintéticas púrpura y verdes.
La principal ruta metabólica de fijación del CO2 es el ciclo de Calvin.
Account: ns145102
g§ Fernando Llavador Colomer
El dióxido de carbono convertido en carbono orgánico por los productores

primarios representa la producción primaria bruta del ecosistema. Este pro-
ceso es realizado primordialmente por los organismos fotosintéticos los cuales

convierten la energía lumínica en energía química. Esta conversión es la
esencia de la producción primaria.
Una porción de la producción primaria es reconvertida de nuevo en CO2
por la respiración de los productores primarios, quedando disponible para los
consumidores secundarios. Los heterotrofos completan el ciclo del carbono
reconvirtiendo en CO2, al utilizarlos como fuente de carbono y energía, los
compuestos orgánicos producidos por los productores primarios.
La ganancia neta de materia orgánica producida por fotosíntesis y no
reconvertida en dióxido de carbono por los microorganismos heterotrofos es
conocida como la productividad primaria neta del ecosistema. Una pro-
ductividad neta positiva indica una acumulación de materia en el sistema,
mientras que si la productividad neta es negativa, entonces debe haber una
entrada de materia orgánica alóctona ya que, de lo contrario, la comunidad
disipa la energía y desaparece.
Algunos microorganismos, incluyendo algas y cianobacterias, producen
pequeñas cantidades de monóxido de carbono parte del cual puede ser utili-
zado por las carboxibacterias como fuente de energía y liberándose el resto a
la atmósfera. El monóxido de carbono es también fijado por algunos
microorganismos tanto heterotrofos como autrotrofos.
Varios hidrocarburos son producidos y consumidos por diferentes pobla-
ciones microbianas. Las bacterias metanogénicas, que pueden desarrollarse
en condiciones anaerobias, en las zonas más profundas de la columna de
agua y en la capa de sedimentos, juegan un importante papel en la reducción
del dióxido de carbono, formando metano; como sólo un limitado número de
microorganismos, (las bacterias oxidantes de metano), pueden consumir éste
hidrocarburo, la mayor parte de la producción del mismo será liberada a la
atmósfera.
Las bacterias putrefactivas, las cuales degradan proteínas son numerosas
en ambientes acuáticos. Las proteínas son enzimáticamente degradadas por
enzimas exo-proteolíticas rindiendo aminoácidos y moléculas de polipeptidos;
los polipeptidos son seguidamente atacados por peptidasas produciendo
aminoácidos; Los aminoácidos son asimilados rindiendo NH3 por desanimación
y CO2 por descarboxilación que al ser liberado al medio puede ser fijado por
los productores primarios, cerrando así el ciclo del carbono (figura 4.2).
Varios compuestos solubles entre los que se encuentran carbohidratos,
aminoácidos y ácidos orgánicos son liberados en la columna de agua por
productores primarios autóctonos.
Account: ns145102
Modelos matemáticos de sistemas acuáticos dinámicos g9
Figura 4.2. Ciclo de carbono.
Alcalinidad y pH
Los organismos acuáticos vivos exhiben diferentes tolerancias al valor del

pH del medio. En gran parte de los medio acuáticos, la concentración de
iones hidrógeno es controlada por el equilibrio del sistema de los carbonates:
Se define la alcalinidad del agua como su capacidad de neutralización de

ácidos. En aguas superficiales, ésta es debida principalmente a la presencia
de iones carbonato, bicarbonato e hidroxilo, si bien también contribuye a esta
capacidad neutralizante la presencia de boratos (relevante sobre todo en
aguas marinas), fosfatos, silicatos y otros iones básicos.
Considerando la alcalinidad como la suma de los equivalentes ácido-base

debidos a carbonates, bicarbonatos e iones hidroxilo, se puede establecer una
relación entre la concentración total de carbono inorgánico (suma de carbono
como CO2, H,CO3, HCO; y CO,2'), el pH y la alcalinidad tal como se
muestran en la figura 4.3; así, para unos valores dados de la alcalinidad y de
Account: ns145102
Figura 4.3. Carbono inorgánico total, alcalinidad y pH.

