Apuntes Simula Optima

APUNTES DE SIMULACION Y OPTIMIZACION
Dr. Raúl González García
CIEP-FCQ-UASLP
2
Índice general
1. INTRODUCCION A LA SIMULACION 1
1.1. Simulación de Procesos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1. Reseña Histórica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.2. Habilidades Necesarias para la Simulación de Procesos . . . . . . . . 2
1.1.3. Aplicación de la Simulación de Procesos . . . . . . . . . . . . . . . . 2
1.1.4. Simuladores Comerciales de Procesos . . . . . . . . . . . . . . . . . . 4
1.1.5. Limitaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2. Estrategia General para la Simulación de Procesos . . . . . . . . . . . . . . . 6
1.2.1. Definición del Problema . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.2. Modelamiento Matemático del Proceso . . . . . . . . . . . . . . . . . 6
1.2.3. Organización de las Ecuaciones . . . . . . . . . . . . . . . . . . . . . 7
1.2.4. Computación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.5. Interpretación de Resultados . . . . . . . . . . . . . . . . . . . . . . . 9
1.3. Estructura en el Modelamiento Matemático . . . . . . . . . . . . . . . . . . 9
1.4. Grados de Libertad y Variables de Salida y Diseño . . . . . . . . . . . . . . . 11
1.5. Estrategias de solución en el modelado de procesos . . . . . . . . . . . . . . 12
1.5.1. Método Modular Secuencial (orientado al proceso) . . . . . . . . . . . 12
1.5.2. Método Orientado a Ecuaciones . . . . . . . . . . . . . . . . . . . . . 17
1.6. Análisis Estructural . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.6.1. Breve reseña histórica . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.6.2. La Tabla (Matriz) de Incidencias (Ocurrencias) . . . . . . . . . . . . 20
1.6.3. La Matriz (Tabla) de Funcionalidad . . . . . . . . . . . . . . . . . . . 21
1.6.4. Una estrategia de solución óptima . . . . . . . . . . . . . . . . . . . . 22
1.6.5. Ejemplo simple de análisis estructural . . . . . . . . . . . . . . . . . . 24
2. MODELADO DE PROCESOS 35
2.1. MODELOS EN ESTADO ESTACIONARIO . . . . . . . . . . . . . . . . . . 35
2.1.1. Problema de Simulación . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.1.2. Problema de Diseño . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.2. MODELOS EN ESTADO TRANSITORIO . . . . . . . . . . . . . . . . . . . 57
2.2.1. Tanque de Almacenamiento . . . . . . . . . . . . . . . . . . . . . . . 57
2.2.2. Calentador de Tanque Agitado . . . . . . . . . . . . . . . . . . . . . . 60
ÍNDICE GENERAL i
3. OPTIMIZACION 65
3.1. Bases Matemáticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.2. Optimización Univariable: Problemas Max-Min . . . . . . . . . . . . . . . . 66
3.2.1. Métodos Analíticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.2.2. Optimización por medio de Software (Excel) . . . . . . . . . . . . . . 69
3.2.3. Métodos Gráficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.2.4. Métodos Numéricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.3. Optimización Multivariable Sin Restricciones . . . . . . . . . . . . . . . . . . 75
3.3.1. Solución Analítica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
3.3.2. Solución Numérica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
3.4. Optimización Multivariable Con Restricciones . . . . . . . . . . . . . . . . . 77
A. Modelos de operaciones unitarias en Aspen+ 79
ii ÍNDICE GENERAL
1. INTRODUCCION A LA SIMULACION
1.1. Simulación de Procesos
El modelamiento y la simulación de procesos por computadora han llegado a ser her-

ramientas ingenieriles extremadamente exitosas para el diseño y optimización de procesos
físicos, químicos, y biológicos. El uso de la simulación se ha extendido rápidamente durante
las dos décadas pasadas debido a la disponibilidad de las computadoras de alta velocidad.
En la industria de procesos químicos, hoy en día, se resuelven ordinariamente problemas no
lineales, grandes y realísticos por medio de la simulación por computadora. Esto significa
que virtualmente todos los cálculos de ingeniería son procesados rápidamente.
La simulación de procesos puede ser definida como una técnica para evaluar en forma
rápida un proceso con base en una representación del mismo, mediante modelos matemáticos.
La solución de éstos se lleva a cabo por medio de programas de computadora y permiten
tener un mejor conocimiento del comportamiento de dicho proceso. El número de variables
que aparecen en la descripción matemática de una planta de proceso química puede ser tan
grande como 100 mil, y el número de ecuaciones no lineales que deben resolverse pueden ser
del orden de miles, por lo tanto la única forma viable de resolver el problema es por medio
de una computadora.
1.1.1. Reseña Histórica
La crisis del petróleo de los años setenta obligó a la industria en general a enfocar sus
esfuerzos en ser enérgicamente más eficientes, iniciándose así una etapa de desarrollo tec-
nológico encaminado a mejorar los procesos existentes y a diseñar otros nuevos más eficientes.
Este fue el caldo de cultivo necesario para motivar el desarrolló en simulación de procesos.
El comienzo fue lento y se dio en forma conceptual, experimental y académica en algu-
nas compañías y universidades en Estados Unidos, Canadá y Europa. Para 1975 se había
generalizado el desarrollo de simuladores con algunas aplicaciones industriales reducidas.
En 1980 empezaron a surgir compañías elaboradoras de software, que desarrollaban pa-
quetes de simulación para su comercialización, pero tenían la desventaja de que la entrada
y salida de la información eran muy rígidas y se presentaban en forma de listados de difícil
interpretación. A finales de los años 80’s se inició el desarrollo de paquetes de simulación in-
teractivos y su comercialización marcó el comienzo de un uso más intensivo y generalizado en
la industria y las universidades. Entre 1991 y 1995 se inicia la comercialización de paquetes
INTRODUCCION A LA SIMULACION 1
de simulación dinámica y de integración de energía.
En los últimos años, la simulación de procesos en estado estacionario ha llegado a ser una
herramienta de apoyo para el diseño de procesos químicos y además su uso se está extendiendo
en las instituciones de formación de ingenieros químicos. La simulación de procesos está
jugando un papel muy importante en la industría química, como una herramienta adecuada
y oportuna para el diseño, caracterización, optimización y monitoreo del funcionamiento de
procesos industriales.
Aun cuando en sus inicios la simulación de procesos estuvo enfocada principalmente a
la industria petroquímica y de refinación del petróleo, su aplicación se ha ido extendiendo a
otras industrias tales como la de combustibles sintéticos, pulpa y papel, cemento, metales,
minerales, alimentos, etc., en donde se involucra la fase sólida.
La simulación de procesos químicos ha involucrado ambos comportamientos de procesos
estacionarios y dinámicos.
1.1.2. Habilidades Necesarias para la Simulación de Procesos
El incremento del uso de técnicas de simulación por computadora ha ampliado la utilidad

de la aproximación científica a la ingeniería. El desarrollo de competencia en simulación de
procesos requiere que el ingeniero adopte las siguientes habilidades:
1. Entendimiento Claro de los Fundamentos Ingenieriles.- El ingeniero debe estar familiar-

izado con el sistema físico y sus mecanismos para ser capaz de simular inteligentemente
un proceso real y evaluar esa simulación. Los procesos no pueden ser vistos como una
caja negra.
2. Habilidades de Modelado.- El ingeniero tiene que ser capaz de desarrollar un conjunto

de relaciones matemáticas que describan adecuadamente el comportamiento significa-
tivo del proceso.
3. Habilidades Computacionales.- Se deben obtener soluciones rápidas y baratas para la

simulación de procesos. El ingeniero debe ser capaz de escoger y usar la herramienta
computacional apropiada. Para problemas reales, la herramienta de interés es usual-
mente la computadora digital.
1.1.3. Aplicación de la Simulación de Procesos
Debido a que la simulación recae dentro de una aproximación científica a la ingeniería y no