Figura 4.4. Concentración de equilibrio de las distintas especies de carbono

inorgánico en función del pH, como fracción del carbono inorgánico total (CIT).
Account: ns145102
la concentración de carbono inorgánico total disuelto en el agua, queda fijado

el valor del pH del medio y las concentraciones de las diferentes especies de
carbono (figura 4.4).

La alcalinidad aumenta principalmente debido al aporte de CO2 prove-
niente de la respiración de microorganismos y su inmediata conversión en
iones bicarbonato y carbonato, mientras que la eliminación fotosintética del
CO2 y HCO3" provoca una disminución de la alcalinidad (Tailing, 1976; Allen
y Spence, 1981).
También se puede observar un aumento de la alcalinidad como resultado
de los procesos de desnitrificación y una disminución de la misma como
consecuencia de la nitrificación (Brewer y Goldman, 1976).
4.3.1.1. Bioquímica de los organismos heterotrofos
Los organismos heterotrofos, es decir aquellos que utilizan compuestos

orgánicos como fuente de carbono, obtienen su energía, en última instancia,
de una serie de reacciones de oxidación reducción en la que los electrones
son transferidos desde el sustrato hasta un aceptor final. Este aceptor final
de electrones es primordialmente el oxígeno (respiración aerobia), si bien en
otros casos pueden ser otras moléculas inorgánicas como los nitratos
(desnitrificación), los sulfates, dióxido de carbono e incluso otras moléculas
orgánicas sencillas (fermentaciones).
No todos los compuestos orgánicos son igualmente asimilables; así, algu-
nos son relativamente resistentes al ataque enzimático o incluso completa-
mente refractarios a esta degradación.
En general, el metabolismo de los microorganismos puede dividirse en dos
grandes fases: por un lado la fase degradativa o catabolismo, en la cual
moléculas nutritivas complejas y relativamente grandes que provienen del
medio o bien de reservas propias, se degradan para producir moléculas más
sencillas. Esta fase metabólica va acompañada de la liberación de la energía
química inherente a la estructura de las moléculas nutritivas y su conserva-
ción como moléculas de trifosfato de adenosina (ATP), tranferidoras de
energía en los procesos bioquímicos.
El metabolismo respiratorio rinde más energía para la célula que el meta-
bolismo fermentativo. La fermentación requiere un gran consumo de materia
orgánica para sostener la misma biomasa que la respiración. En habitats
aerobios, la respiración tiende a prevalecer sobre la fermentación. La respi-

ración completa tiene como resultado la producción de dióxido de carbono,
mientras que de la fermentación resulta normalmente una acumulación de
alcoholes y ácidos orgánicos de bajo peso molecular.
La otra gran fase metabólica en la cual tiene lugar la biosíntesis enzimática
de las moléculas orgánicas a partir de sus precursores sencillos constituye el
Account: ns145102
anabolismo. Esta fase precisa del consumo de energía química aportada por
el ATP generado durante el catabolismo. Catabolismo y anabolismo se regu-
lan independientemente, si bien comparten algunos ciclos comunes y ambos

de desarrollan de forma simultánea y concurrente en las células (Lehninger,
1978).
4.3.1.2. Procesos de la materia orgánica
PP Oxidación de la materia orgánica
Dado que la sedimentación no constituye en sí un proceso de transforma-

ción de la materia orgánica, el principal mecanismo de eliminación en sentido
estricto de este componente de la columna de agua lo constituye la oxidación
de aquella por microorganismos heterotrofos aerobios que la utilizan como
fuente de carbono y de energía para sus procesos vitales. Si bien géneros de
algas fitoplanctónicas como Chlorella son capaces de degradar hetero-
tróficamente la materia orgánica, la oxidación de ésta es básicamente un
proceso bacteriano. La velocidad de oxidación de materia orgánica puede
expresarse como:
(4.1)
siendo:
kox = velocidad específica de oxidación a 20°C (T1),
0OX = coeficiente de temperatura para la oxidación (adimensional)
y
K DBO = constante de semisaturación para la limitación de la oxidación
por oxígeno (ML"3).
P2: Sedimentación de materia orgánica
Este proceso consiste en el transporte de la materia orgánica desde la