en una aproximación empírica, ha servido para simular procesos en áreas interdisciplinarias
2 INTRODUCCION A LA SIMULACION
tales como ingeniería biológica e ingeniería ambiental. Los ingenieros han encontrado que
la simulación ha sido capaz de hacer contribuciones significativas a la sociedad a traves de
simulaciones exitosas de sistemas biológicos y ambientales. Los esfuerzos futuros caerán en
el modelamiento de sistemas políticos y sociales.
La variedad de aplicaciones de los simuladores de procesos es muy grande, anteriormente
sólo los usaban ingenieros que diseñaban procesos, ahora manejan simuladores los ingenieros
ambientales, ingenieros de proceso y hasta ingenieros de planta en su lugar de trabajo; inge-
nieros con poca o ninguna instrucción de programación pueden modelar procesos complejos.
En principio, la simulación de procesos puede ser útil en todas las etapas del desarrollo
de un proyecto industrial. En las diferentes etapas de un proyecto, puede haber necesidad de
realizar simulaciones con diferentes niveles de sofisticación. La simulación de procesos puede
usarse en las siguientes etapas de desarrollo de un proyecto industrial:
1. Investigación y Desarrollo. Una simulación sencilla puede usarse para probar la factibil-
idad técnica y económica del proyecto.
2. Etapa Crítica en la Toma de Decisiones. Se prueban diferentes alternativas de proceso y

condiciones de operación y se toman decisiones. Cuando un proceso es económicamente
atractivo, se deben probar diferentes alternativas de tamaño y localización de la planta
industrial y determinar condiciones de operación óptima.
3. Planta Piloto. Simulación con modelos más sofisticados para obtener mejores estima-
ciones de las condiciones de operación a escala industrial. Las simulaciones son una
forma razonable de extrapolar la ejecución y escalamiento de los procesos. Incorporan-
do mecanismos fundamentales en la simulación de procesos, la ejecución de los sistemas
puede ser predicha en regiones de operación nuevas y diferentes.
4. Diseño. La simulación proporciona todos los datos de proceso requeridos para el diseño
detallado de los diferentes equipos.
5. Simulación de Plantas Existentes. Puede ser muy útil cuando es necesario cambiar las
condiciones de operación, o cuando se quiere sustituir materias primas.
6. Deseabilidad Económica. Para propósitos de diseño, es usualmente barato usar téc-

nicas de simulación incorporando datos fundamentales del laboratorio en el modelo
matemático que puedan servir para construir plantas piloto de diferentes tamaños.
7. Caracterización del Proceso. Es una forma conveniente de investigar los efectos de los
parámetros del sistema y las perturbaciones del proceso en operación. Usualmente es
muy fácil desarrollar aproximaciones alternativas de operación y evaluar esas alter-
nativas con un modelo matemático en lugar de hacerlo por métodos experimentales.
Para verificar los resultados de la simulación usualmente algunos experimentos son
realizados, pero solamente los experimentos realmente críticos son necesarios.
SIMULACIÓN DE PROCESOS 3
8. Entendimiento del Comportamiento y Mecanismos Significativos del Proceso. Plante-
ando rigorosamente los modelos matemáticos, el ingeniero aprende mucho a cerca del
proceso que está siendo simulado. Para obtener una simulación exitosa, se deben de-
scribir cualitativamente los mecanismos significativos del proceso. Resolviendo el mod-
elo, relaciones útiles entre el proceso y las variables del equipo son reveladas y pueden
observarse fácilmente.
La simulación de procesos químicos es una herramienta moderna que se ha hecho indis-
pensable para la solución adecuada de los problemas de proceso. Permite efectuar el análisis
de plantas químicas en operación y llevar a cabo las siguientes tareas, las cuales son comunes
en las diversas ramas de la industría química:
Detección de cuellos de botella en la producción.
Predicción de los efectos de cambios en las condiciones de operación y capacidad de la
planta.
Optimización de las variables de operación.
Optimización del proceso cuando cambian las características de los insumos y/o las
condiciones económicas del mercado.
Análisis de nuevos procesos para nuevos productos.
Evaluación de alternativas de proceso para reducir el consumo de energía.
Análisis de condiciones críticas de operación.
Transformación de un proceso para desarrollar otras materias primas.
Análisis de factibilidad y viabilidad de nuevos procesos.
Optimización del proceso para minimizar la producción de desechos y contaminantes.
Entrenamiento de operadores e ingenieros de proceso.
Investigación de la factibilidad de automatización de un proceso, etc.
1.1.4. Simuladores Comerciales de Procesos
Existe una gran variedad de simuladores comerciales de procesos, algunos de los cuales
son poderosas herramientas de cálculo en procesos industriales, con enormes bases de datos
y un fuerte respaldo de bibliotecas para cálculos de equipos y bibliotecas de modelos para
cálculos termodinámicos, que le dan al simulador la ventaja de una gran versatilidad. Algunos
de estos simuladores de procesos de propósitos generales son:
1. Aspen Plus y Speedup (de Aspen Technology, USA)
2. Pro II (de Simulations Sciences, USA)
3. Hysys (de Hyprotech, Canadá)
4. Chemcad (de Chemstations, USA)
5. Design II (de WinSim Inc., USA), etc.
La mayoría de ellos son simuladores de procesos en estado estable, que pueden expandirse
a la simulación de procesos en estado transitorio (simulación dinámica) con la adición de un
modulo (el modulo dinámico) que se obtiene por separado.
Un aspecto muy importante en los simuladores de procesos, es la disponibilidad de
los diferentes equipos usados en la industría de prosesos, así como la disponibilidad de
propiedades termodinámicas y de transporte de las corrientes del proceso. Las propiedades
son fundamentales para efectuar los balances de materia y energía al grado de que si se
tuvieran buenos datos o buenas correlaciones para las propiedades, entonces los resultados
de la simulación serían altamente confiables.
Los simuladores modernos deben permitir la selección de los modelos de propiedades
termodinámicos adecuados para la naturaleza de los componentes químicos, estado de agre-
gación y condiciones de operación.
1.1.5. Limitaciones
Hay algunas limitaciones definidas de la simulación de procesos de las cuales el ingeniero

debe estar consciente. Estas incluyen las siguientes:
1. Falta de buenos datos y falta de conocimiento de mecanismos del proceso.- el éxito de la

simulación de procesos depende fuertemente de la información básica que el ingeniero
tiene disponible.
2. El carácter de las herramientas computacionales.- hay ciertos tipos de conjuntos de

ecuaciones que todavía poseen grandes dificultades pra ser resueltos por los métodos
numéricos. Estos incluyen algunas ecuaciones algebraicas no lineales y ciertas ecua-
ciones diferenciales ordinarias y parciales no lineales.
3. El peligro de olvidar la suposiciones hechas en el modelado del proceso.- esto puede

conducir a poner mucho (o poco) énfasis en ciertos resultados.
SIMULACIÓN DE PROCESOS 5
1.2. Estrategia General para la Simulación de Procesos
La estrategia general para la simulación de procesos complejos sigue una ruta bien defini-
da que consiste de los pasos de sentido común dados en el diagrama de bloques acompañante.
Note que la información viaja en ambas direcciones, indicando la naturaleza adaptativa del
desarrollo de alguna simulación exitosa.
Modelamiento Organización Interpretación