columna de agua hasta la capa de sedimentos. Únicamente puede sedimentar
la fracción de materia orgánica en suspensión (no disuelta) más densa que el
agua.
La velocidad de transferencia de materia desde la columna de agua hasta
la capa de sedimentos se expresaría como:
Account: ns145102
modes maematicos de sistemas acuaticosdinamico
(4.2)
con:
f dMO = fracción disuelta de la demanda bioquímica de oxígeno carbona-
da (DBOC),
V
SMO = velocidad de sedimentación de materia orgánica (LT"1)
y
h = profundidad de la columna de agua (L).
Si la concentración de sólidos en suspensión no es alta, de manera que no

existen interacciones apreciables entre las partículas, para partículas aproxi-
madamente esféricas la velocidad de sedimentación vendrá dada por la ley
de Stokes:
(4.3)
donde:
g = aceleración de la gravedad (LT2),
|l = viscosidad absoluta del agua (MI/'T1),
p = densidad de las partículas sólidas (ML~3),
pw = densidad del agua (ML"3)
y
dp = diámetro de las partículas (L)
siempre que el número de Reynolds sea inferior a 0,3.
4.3.2. Ciclo del oxígeno
La presencia o ausencia de oxígeno molecular en un habitat es crucial

para determinar el tipo de actividad metabólica que predominará en el mismo.
El oxígeno es parcialmente soluble en agua siendo su solubilidad directa-
mente proporcional a la presión atmosférica e inversamente proporcional a la
temperatura. Al igual que el CO2, puede darse una transferencia de oxígeno a
través de la interfase aire-agua, disolviéndose oxígeno molecular en el agua si
la concentración de este es menor que su concentración de equilibrio con la

fase gaseosa, o liberándolo a la atmósfera en caso contrario. En las condicio-
nes ambientales de presión y temperatura usuales en la superficie terrestre, se
pueden encontrar concentraciones de oxígeno disuelto entre O y 14 mg/1.
El oxígeno molecular es producido por las plantas superiores, algas y
cianobacterias durante la fotolisis fotosintética del agua. No se produce
Account: ns145102
Figura 4.5. Ciclo del oxigeno en sistemas eutróficos
oxígeno en la fotosíntesis de bacterias fotosintéticas (Chromatiaceae,

Rhodospirillaceae y Chlorobiaceae).
El oxígeno es consumido por todos aquellos microorganismos tanto
heterotrofos aerobios como quimiolitotrofos (principalmente Nitrosomonas y
Nitrobacter) que lo utilizan como aceptor final de electrones.
En la figura 4.5 se muestra un esquema del ciclo del oxígeno en sistemas
acuáticos, pudiendo apreciarse la gran cantidad de mentes y sumideros de
este componente.
P3: Reaireación
Cuando la concentración de oxígeno disuelto está por debajo de la con-

centración de saturación, se transfiere oxígeno desde la atmósfera al agua a
través de la interfacie agua-aire. Al contrario, cuando el agua se encuentra
sobresaturada de oxígeno se transfiere éste desde el agua a la atmósfera. La
velocidad de transferencia es proporcional a la diferencia entre la concentra-
ción de oxígeno disuelto y la concentración de saturación del oxígeno en el
agua:
(4.4)
donde:
Account: ns145102
ka = velocidad específica de reaireación a 20°C (T1),