Definición del
Matemático de Cálculos de los
Problema
del Proceso Ecuaciones Resultados
1.2.1. Definición del Problema
Esta es una fase muy importante de una simulación exitosa pero desafortunadamente
hay muy pocas reglas generales y precisas que se apliquen. La clave real a la definición
del problema es un ingeniero imaginativo. Lo que se requiere es un pensamiento creativo
basado en entrenamiento ingenieril. El ingeniero debe gastar suficiente tiempo en este aspecto
del problema antes de proceder. Una buena definición del problema viene de responder las
siguientes preguntas:
1. ¿Qué quiero encontrar?
2. ¿Cuáles son las consecuencias importantes del estudio?
3. ¿Porqué se hará este trabajo?
4. ¿Qué esfuerzos ingenieriles se requerirán?
5. ¿Cuánto tiempo tomará el trabajo?
1.2.2. Modelamiento Matemático del Proceso
Despúes de haber definido el problema, el ingeniero está listo para escribir las ecuaciones
de balance y relaciones mecánicas apropiadas para el proceso. Los experimentos críticos de
laboratorio (en caso de haberlos) deben ser diseñados y ejecutados para determinar mecan-
ismos desconocidos y parámetros del modelo. Las descisiones deben hacerse sobre los efectos
importantes y sobre los que pueden despreciarse. Un análisis de orden de magnitud ayuda
a simplificarr estas decisiones críticas. Es imperativo que el ingeniero este consciente y no
sobrestime ni olvide las suposiciones hechas en el desarrollo del modelo matemático.
El modelamiento matemático de los procesos se obtiene de aplicar las leyes de conser-
vación, ademas de aplicar relaciones adicionales de todas las áreas afines con la ingeniería de
procesos (termodinámica, cinética, etc.). Estas relaciones se expresan como:
Ecuaciones de balance global de material.
Ecuaciones de balance de material para un componente en particular.
Ecuación de balance de energía.
Ecuaciones de balance de momentum.
Relaciones de equilibrio.
Otras relaciones.
1.2.3. Organización de las Ecuaciones
Una vez que las relaciones matemáticas se han obtenido, tienen que ser arregladas en
una estrategia de solución, eso es, se tienen que tomar decisiones sobre cuál variable debe
ser resuelta con cuál relación. Para problemas pequeños, comúnmente llevamos este trabajo
rutinariamente sin mucho esfuerza mental. Sin embargo, para problemas grandes se debe
tener precaución. Se recomienda arreglar las ecuaciones en una tabla de ocurrencias o en
un diagrama de bloques de flujo de información. Estas herramientas son útiles para
propósitos de organización e ilustran las interrelaciones entre ecuaciones-variables. También
las ecuaciones serán arregladas tal que la estrategia de solución sea paralela a la relación
lógica de causa y efecto del sistema físico. Este ordenamiento natural de las ecuaciones
usualmente tiende a estrategias de solución estables y eficientes.
1.2.4. Computación
Para obtener soluciones a problemas de simulación de procesos, el ingeniero tiene disponibles

varios niveles de cálculos - que van desde soluciones por inspección hasta soluciones analíticas
y soluciones por computadora de alta velocidad. Debido a la complejidad y la no-linealidad
de problemas de simulación de procesos, la mayoría de soluciones requieren la solución por
computadora digital de alta velocidad. Las computadoras digitales son particularmente útiles
ESTRATEGIA GENERAL PARA LA SIMULACIÓN DE PROCESOS 7

para resolver problemas que involucran manipulaciones numéricas. Para ello es necesario
saber programar y conocer los métodos numéricos de solución matemática de ecuaciones.
Métodos numéricos
Los métodos numéricos para la solución de conjuntos de ecuaciones algebraicas, diferen-

ciales ordinarias, diferenciales parciales y métodos de optimización son necesarios. De esta
manera, el esfuerzo debe enfocarse en usar el mejor método de solución disponible para el
conjunto de ecuaciones obtenidas en el modelamiento. Dentro de los métodos se tienen:
Solución analítica.- Problemas sencillos (problemas lineales)
Solución numérica.- Problemas de alta dificultad (problemas no-lineales)
• Solución de Ecuacines (bisección, falsa posición, secante,Newton, etc.)

• Algebra lineal (eliminación Gaussiana, Gauss-Seidel, Jacobi, etc.)
• Metodos de regresión
• Integración numérica (trapecio, Simpson, Romberg, cuadratura Gaussiana, etc.)
• Solución numérica de EDO (Euler, Runge-Kutta, Heun, etc.)
• Solución numérica de EDP (separación de variables, métodos espectrales, difer-
encias finitas, etc.)
• Optimización (simplex, sección dorada, gradiente, Newton, etc.)
Programación
Algunos lenguajes de programación son diseñados para uso científico y también tienen
excelentes capacidades lógicas; esto es, son usados fuertemente por ingenieros de proceso
experimentados. Para facilitar el esfuerzo de la programación, al usar métodos numéricos,
se han escrito subrutinas científicas generalizadas. Muchas de estas subrutinas científicas se
pueden encontrar publicadas en paginas web de internet, en forma libre o bien en venta. Un
conjunto (libre) particularmente útil y bien documentado es la librería IMSL, la cual está
disponible para computadoras personales y estaciones de trabajo. Un conjunto de subrutinas
en venta son las del "Numerical Recipes", las cuales se encuentran disponibles para diferentes
lenguajes de programación (Fortran, C, Matlab, etc.).
Cuando no se tienen disponibles estas rutinas, es necesario programarlas. Para ello se
pueden usar los lenguajes de programación, tales como: Fortran, C (ó C++), Matlab, Math-
Cad, etc.
1.2.5. Interpretación de Resultados
El beneficio real de la simulación de procesos recae en la interpretación inteligente de

los resultados por parte del ingeniero. En este punto, el ingeniero debe acertar cuando el
modelo es una representación válida del proceso actual o cuando éste necesita revisión y
actualización. El ingeniero debe asegurarse que los resultados sean razonables. Se deben
tomar desiciones sobre el proceso simulado, se obtengan o no los objetivos establecidos en
la definición del problema. También, se investigarán alternativas razonables en un esfuerzo
para mejorar la ejecución del proceso.
1.3. Estructura en el Modelamiento Matemático
Se recomienda que los balances se hagan en forma natural, es decir, se tome todo como
incógnitas y se comience desde las ecuaciones de los principios básicos, dejando las sustitu-
ciones de valores conocidos hasta el final. Se recomienda que solo cuando una variable tenga
valor conocido de cero, mejor no se meta en la ecuación.
En un proceso (un sólo equipo) en el que se involucran  componentes y  corrientes de
flujo (entradas y salidas), se tendrán las siguientes ecuaciones:
1. de Balance Global: 1
2. de Balance de las Especies: 
3. de Restricción: 
4. de Balance de Energía: 1
5. Relaciones de Equilibrio:  (si se tienen 2 fases)
6. Relaciones Auxiliares.
De acuerdo a lo estudiado, los balance de material son  + 1, pero solamente  son

independientes. Entonces, de los +1 balances se deben escoger solamente  para resolverlos
simultaneamente. Al hacer esto, existen  posibilidades de escoger  ecuaciones de las  + 1
disponibles. De aquí surgen las siguientes preguntas:
¿Cuáles son los  balances más convenientes?
¿Se pueden usar los  + 1 balances y eliminar una de las restricciones?
ESTRUCTURA EN EL MODELAMIENTO MATEMÁTICO 9

Ejemplo 1.1 Modelos con un solo equipo.
Se tiene un tanque en el que se mezclan dos corrientes, cada una de las cuales contienen
los componentes 1 y 2 en diferentes composiciones. De las corrientes de entrada se conoce
la cantidad de cada especie.
A B
Cuando un proceso se compone de varios equipos interconectados entre si, la dificultad

del problema crece. Lo más sencillo y natural es hacer los balances en cada equipo (real y
virtual). En caso de que se hagan balances en equipos virtuales, se debe tener cuidado de
incluir todas las corrientes de flujo de interés. El número de equipos (virtuales y reales) a
balancear debe ser igual al número de equipos reales del proceso.
Ejemplo 1.2 Un proceso con multiples equipos
1 B
C D
2
E 3 F
Comentarios sobre el modelamiento:
1. Más de una fase: usar relaciones de equilibrio.
2. Si una variable tiene valor de cero, es conveniente que al plantear los balances, se
elimine de las ecuaciones. En caso de que esa variable sea suceptible a estudios más
avanzados, no debe eliminarse.
3. En caso de que los valores conocidos pertenezcan, todos, a una misma ecuación, cor-
roborar que esa ecuación se convierta en una IDENTIDAD. Cuando la ecuación no se
hace identidad, se tiene un problema mal especificado.
4. La mayoría de las preguntas que se han abierto, se pueden contestar con un buen
reacomodo de ecuaciones-variables. Este asunto se tratará más adelante con la llamada
Tabla de Incidencias (Ocurrencias o Funcionalidad).
5. Cuando un proceso NO contiene corrientes de reciclo, el sistema de ecuaciones generado

es un sistema "Triangular Superior".
1.4. Grados de Libertad y Variables de Salida y Diseño
Despúes del modelamiento se tiene un sistema con  ecuaciones y  variables. Los grados
de libertad del sistema son el número de las variables que sobrepasan a las ecuciones, esto
es:
 =  − 
Este número es conveniente para tomar desiciones sobre que hacer con el sistema.
Si    el problema tiene un número infinito de soluciones
Si  =  el problema puede tener solución
Si    el problema es inconsistente y no tiene solución
Cuando los grados de libertad son positivos (  ) significa que tenemos la libertad de
asignar o dar valores a un número de  variables, ¿cuáles?. Este puede ser un trabajo
tedioso y cansado cuando se escogen las variables por inspección, aunque la experiencia en
el proceso puede ser de gran ayuda. Las variables escogidas para darles valores se conocen
como variables de diseño (o entrada). El número de posibilidades de escoger variables
de diseño se torna en un problema combinatorial. Por ejemplo, para un problema en el que
se tienen 5 ecuaciones que involucran 7 incógnitas, existen 7 − 5 = 2 grados de libertad, lo
que significa que debemos escoger 2 de las 7 variables para asignarles valores. De aquí que
existen 27 = 21 posibilidades de escoger las dos variables
Para los componentes       

µ ¶
A A A A A A B B B B B C C C C D D D E E F
B C D E F G C D E F G D E F G E F G F G G
La pregunta es: ¿cuál de esas posibilidades es la más adecuada?.
GRADOS DE LIBERTAD Y VARIABLES DE SALIDA Y DISEÑO 11

Al escoger las variables de diseño, queda un sistema con  cuaciones y  incógnitas
(variables), las cuales deben resolverse con las ecuaciones. Estas variables son conocidas
como variables de salida.
A las variables de diseño se les pueden asignar valores de forma directa, por opti-
mización o por control.
Una manera de escoger las variables de diseño es con el uso de una tabla de incidencias.
1.5. Estrategias de solución en el modelado de procesos
Los modelos matemáticos son el elemento esencial en un simulador de procesos. Los

modelos de un proceso son todas las relaciones matemáticas derivadas de las leyes de conser-
vación, las leyes de la termodinámica y las restricciones de control y de diseño. Estos modelos
matemáticos constituyen para cada equipo en el proceso, un sistema de ecuaciones algebraicas
y/o diferenciales que describen ese equipo. Los modelos matemáticos de los equipos de un
proceso, en conjunto dan forma al modelo matemático del proceso completo. Este debe ser
resuelto por algún algorítmo de solución para producir los resultados requeridos.
En el caso de simulación de procesos en estado estacionario, el modelo matemático del
proceso está constituido, en general, por un enorme sistema de ecuaciones algebraicas no-
lineales para cuya solución existen tres estrategias: el método modular secuencial, el método
orientado a ecuaciones y el método modular simultaneo.
Por una solución de un conjunto de  ecuaciones simultáneas en  incógnitas se dice de
aquellos valores de las incógnitas, 1  2  · · ·   que satisfacen
1 (1  2  · · ·   ) = 0
2 (1  2  · · ·   ) = 0
.. ó  () = 0
.
 (1  2  · · ·   ) = 0
En general puede no existir solución, algún número de soluciones, o un número infinito

de soluciones. Nosotros estaremos interesados en el caso donde  =  y buscaremos una
solución simple, real y físicamente manejable.
1.5.1. Método Modular Secuencial (orientado al proceso)
La estructura modular secuencial implica la interpretación del diagrama de flujo del

proceso como un grupo de unidades de proceso (equipos), para cada una de las cuales existen
subrutinas de cáculo o modulos. Dentro de este concepto, en un simulador se cuenta con una
biblioteca de modulos que puede ser usada para simular una gran diversidad de diagramas
de flujo de proceso en una estructura flexible.
En este método, una subrutina de cálculo para una unidad de proceso dada,
calcula las variables de las corrientes de salida de esa unidad de proceso con base
en el modelo matemático correspondiente a ese equipo, conocidas las variables
de las corrientes de entrada y los parámetros de equipo de esa unidad de proceso.
Las corrientes de reciclo en el proceso son resueltas, en este método, mediante un pro-
cedimiento iterativo. Se suponen valores iniciales de las variables de una o varias corrientes
involucradas en el reciclo y se busca la convergencia de los valores de esas variables en el
proceso iterativo. A las corrientes a suponer se les conoce como corrientes de corte o
rompimiento y en la literatura de simulación existen técnicas tanto para detectar reciclos
en el diagrama de flujo de un proceso (Sargent y Westerberg, 1964; Crowe et al., 1971), como
para determinar las corrientes de corte (el número mínimo de ellas) necesarias en la solución
de esos reciclos (Kahat y Shachman, 1973; Pho y Lapidus, 1973; Upadhye y Grens, 1975;
Murthy y Husain, 1983).
Este procedimiento se puede ilustrar con base en el conocido diagrama de flujo de Lee y
Rudd (1966).
1 5
1 3
3 2 4
7
5 2 4
6 8
Obsérvese que en este proceso solamente se tienen corrientes de reciclo. Para resolver este
proceso por el método modular secuencial, se podría comenzar por cualquiera de los equipos
involucrados, sin embargo, debido a los reciclos involucrados, el equipo inicial elegido y la
secuencia que se le siga determinaran en gran medida la cantidad de iteraciones (y el tiempo)
necesarias para resolver el proceso completo hasta un grado de presición establecido. En este
caso, la pregunta a contestar seria ¿cuál es la secuencia de solución para resolver el
problema usando un número mínimo de iteraciones para una presición dada?.
Se pide al lector que anlice diferentes secuencias de solucion y las compare de acuerdo al
número de corrientes de corte obtenidas.
A continuación se presenta un método sencillo, aplicado a este proceso, para obtener una
secuencia de solución óptima de acurdo al número mínimo de corrientes de corte.
ESTRATEGIAS DE SOLUCIÓN EN EL MODELADO DE PROCESOS 13

Primeramente se hace un arreglo matricial equipo-corriente de todos los equipos
y corrientes involucrados en el proceso, colocando  a las entradas y  a las salidas
dentro de un reciclo y colocando  y  a las entradas y salidas frescas (externas),
respectivamente.
\ 1 2 3 4 5 6 7 8
1   
2   
3   
4   
5    
Observese que todas las columnas tienen dos elementos. Esto es debido a que solamente
hay corrientes de reciclo y no hay corrientes frescas.
En segundo lugar se sigue un procedimiento de eliminación de renglones y columnas,
el cual es como sigue:
1. Se calcula el número total de  y de  que existen en cada renglon. Solamente contar

las  y  interequipos, no se contabilizran las entradas y salidas externas ( y )
E\C 1 2 3 4 5 6 7 8 GLE GLS

1 S E S 1 2
2 E S E 2 1
3 E S E 2 1
4 S E S 1 2
5 S E E S 2 2
2. Se elimina el renglon (con sus correspondientes columnas) que tenga el menor número
de . En caso de que haya dos renglones con el mismo numero de , se eliminará
primero el que tenga el mayor número de . En caso de empate, se elimina el que
tenga el menor  + . Encaso de empate, se elimina el que tenga mayor número
 + . En caso nuevamente de empate, se elimina el primero que se encuentre de
arriba a abajo.
E\C 1 2 3 4 5 6 7 8 GLE GLS

1 1 1 1 0 0
2 E S E 2 1
3 X S E 1 1
4 S E S 1 2
5 X X E S 1 1
3. Se sigue el procedimiento hasta eliminar todos los renglones.
E\C 1 2 3 4 5 6 7 8 GLE GLS E\C 1 2 3 4 5 6 7 8 GLE GLS

1 1 1 1 0 0 1 1 1 1 0 0
2 E X X 1 0 2 E X X 1 0
3 X S X 0 1 3 X 3 X 0 0
4 2 2 2 0 0 4 2 2 2 0 0
5 X X E S 1 1 5 X X X S 0 1
E\C 1 2 3 4 5 6 7 8 GLE GLS
1 1 1 1 0 0
2 X X X 0 0
3 X 3 X 0 0
4 2 2 2 0 0
5 X X X 4 0 0
En el caso de que al eliminar un renglon (base) tambien se elimine otro adicional