0 = coeficiente de temperatura para la reaireación
y
ODsat = concentración de saturación de oxígeno (ML~3). La concentra-
ción de saturación depende de la temperatura del agua y de la
salinidad del medio, pudiendo aproximarse su valor en mg/1 por
la función:
(4.5)
siendo TK la temperatura Kelvin y S la salinidad en mg/1.
El valor de la constante de reaireación depende de la temperatura del
agua, velocidad media de la corriente, profundidad de la columna de agua, y
velocidad del viento:
Reaireación inducida por la corriente
El valor (en d~') de la constante de reaireación a 20°C vendría dado en

función de la velocidad media de la corriente (m/s) y de la profundidad de la
columna de agua (m) según las fórmulas empíricas:
a) Owens:
(4.6)
b) Churchill:
(4.7)
c) O'Connor-Dobbins:
(4.8)
La ecuación de Owens se emplea para corriente poco profundas (<6
cm), empleándose la ecuación de O'Connor-Dobbins para corrientes profun-
das de movimiento lento y la Churchill para corrientes moderadamente pro-
fundas de movimiento rápido.
Reaireación inducida por el viento

Para velocidades del viento menores de 6 m/s donde la interfacie es lisa y

el transporte de cantidad de movimiento es dominado por las fuerzas visco-
sas, el valor de la constante de reaireación en día"1, vendría dado por la
expresión:
Account: ns145102
(4.9)
donde:
W |0 = velocidad del viento a 10 m sobre la superficie del agua (m/s),
D 0w = difusividad del oxígeno en el agua a 20°C (cm2/s). Es función de
la temperatura del agua,
v = viscosidad cinemática del agua (cmVs). Es función de la tempe-
ratura del agua,
va = viscosidad cinemática del aire (cm2/s). Es función de la tempe-
ratura del aire,
pa = densidad del aire (g/cm3). Es función de la temperatura del aire,
p = densidad del agua (g/cm3),
K = coeficiente de von Karman (0,4),
F = coeficiente adimensional, función de las condiciones de escala
del medio, que toma los valores 10, 6,5 y 5 para escalas peque-
ña, mediana y grande respectivamente, correspondiendo la esca-
la pequeña a condiciones de laboratorio, la escala grande a
condiciones de océano abierto y la escala intermedia a las condi-
ciones de la mayoría de lagos y embalses,
v( = velocidad de transición (cm/s). Toma los valores 9, 10 y 10 para
condiciones de escala pequeña, mediana y grandes respectiva-
mente,
ze = rugosidad equivalente (cm). Toma los valores 0,25, 0,35 y 0,35
para condiciones de escala pequeña, mediana y grande respecti-
vamente
y
Cd = coeficiente de resistencia. Es función de z e', F,' v a', K,' v 1y W. J
Para velocidades del viento superiores a 20 m/s, la interfacie es rugosa y

el transporte de cantidad de movimiento es dominado por la turbulencia; en
este caso, el valor de ka (día"') vendría determinado por la expresión:
ka =
(4.10)
siendo:
Account: ns145102
vc = velocidad crítica. Toma los valores 22, 11 y 11 para condiciones

de escala pequeña, mediana y grandes respectivamente.
ZQ = rugosidad equivalente (cm). Es función de ze, F, Cd, vt, va y W.

y
r u
= coeficiente adimensional,' función de F, vc', C,d y
•'
W
Para velocidades del viento entre 6 y 20 m/s se emplea la expresión:
(4.11)
que representa una zona de transición en la que disminuye la subcapa difusional

y aumenta la profundidad de la turbulencia.
4.3.3. Fitoplancton
La principal característica del fitoplacton es su capacidad de emplear la

energía de la luz solar para efectuar la biosíntesis de sus componentes celu-
lares. Este proceso puede resolverse en dos fases. La primera es la capta-
ción de la energía luminosa por los pigmentos que absorben la luz, convirtién-
dola en la energía química del ATP y de agentes reductores como el NADPH.
En este proceso, los átomos de hidrógeno se ven separados de las moléculas
de agua y empleados para reducir el NADP+, liberándose oxígeno molecular
como subproducto de la fostosíntesis (Rose, 1977; Lehninger, 1978).
Los pigmentos fotosintéticos responsables la primera fase de la fotosínte-
sis se hallan agrupados en dos conjuntos llamados fotosistemas I y II conec-
tados mediante cadenas de transporte electrónico características. Los
pigmentos asociados a los fotosistemas I y II presentan máximos de absor-
ción a 700 y 680 nm respectivamente (figura 4.6).
Figura 4.6. Cadena de transporte electrónico fotosintético.
Account: ns145102
Qg Fernando Llavador Colomer
En la segunda fase de la fotosíntesis, los productos ricos en energía de la

primera fase, el NADPH y el ATP, se emplean como fuentes energéticas
para efectuar la reducción del dióxido de carbono y producir glucosa; simul-

táneamente, el NADPH se reoxida a NADP+, y el ATP se escinde de nuevo
en ADP y fosfato. La segunda fase de la fotosíntesis, catalizada por enzimas
y que no precisa luz puede representarse como:
En esta fase, la enzima ribulosadifosfato-carboxilasa, que cataliza la con-

versión de la ribulosa-1,5-difosfato en 3-fosfoglicerato con fijación de dióxido
de carbono como primera etapa del ciclo de Calvin,
acepta únicamente como sustrato el CO2 (Raven, 1970). En estado estacio-

nario, la velocidad de carboxilación en los cloropastos es igual a la velocidad
de aporte de CO2 por difusión a través de la pared celular y del citoplasma.
En las plantas que pueden aceptar como fuente de carbono carbonates o
bicarbonatos, parece que estos son transportados al interior de la célula y
convertidos en CO2 mediante la reacción reversible:
A pesar de que la obtención de energía y fosforilación oxidativa del ADP

se realiza a partir de la luz, en oscuridad se produce respiración con
fosforilación oxidativa a expensas de las sustancias generadas por fotosínteis
en anteriores periodos luminosos. En presencia de luz se produce la llamada
«fotorespiración», la cual no va acompañada de fosforilación oxidativa del
ADP y que produce un efecto de disminución de la capacidad de reducción
generada por la fotosíntesis.
P4: Crecimiento de fitoplancton
Es un proceso asociado a la fotosíntesis, por tanto dependiente de la luz,

consumidor de carbono inorgánico y productor de oxígeno. La velocidad de
crecimiento del fitoplancton (producción bruta) se expresa como:
(4.12)
donde:
Account: ns145102
(i = velocidad específica máxima de crecimiento del fitoplancton (T~')

a 20°C en condiciones óptimas de luz y nutrientes,
Xj, = factor de corrección de la velocidad de crecimiento por la tem-

peratura,
Xj = factor de limitación del crecimiento del fitoplancton por la luz,
y
XN = factor de limitación del crecimiento del fitoplancton por nutrientes
a) Efecto de la temperatura
Tanto el crecimiento como la reproducción de cualquier ser vivo, y entre

ellos el fitoplancton, no son mas que manifestaciones de una serie de reaccio-
nes metabólicas intrincadamente coordinadas. En un margen estrecho de
temperatura, la velocidad de los procesos metabólicos aumenta a medida que
se eleva la temperatura (Goldman y Carpenter, 1974).
Se puede formular el factor de corrección de temperatura como:
(4.13)
donde 0XT es el coeficiente adimensional de temperatura para el crecimiento

de fitoplancton.
A pesar de lo expuesto, el crecimiento de un microorganismo sólo se
produce en un margen más o menos reducido de temperaturas, la más
favorable de las cuales se denomina temperatura óptima de crecimiento.
El valor de la temperatura óptima de crecimiento depende de que se
refiera a la velocidad bruta de biosíntesis de material celular nuevo o la
velocidad neta de aumento de biomasa (descontando la pérdida de biomasa
por respiración endógena).
A las temperaturas por debajo y por encima de las cuales no se produce
crecimiento se les denomina temperatura mínima de crecimiento y tempe-
ratura máxima de crecimiento respectivamente, variando estas de una es-
pecie a otra. Algunos modelos de crecimiento de fitoplancton incorporan
factores de corrección que consideran las temperaturas mínima, óptima y
máxima de crecimiento (J0rgensen, 1981; J0rgensen, 1984; Bowie et al,
1985).
b) Limitación por luz