(adicional), se debe tomar en cuenta lo siguiente para asignar los números prioritarios
a) El renglon base se numera como de costumbre

b) El renglón adicional se numera con el número inmediato superior. Si existen en-
tradas y salidas externas ( y ) el número se bede colocar ahí. Si ya no
existe ninguna incidencia, el número se debe colocar exactamente en la incidencia
() que elimina el renglón adicional.
4. Se reacomodan los renglones y columnas en el orden que fueron eliminados.
E\C 1 2 3 5 7 8 4 6
1 S E S 1
4 S E S 2
3 E E S 3
5 S E E S 4
2 S E E 5
1 1 1 2 2 2 3 4
La interpretación de la última tabla es la que proporciona la secuencia de solución, la

cual es como sigue:
a) Se comienza resolviendo las ecuaciones del equipo 1. Para ello es necesario conocer
la información de la corriente 2 de entrada. Debido a que esta corriente esta dentro
de un reciclo, se debe estimar por lo que es un acorriente de corte. Con la solución
del equipo 1 se llega a conocer la información de las corrientes 1 y 3.

b) Se resuelven las ecuaciones del equipo 4. Para ello se necesita conocer la infor-
mación de la corriente 7 de entrada, la cual será una corriente de corte. Con la
solución de este equipo se conoce la información de las corrientes 5 y 8.
c) Se resuelven las ecuaciones del equipo 3. Para ello se requiere la información de
las corrientes 1 y 5, la cual fue obtenida con la solución de los equipos 1 y 4,
respectivamente. Con este equipo se obtiene la información de la corriente 4.
d) Se resuelven las ecuaciones del equipo 5. Para ello se requiere la información de
respectivamente. Con este equipo se obtiene la información de las corrientes 2 y
6. En este punto se calcula la información de una corriente de corte.
e) Se resuelven las ecuaciones del equipo 2. Para ello se requiere la información de
respectivamente. Con este equipo se obtiene la información de la corriente 7. En
este punto se calcula la información de una corriente de corte.
f ) Si los valores de la informacion calculada es diferente de la información estimada
en las corrientes de corte, entonces el proceso se vuelve a repetir, usando como
valores estimados los valores calculados de las variables de corte.
En resumen, conociendo la información de las variables en las corrientes 2 y 7, el reciclo
completo quedaría definido con la secuencia de cálculo de unidades de proceso: 1, 4, 3,
5 y 2. En la solución del reciclo, las variables de las corrientes 2 y 7 serían recalculadas,
partiendo de valores iniciales, hasta lograr una convergencia en los valores de esas
variables.
Ejemplo 1.3 Resuelva el siguiente problema haciendo uso de la estrategia Modular Se-
cuencial. El proceso se muestra en la figura
7
3
1 1 2 2 4 3
5 6
Corrirnte 1 Corriente 3
Etanol: 50 lbmol/h Etanol: 100 lbmol/h
Especificaciones Agua: 150 lbmol/h Agua: 50 lbmol/h
75  F 75  F
147 psia 147 psia
Por la corriente 4 se va el 30 % de la corriente 3
Por la corriente 7 se va el 60 % de lo que entra en la unidad 2
Determinar los valores de las variables de las diversas corrientes.
1.5.2. Método Orientado a Ecuaciones
Consiste básicamente en la solución simultanea de las ecuaciones que describen el dia-

grama de flujo. Es decir, consiste en resolver el enorme sistema de ecuaciones algebraicas
no-lineales que constituye el modelo matemático del proceso completo, por algún proced-
imiento de solución de sistemas de ecuaciones.
Cuando se consideran subsistemas pequeños de plantas químicas, el número de relaciones
descriptoras son pequeñas y el desarrollo de una estrategia computacional es fácil. Usual-
mente las relaciones pueden ser resueltas partiendo directamente de las ecuaciones, después,
resolviendo cada ecuación del conjunto para una variable desconocida simple de una manera
ordenada. Cuando los conjuntos de ecuaciones llegan a ser acoplados, principalmente, cuan-
do cada relación involucra la mayoría de las variables desconocidas, la probabilidad de que
un conjunto de ecuaciones pueda ser partido decrece. Cuando un conjunto de ecuaciones no
puede ser partido, las ecuaciones deben ser resueltas simultáneamente o un esquema iterativo
debe ser desarrollado.
Partición de Ecuaciones
Aunque podemos aproximar el problema de resolver  ecuaciones en  incógnitas direc-

tamente, puede ser más fácil romper las ecuaciones en una estrategia de solución donde cada
ecuación puede ser usada para resolver una variable simple secuencialmente. Por ejemplo,
considere las siguientes tres ecuaciones en tres incógnitas:
1 (1  3 ) = 0
2 (1 ) = 0
3 (2  3 ) = 0
En lugar de resolver todas las tres al mismo tiempo, se puede resolver primero para la
variable 1 de la relación 2 ; entonces, usando este valor de 1 , resolver para la variable 3
de la relación 1 ; y, finalmente, resolver para la variable 2 de la relación 3 . Las ecuaciones
han sido partidas en una estrategia de solución secuencial.
La pregunta es: ¿cómo llevar a cabo este proceso cuando el sistema es grande?