La capacidad de captar la energía de la radiación visible (entre 300 y

1000 nm) está limitada a los organismos pigmentados, básicamente bacterias
fotosintéticas y algas.
La eficacia a cada longitud de onda depende del tipo de pigmento utilizado
por el organismo (clorofilas, ficobilinas, clorofila bacteriana, etc.), debiendo
Account: ns145102
JQQ Fernando Llavador Colomer
tenerse en cuenta que la composición espectral de la luz subacuática varía

acusadamente con la profundidad como consecuencia de la absorción de
determinadas longitudes de onda por el agua y las diversas sustancias en ella

presentes.
Conforme la intensidad de la luz se va progresivamente elevando a partir
de cero, aumenta la velocidad de fotosíntesis hasta llegar a un nivel de
saturación. En muchas algas, microfitos principalmente, a altas intensidades
de radiación se pueden producir lesiones en el fotosistema II, reduciéndose
nuevamente la intensidad de la fotosíntesis, fenómeno conocido como
«fotoinhibición» (Steel, 1978; Kirk, 1983).
Si se considera un efecto fotoinhibición en el que por encima de una
intensidad óptima Io disminuye la velocidad de crecimiento del fitoplancton,
el factor de limitación del crecimiento por la luz puede ser una función del
tipo:
(4.14)
donde:
X, = factor de limitación de la velocidad de crecimiento del fitoplancton
en función de la intensidad lumínica (adimensional),
I = intensidad lumínica diaria media durante las horas de sol (MJ/m2)
y
I op = intensidad lumínica óptima por encima de la cual disminuye la
velocidad de crecimiento del fitoplancton (MJ/m2).
La presencia de gran cantidad de algas, bacterias y sólidos en suspensión

provoca una fuerte absorción de luz conforme ésta va penetrando en el
interior de la columna de agua. Se puede definir una profundidad eufótica
como aquella a la cual la iluminación superficial se ha reducido al 1 %.
Si consideramos que la luz se va extinguiendo conforme atraviesa la
columna de agua según la ley de Lambert-Beer, a una profundidad z tendría-
mos que:
(4.15)
siendo:
£ = coeficiente de extinción de la luz en el agua (L~')
y
1(0) = nivel medio diario de intensidad lumínica incidente sobre la su-
perficie del agua (MJ/m2)) durante las horas de sol.
Account: ns145102
Llamando I a la intensidad de la radiación luminosa total incidente en la

superficie de la columna de agua en un periodo de un día (MJ/m2)), f a la
duración del fotoperiodo (días) y suponiendo que un r% (reflectancia) de la

radiación incidente durante el día es reflejada en la superficie, el nivel medio
diario de radiación incidente sobre la superficie del agua en las horas de sol sería:
(4.16)
De acuerdo con esto, a una profundidad z le correspondería un factor de

dependencia lumínica dado por:
(4.17)
Dado que la intensidad luminosa disminuye con la profundidad, cuando en la

superficie del agua se recibe una intensidad 1(0) superior a la intensidad óptima
IV, el valor máximo del factor X (y en consecuencia, la mayor velocidad de
crecimiento del fitoplancton) se alcanzará a una cierta profundidad. Tanto en
aguas más someras como más profundas, este factor toma valores menores, en
el primer caso debido al efecto de fotoinhibición provocado por las altas intensida-
des de radiación, mientras que el segundo por defecto de luz (figura. 4.7).
Figura 4.7. Variación del factor de limitación de la velocidad de crecimiento del

fitoplancton en función de la profundidad para un medio con e = 0,5 nr1 y para
valores I(0)/Iop - 0,5; 1 y 2,5.
Account: ns145102

Ebscohost PDF

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

Ebscohost PDF

Caricato da

Copyright:

Formati disponibili

Copyright © 2002. Digitalia. All rights reserved.