Rasgado de Ecuaciones (Tearing Equations)
Suponga que queremos resolver el siguiente conjunto de cuatro ecuaciones en cuatro
incógnitas
1 (2  3 ) = 0 3 (1  2  3  4 ) = 0
2 (2  3  4 ) = 0 4 (1  2  4 ) = 0
Estas ecuaciones no pueden ser partidas en una estrategia de solución secuencial, por
lo que deben ser resueltas las cuatro relaciones simultáneamente. De cualquier manera se
dispone de una aproximación alternativa al problema: el rasgado de ecuaciones. Suponga
que se estima el valor de la variable 3 . Entonces, la variable 2 podrá ser resuelta de la
relación 1 . Con 3 estimada y 2 conocida, la variable 4 será resuelta de la relación 2 .
Conociendo 2 , 3 , y 4 , la variable 1 entonces será resuelta de la relación 3 . Finalmente,
se debe checar el valor estimado de la variable 3 con la relación 4 . Si la relación 4 fuera
cero, habríamos finalizado. Sino, un nuevo valor de 3 tendría que ser estimado.
Este procedimiento es llamado rasgado de las ecuaciones (tearing equations). El rasgado
(escoger la variable iterativa o de reciclo) no es único, y varios criterios para escoger
la mejor variable de reciclo son posibles . Generalmente el mejor reciclo es dictado no sólo
por la estructura de las ecuaciones sino por la forma en la cual las variables entran en las
ecuaciones. No siempre es claro cuando es más eficiente resolver todas las ecuaciones a la vez
o usar las técnicas de variable de reciclo.
La pregunta es: ¿cómo elegir la mejor variable de reciclo?
Solución Simultanea
Para conjuntos muy grandes de ecuaciones algebraicas, típicos en problemas de diseño
de plantas, es imperativo buscar esquemas computacionales adecaudos. Como sea, para con-
juntos pequeños de ecuaciones, la solución simultánea puede ser práctica y ventajosa. Esto
es verdad especialmente cuando las ecuaciones son lineales y se pueden aplicar técnicas ma-
triaciales.
La pregunta es: ¿qué hacer para simplificar un sistema grande de ecuaciones?
1.6. Análisis Estructural
Es increible que con sólo ordenar las ecuaciones y variables de un sistema de ecuaciones,
provenientes del modelamiento de un proceso, se llega a resolver simultaneamente sólo un
pequeño conjunto de ellas. Este ordenamiento se logra de una manera rápida y eficinete con
el uso de una tabla de incidencias (ocurrencias o funcionalidad).
Las ecuaciones de modelamiento de procesos son predominantemente algebraicas (aunque
tambien las hay diferenciales), a menudo no lineales, y comúnmente dispersas por eso cada
ecuación contiene sólo unas pocas de las variables del sistema. La mayor diferencia entre un
estudio de simulación y un estudio de diseño está en el tipo de variables que son especificadas.
En un estudio de simulación deben ser especificadas todas las variables de las corrientes de
entrada y los parámetros del equipo, y las variables de las corrientes de salida deben ser
calculadas. Esto permite que los estudios de simulación sean formulados de una manera
modular. Por otro lado, en un estudio de diseño las variables especificadas pueden cambiar
de un problema a otro, por lo que se pueden conocer variables de las corrientes de entrada,
variables de las corrientes de salida, o una combinación de variables de amabas corrientes.
En los estudios de diseño, el resultado de los cálculos son los parámetros del equipo y las
variables de corrientes de entrada y salida no especificadas.
El análisis de las características de los problemas de diseño demuestra que existe la necesi-
dad de una metodología para el análisis de sistemas de ecuaciones. Esta metodología debe ser
orientada al nivel de ecuaciones, no modular, puesto que la ruta de los cálculos no está fijada
para un problema de diseño. En esta sección se presenta un método de análisis estructural,
el cuál es usado para desarrollar estrategias de solución simplificadas para grandes conjuntos
de ecuaciones.
El análisis estructural es el estudio de las inter-relaciones e interacciones entre las variables
que forman un conjunto de ecuaciones. La meta es encontrar la ruta más simple y más
eficiente de cálculos para el conjunto de ecuaciones. En lo posible, se evitan las variables
iterativas.
Los cálculos de diseño a menudo tienen numerosas rutas paralelas, no todas ellas deben
tomarse. Las rutas paralelas en problemas de diseño surgen de la existencia de los grados de
libertad en las variables de diseño y las ecuaciones redundantes. Cada ruta paralela debe ser
analizada para determinar la que posea la mínima dificultad en los cálculos.
1.6.1. Breve reseña histórica
La dificultad del problema de ordenamiento surge cuando todas las variables tienen al
menos un precursor. Esto indica la presencia de una variable iterativa. El algorítmo inicial
desarrollado por Sargent y Westerberg (1964), Lee y Rudd (1966), y Christensen y Rudd
(1969 ) pareció minimizar el número de variables iterativas en una estrategia de solución.
Este reconoció el hecho que los problemas de convergencia tienden a incrementar con el
tamaño del conjunto de variables iterativas.
Steward (1965) y Himmelblau (1967) estudiaron la asignación de conjuntos de salida
admisibles para sistema de ecuaciones algebraicas que no contenían variables de diseño o
ecuaciones redundantes. En el primer intento para desarrollar una base matemática para
la selección de variables de diseño fue la estructura gráfica bipartita de Lee, Christensen y
Rudd (1966). El algoritmo dado en términos de la matriz de ocurrencias más conveniente
es presentado en Rudd y Watson (1968). El algoritmo falla para sistemas de ecuaciones con
ANÁLISIS ESTRUCTURAL 19
iteración persistente. Christensen (1970) desarrolló un algoritmo que maneja la iteración
persistente. El algoritmo de Stadther y colaboradores (1974) tiende a conversión anidada,
lazos iterativos implícitos, ambos de los cuales a ser evitados por los cálculos iterativo usando
sustitución directa. Ramírez y Vestal (1972) presenta algorítmos que son construidos en dos
fases. La primera fase selecciona las variables de diseño para el sistema y determina el número
mínimo de variables iterativas para el sistema. La segunda fase selecciona variables iterativas
para obtener lazos iterativos explícitos si es posible. Algoritmos por Westerberg y Edie (1971)
y Edie y Westerberg (1971) usan el principio del máximo eigenvalor para seleccionar variables
de diseño.
Una de las mayores limitaciones de todos estos algoritmos es que ellos producen una
combinación simple de variables de diseño y variables iterativas. Book y Ramírez (1976)
desarrollaron métodos de expresar todas las secuencias de solución que son acíclicas para
sistema de ecuaciones sin iteración persistente y todas las secuencias de solución con un
número mínimo de variables iterativas en sistema de ecuaciones con iteración persistente.
Friedman y Ramírez (1973 ) mostraron que la convergencia de lazos iterativos explícitos por
el método de sustitución directa es dominado por el orden de solución de las ecuaciones en el
lazo. La convergencia por sustitución directa ocurrirá en la ruta de reversa si la ruta directa
diverge y la ruta de reversa existe.
1.6.2. La Tabla (Matriz) de Incidencias (Ocurrencias)
Una matriz de ocurrencia es una representación implícita en que sólo se expresa la estruc-
tura de ocurrencias de un sistema de ecuaciones. Para ejemplificar el proceso de ordenamiento
con una matriz de incidencias, se trabajará con el siguinete sistema de ecuaciones
24 − 129 = 10 (Ec 1)

1 − 32 + 57 + 28 = 7 (Ec 2)
−71 8 = 15 (Ec 3)
133 + 44 9 = 1 (Ec 4)
1 − 22 + 44 − 6 + 77 = 0 (Ec 5)
−55 + 9 = 6 (Ec 6)
−94 − 36 8 = 13 (Ec 7)
A partir de estas ecuaciones se puede construir una tabla de incidencias con la relación
ecuación-variable que existe en el sistema de ecuaciones. Se forma una tabla en la que en
los encabezados de las renglones se tomarán los números de ecuaciones y en los encabezados
de las columnas se tomarán los nombres de las variables. La tabla se llena con la letra  en
cada celda en donde la variable este contenida en la ecuación. Aplicando a nuestro sistema
de ecuaciones, resulta en la tabla siguiente.
E\V x1 x2 x3 x4 x5 x6 x7 x8 x9
1 A A
2 A A A A
3 A A
4 A A A
5 A A A A A
6 A A
7 A A A
1.6.3. La Matriz (Tabla) de Funcionalidad
La matriz de funcionalidad fue desarrollada por Book y Ramírez (1984) para expresar la
estructura de un sistema de ecuaciones. El requisito primario de un método para expresar
la estructura de un sistema de ecuaciones algebraicas es que la estructura sea expresada
explícitamente. Para remover esta deficiencia, un nuevo tipo de matriz de ocurrencias fue
desarrollado llamado la matriz de funcionalidad. Para expresar la forma funcional de una
ecuación, las diferentes formas funcionales en las cuales una variable puede aparecer en las
ecuaciones debe ser definida. La siguiente tabla muestra las diferentes formas funcionales que
se usarán en este curso (una modificación de la presentada por Book y Ramírez (1984)).
Clave Forma Funcional Forma de la Ecuacion

A Lineal 1 1 +  (x) = 0
1 1 2 3 +  (x) = 0
B No-lineal soluble, 1 raíz 1 21 +  (x) = 0
1 log (1 ) +  (x) = 0
1 sin (1 ) +  (x) = 0
C No-lineal soluble, n raíces 1 sinh (1 ) +  (x) = 0
2
1 1 +  (x) = 0 2 = 1 2 3   
1
D Derivadas o Integrales 
+  (x) = 0
1 1 +  (x) = 0
2
2 6= 1 2 3   
E Implícitas, no solubles, complicadas
Otras
Las  , en la tabla, son constantes y () es la función de todas las otras variables del
sistema excepto las variables explícitas. Las formas funcionales de la tabla son aquellas que
predominan en ecuaciones de diseño algebraico. Casi cualquier ecuación original puede ser
manipulada algebraicamente para ajustar estas formas básicas. La matriz de funcionalidad
es, más aún, una matriz de ocurrencias especial que expresa tanto la funcionalidad como la
estructura de las ecuaciones. Aplicando a nuestro sistema de ecuaciones, resulta en la tabla
siguiente.
E\V x1 x2 x3 x4 x5 x6 x7 x8 x9
1 A A
2 A A A A
3 B B
4 A B B
5 A A A A A
6 A A
7 A B B
1.6.4. Una estrategia de solución óptima
Para la implementación en computadoras digitales, de ecuaciones algebraicas que de-

scriben problemas de diseño o simulación, se han establecido métodos generales para la solu-
ción de lazos iterativos implícitos, y dentro de estos se prefieren los métodos que emplean
manipulación de matrices. De esta manera, las siguientes reglas heurísticas son aplicables
como función objetivo para obtener una solución óptima:
1. Resolver una ecuación lineal con una sola variable. Si no es posible, ir al paso 2.
2. Resolver el menor número de ecuaciones lineales simultáneas con sus respectivas incóg-
nitas. Si no es posible, ir al paso 3.
3. Resolver una ecuación no-lineal con una sola variable, la mas simple de todas las
posibles. Si no es posible, ir al paso 4.
4. Resolver el menor número de ecuaciones no-lineales simultáneas con sus respectivas

incógnitas.
El obtener la solución óptima de acuerdo a estos 4 ojetivos, se logra aplicando los 2

algorítmos que se presentan en seguida: el algoritmo de ordenamiento de ecuaciones y
el algoritmo de agrupamiento de variables.
Algoritmo de ordenamiento de ecuaciones

Con este algorítmo se hace un ordenamiento previo de las ecuaciones y de las variables.
Se da prioridad a las variables de solución acíclica (una sola ecuación) y de solución simple
(lineales). El algorítmo se aplica de la siguiente manera:
Se buscan variables con grados de libertad (VGL) de 1. La existencia de un 1 indica
que una solución acíclica puede obtenerse. Se localiza la columa que tiene la designación
funcional de valor más simple y se elimina el renglón correspondiente a la incidencia,
marcando la casilla de la incidencia con un número gerárquico de eliminación. En caso de
que no existan variables con grados de libertad 1, entonces se buscarán VGL 2, 3 ó 4, etc., es
decir, variables cíclicas. Se localiza la columa que tiene la designación funcional de valor
más simple y se eliminan todos los renglones correspondientes a las incidencias, marcando
todas las casillas de las incidencias con el siguiente número gerárquico de eliminación. En
seguida, se recalculan los grados de libertad de las variables y se repite el procedimiento
hasta que se han eliminado todadas las incidencias.
Finalmente, los numeros gerárquicos de eliminación serán usados para ordenar los ren-
glones y las columnas en el orden inverso a como se fueron generando dichos números. Esto,
proporcionará una tabla ordenada en ecuaciones y variables.
Algoritmo de agrupamiento de variables
Con este algorítmo se pretende clasificar las variables-ecuaciones en grupos (partir las
ecuaciones). Se buscan ecuaciones con grados de libertad (EGL) de 1. Se localiza el renglón
con EGL de 1 y se elimina la columna correspondiente a la incidencia, marcando la casilla de
la incidencia con un número gerárquico de eliminación. En caso de que no existan ecuaciones
con grados de libertad 1, entonces se localiza, de arriba hacia abajo, el primer renglón que
aún no se haya eliminado. De este renglón, se eliminan todos las columnas correspondientes
a las incidencias, marcando todas las casillas de las incidencias con el siguiente número
gerárquico de eliminación. Después de cada eliminación se debe verificar que ninguna otra
ecuación se haya eliminado (EGL de 0), se recalculan los grados de libertad de las ecuaciones
y se repite el procedimiento hasta que se han eliminado todas las incidencias.
Después, se usan los números gerárquicos de eliminación para ordenar los renglones y
las columnas en el orden en que fueron generados. Esto, proporcionará una tabla ordenada
en ecuaciones y variables. Cada grupo se obtiene de esta última tabla cuando al movernos
en dirección diagonal, izquierda-superior hacia derecha-inferior, se encuentra un movimiento
horizontal en las incidencias más externas.
1.6.5. Ejemplo simple de análisis estructural
Se desea resolver el siguinete sistema de ecuaciones y se busca plantear una estrategia de

soución sencilla por medio de un reacomodo de las ecuaciones y las variables.
24 − 129 = 10 (Ec 1)

1 − 32 + 57 + 28 = 7 (Ec 2)
−71 8 = 15 (Ec 3)
133 + 44 9 = 1 (Ec 4)
1 − 22 + 44 − 6 + 77 = 0 (Ec 5)
−55 + 9 = 6 (Ec 6)
−94 − 36 8 = 13 (Ec 7)
La siguiente figura muestra la tabla de funcionalidad para el sistema de ecuaciones alge-

braicas. Sobre esta tabla se llevará a cabo un análisis estructural usando los algoritmos de
ordenamiento de ecuaciones y de agrupamiento de variables.
E\V x1 x2 x3 x4 x5 x6 x7 x8 x9
1 A A
2 A A A A
3 B B
4 A B B
5 A A A A A
6 A A
7 A B B
Ordenamiento de Ecuaciones
Teniendo la tabla, se aplica un algorítmo de ordenamiento de ecuaciones, el cual tiene

como objetivo asignar a cada ecuación una variable y minimizar el esfuerzo computacional
para su solución. Iniciando con el algoritmo de ordenamiento de ecuaciones, primero nece-
sitamos determina los grados de libertad de las variables, tal como se muestra en la tabla
siguiente
E\V x1 x2 x3 x4 x5 x6 x7 x8 x9
1 A A
2 A A A A
3 B B
4 A B B
5 A A A A A
6 A A
7 A B B
AGL 2 2 1 3 1 1 2 1 2
BGL 1 0 0 1 0 1 0 2 1
VGL 3 2 1 4 1 2 2 3 3
El algoritmo columnas para las cuales los grados de libertad de las variables (VGL) son
la unidad. Para este ejemplo, estas son las columnas 3 y 5 . Se elimina la columna que
tenga el mayor número de incidencias con funcionalidad tipo . En este caso ambas colum-
nas tienen una sola incidencia del tipo , por lo que cualquiera de las dos puede eliminarse.
Como criterio de desempate se usa la primera ocurrencia (de izquierda a derecha), la cual es
la columna 3 . De esta manera se elimina el renglón 4 con la columna 3. Entonces los grados
de libertad de las variables son recalculados.
E\V x1 x2 x3 x4 x5 x6 x7 x8 x9
1 A A
2 A A A A
3 B B
4 1 X X
5 A A A A A
6 A A
7 A B B
AGL 2 2 0 3 1 1 2 1 2
BGL 1 0 0 0 0 1 0 2 0
VGL 3 2 0 3 1 2 2 3 2
Siguiendo en algoritmo, una columna con frecuencia de 1 es encontrada en la columna 5

y de ahí el renglón 6 es eliminado.
E\V x1 x2 x3 x4 x5 x6 x7 x8 x9
1 A A
2 A A A A
3 B B
4 1 X X
5 A A A A A
6 2 X
7 A B B
AGL 2 2 0 3 0 1 2 1 1
BGL 1 0 0 0 0 1 0 2 0
VGL 3 2 0 3 0 2 2 3 1
Ahora un 1 es encontrado en la columna 9 , la cual elimina el renglón 1.
E\V x1 x2 x3 x4 x5 x6 x7 x8 x9
1 X 3
2 A A A A
3 B B
4 1 X X
5 A A A A A
6 2 X
7 A B B
AGL 2 2 0 2 0 1 2 1 0
BGL 1 0 0 0 0 1 0 2 0
VGL 3 2 0 2 0 2 2 3 0
En este punto, una columna con frecuencia de 1 no existe. De acuerdo al algoritmo, bus-
camos las columnas con la mínima frecuencia, las cuales son las columnas 2 , 4 , 6 y 7 con
2 grados de libertad. De estas columnas, las que tienen mayor número de incidencias de 
son 2 , 4 y 7 . Podemos eliminar cualquiera de estas columnas. Como criterio de desempate
se usa la primera ocurrencia (de izquierda a derecha), la cual es la columna 2 . Obsérvese
que al eliminar la columna 2 tambien se eliminan las ocurrencias de la columna 7 , por lo
que las ocurrencias de la columna 7 tambien deben llevar el mismo número de eliminación
que las incidencias de la columna 2.
E\V x1 x2 x3 x4 x5 x6 x7 x8 x9
1 X 3
2 X 4 4 X
3 B B
4 1 X X
5 X 4 X X 4
6 2 X
7 A B B
AGL 0 0 0 1 0 0 0 0 0
BGL 1 0 0 0 0 1 0 2 0
VGL 1 0 0 1 0 1 0 2 0
Ahora podemos proceder con la eliminación de la columna 4 . Con esta eliminación se

hacen 0 los grados de libertad de las columnas 6 , lo cual hace que estas columnas tambien
tenga prioridad 6.
E\V x1 x2 x3 x4 x5 x6 x7 x8 x9
1 X 3
2 X 4 4 X
3 B B
4 1 X X
5 X 4 X X 4
6 2 X
7 6 6 X
AGL 0 0 0 0 0 0 0 0 0
BGL 1 0 0 0 0 0 0 1 0
VGL 1 0 0 0 0 0 0 1 0
Finalmente la columnas 1 tine frecuencia 1 con incidencia del tipo . Al eliminar la