May not be reproduced in any form without permission from the

EBSCO Publishing : eBook Collection (EBSCOhost) - printed on

MODELOS MATEMATICOS DE SISTEMAS

This page intentionally left blank

Fernando Llavador Colomer, 2002

Diseno de portada: Alfredo Candela

Fotocomposicion e impresion: Compobell, S.L.

1. CONSTRUCCION DE MODELOS DE SISTEMAS VARIA-

2. PROCESOS FISICO-QUIMICOS EN SISTEMAS ACUATICOS 45

3. MODELOS DE CALIDAD DEL AGUA 63

4. MODELOS DE SISTEMAS EUTROFICOS 85

4.4.3. Ciclo del nitrogeno 126

5. MODELOS DE SISTEMAS DE FANGOS ACTIVOS 139

GANICA EN AGUAS RESIDUALES 139

6. METODOS MATEMATICOS 173

INDICE ALFABETICO 217

This page intentionally left blank

Actualmente resulta habitual y en algunos casos casi imprescindible utili-

Comunidad Valenciana. Asimismo, ha participado como ponente en las siete

sente texto en el que se plantean de forma metodica y comprensible las

Para facilitar su estudio, en toda la obra se ha intentado mantener una

utilizado para la depuration biologica de las aguas residuales.

encontrar otras formulaciones alternativas. For otra parte se incluyen tam-

mecanismos fisico-quimicos y biologicos responsables de los principales pro-

Alicante, marzo de 2001

Daniel Prats Rico

This page intentionally left blank

El mundo real es extrano y complejo. Mientras que unas veces la natura-

Mientras que en el mundo del arte (y de la logica matematica), el modelo

(«Dios es un matemdtico de altisimo nivel, que utilizo matemdticas suma-

un sistema puede ser clave a la hora de disenar un experimento.

1 Dirac, P.A.M. (1902-1984). Profesor de fisica matematica en Cambridge, desarrollo la

Aunque el modelo matematico pueda incorporar en su desarrollo altos

este no es la naturaleza sino una representation de ella, y por lo tanto ni

This page intentionally left blank

1. CONSTRUCCION DE MODELOS DE SISTEMAS

1.1. MODELOS ESTATICOS Y MODELOS DINAMICOS

Si consideramos un sistema como una porcion de la naturaleza constituida

1.2. CONSTRUCCION DE MODELOS DINAMICOS

En el proceso de elaboration de un modelo matematico, se pueden esta-

1. Adquisicion de information y conocimientos previos sobre el sistema;

Figura 1.1. El modelo como representation abstracta de la naturaleza.

4. Establecimiento de relaciones entre las diferentes variables del modelo;

1.2.1. Estructura de un modelo

1.2.1.1. Especificacion de las variables de interes

Se deberan especificar tanto las variables que caracterizan el estado de

1.2.1.2. Construction de diagramas de control

Se trata de establecer relaciones causa-efecto o interacciones entre los

1.2.1.3. Clasificacion de las variables del modelo

Esta clasificacion atendera a la definition operacional de las variables; es

No obstante lo anterior, una variable externa puede adquirir caracteristi-

Veamos esto con un ejemplo:

de estado la concentration de fitoplancton en suspension en la columna de

Figura 1.2. Diagrama de control. Interacciones entre variables internas, externas

For tanto vemos que mientras que la intensidad luminosa en la superficie

del sistema, es afectada por las variables de estado, pierde su condicion de

1.2.1.4. Especificacion de la forma de las ecuaciones

Consiste en la determination de la forma concreta de las ecuaciones

y = aZo e-Zo.±ZOj -f(yi,y2,y3,..,yn) (i.i)

variable de estado tendremos una ecuacion diferencial.

Si el modelo formado permite conocer exactamente la evolution futura

modelo determinista; por el contrario, si el modelo incorpora componentes