tabla con sus prioridades queda de la manera siguiente
E\V x1 x2 x3 x4 x5 x6 x7 x8 x9
1 X 3
2 X 4 4 X
3 7 7
4 1 X X
5 X 4 X X 4
6 2 X
7 6 6 X
AGL 0 0 0 0 0 0 0 0 0
BGL 0 0 0 0 0 0 0 0 0
VGL 0 0 0 0 0 0 0 0 0
Se procede a etiquetar los renglones-columnas de acuerdo con los números gerárquicos de
eliminación, para proceder al ordenamiento de ecuaciones/variables, tal como lo muestran
las siguientes tablas:
E\V x1 x2 x3 x4 x5 x6 x7 x8 x9 E\V x1 x2 x3 x4 x5 x6 x7 x8 x9
1 X 3 3 1 A A 3
2 X 4 4 X 4 2 A A A A 4
3 7 7 7 3 B B 7
4 1 X X 1 4 A B B 1
5 X 4 X X 4 4 5 A A A A A 4
6 2 X 2 6 A A 2
7 6 6 X 6 7 A B B 6
7 4 1 6 2 6 4 7 3 7 4 1 6 2 6 4 7 3
Esta tabla se ordena de manera inversa a como fueron eliminados los renglones y
columnas, resultando en
E\V x1 x8 x6 x4 x7 x2 x9 x5 x3
3 B B 7
7 B B A 6
2 A A A A 4
5 A A A A A 4
1 A A 3
6 A A 2
4 B B A 1
7 7 6 6 4 4 3 2 1
Agrupamiento de Variables
Partiendo de la tabla ordenada, se calculan las frecuencias de los renglones. El algorítmo
busca un renglón de frecuencia unidad. En este nivel inicial del problema no existe ninguno
con frecuencia 1. Puesto que no se encuentra una frecuencia unidad, se eliminan todas las
columnas con entradas en el renglón restante más alto. De esta manera, las columnas 1 y
8 son eliminadas del renglón 3 y se etiquetan con 1 (comienza el subgrupo uno). Ahora
las nuevas frecuencias de los renglones son calculadas. No existe frecuencias de 1, por lo
que se eliminan todas las columnas con entradas en el renglón restante más alto. De esta
manera, las columnas 6 y 4 son eliminadas del renglón 7 y se etiquetan con 2 (comienza
el subgrupo dos). Luego, la primera frecuencia unidad es encontrada en el renglón 1, el cual
resulta en la eliminación de la columna 9 que se etiqueta con 3. El siguiente renglón con
frecuencia unidad es el 6, que elimina la columna 5 y se etiqueta con 4. Después el renglón
4 tiene frecuencia unidad y se elimina con la columna 3 , etiquetándose con 5. Finalmente,
no se encuentran renglones con frecuencia unidad, por lo que se eliminan todas las columnas
con entradas en el renglón restante más alto. De esta manera, las columnas 7 y 2 son
eliminadas del renglón 2 y se etiquetan con 6 (comienza el subgrupo tres), pero como al
eliminar el renglón 2, tambien se elimina el renglón 5, entonces tambien se etiqueta con 6.
En las siguientes tablas se presenta paso a paso el procedimiento de eliminacion del
algorítmo de agrupamiento de variables.
E\V x1 x8 x6 x4 x7 x2 x9 x5 x3 EGL E\V x1 x8 x6 x4 x7 x2 x9 x5 x3 EGL

3 B B 2 3 1 1 0
7 B B A 3 7 X B A 2
2 A A A A 4 2 X X A A 2
5 A A A A A 5 5 X A A A A 4
1 A A 2 1 A A 2
6 A A 2 6 A A 2
4 B B A 3 4 B B A 3

3 1 1 0 3 1 1 0
7 X 2 2 0 7 X 2 2 0
2 X X A A 2 2 X X A A 2
5 X X X A A 2 5 X X X A A 2
1 X A 1 1 X 3 0
6 A A 2 6 X A 1
4 X B A 2 4 X X A 1

3 1 1 0 3 1 1 0
7 X 2 2 0 7 X 2 2 0
2 X X A A 2 2 X X A A 2
5 X X X A A 2 5 X X X A A 2
1 X 3 0 1 X 3 0
6 X 4 0 6 X 4 0
4 X X A 1 4 X X 5 0
E\V x1 x8 x6 x4 x7 x2 x9 x5 x3 EGL
3 1 1 0
7 X 2 2 0
2 X X 6 6 0
5 X X X 6 6 0
1 X 3 0
6 X 4 0
4 X X 5 0
Eliminadas las ecuaciones/variables, se procede a etiquetar los renglones-columnas de

acuerdo con los números gerárquicos de eliminación, para proceder al ordenamiento de ecua-
ciones/variables, tal como lo muestran las siguientes tablas:
E\V x1 x8 x6 x4 x7 x2 x9 x5 x3 E\V x1 x8 x6 x4 x7 x2 x9 x5 x3
3 1 1 1 3 B B 1
7 X 2 2 2 7 B B A 2
2 X X 6 6 6 2 A A A A 6
5 X X X 6 6 6 5 A A A A A 6
1 X 3 3 1 A A 3
6 X 4 4 6 A A 4
4 X X 5 5 4 B B A 5
1 1 2 2 6 6 3 4 5 1 1 2 2 6 6 3 4 5
Esta tabla se ordena de manera directa a como fueron eliminados los renglones y colum-
nas, resultando en
E\V x1 x8 x6 x4 x9 x5 x3 x7 x2
3 B B 1
7 B B A 2
1 A A 3
6 A A 4
4 B B A 5
2 A A A A 6
5 A A A A A 6
1 1 2 2 3 4 5 6 6
Finalmente, se forman los grupos. Cada movimiento horizontal de las variables más ex-
ternas determinan el comienzo de un nuevo grupo, tal como se muestra en la siguiente tabla.
E\V x1 x8 x6 x4 x9 x5 x3 x7 x2 GR
3 B B 1
7 B B A 2
1 A A 2
6 A A 2
4 B B A 2
2 A A A A 3
5 A A A A A 3
GR 1 1 2 2 2 2 2 3 3
De esta manera, se obtienen 3 grupos. El primer grupo consta de 1 ecuación y 2 variables,

por lo que para ser capaz de resolver las ecuaciones de este grupo, una variable de diseño debe
venir de este grupo, ya sea 1 ó 8 . El segundo grupo consta de 4 ecuaciones y 5 variables,
por lo que este grupo se prodrá resolver si se especifica una variable de diseño, el mejor caso
es 6 . Finalmente, el tercer grupo consta de 2 ecuaciones y 2 variables, por lo que se pude
resolver simultaneamente para 2 y 7 , o bien se puede tomar una de estas variables como
variable cíclica para resolver el conjunto de 2 ecuaciones iterativamente.
El método de solución es:
1. Asignar 8 (ó 1 ) como variable de diseño y sustituir en las ecs. 3, 7 y 2. En este caso

se tomará 8 =  como variable de diseño
2. Resolver 1 (ó 8 ) de la ecuación 3 y sustituir en las ecs. 2 y 5
15
1 = − (Ec 3)
7
−94 − 36  = 13 (Ec 7)
24 − 129 = 10 (Ec 1)
−55 + 9 = 6 (Ec 6)
133 + 44 9 = 1 (Ec 4)
15
− − 32 + 57 + 2 = 7 (Ec 2)
7
15
− − 22 + 44 − 6 + 77 = 0 (Ec 5)
7
3. Asignar 6 =  como variable de diseño y sustituir en las ecs. 7 y 5
15
1 = − (Ec 3)
7
−94 − 3 = 13 (Ec 7)
24 − 129 = 10 (Ec 1)
−55 + 9 = 6 (Ec 6)
133 + 44 9 = 1 (Ec 4)
15
− − 32 + 57 + 2 = 7 (Ec 2)
7
15
− − 22 + 44 −  + 77 = 0 (Ec 5)
7
4. Resolver 4 de la ecuación 7 y sustituir en las ecs. 1, 4 y 5
15
1 = − (Ec 3)
7
1 13
4 = −  − (Ec 7)
3 9
2 26
−  − − 129 = 10 (Ec 1)
3 9
−55 + 9 = 6 (Ec 6)
µ ¶
4 52
133 −  + 9 = 1 (Ec 4)
3 9
15
− − 32 + 57 + 2 = 7 (Ec 2)
7
15 4 52
− − 22 −  − −  + 77 = 0 (Ec 5)
7 3 9
5. Resolver 9 de la ecuación 1 y sustituir en las ecs. 6 y 4
15
1 = − (Ec 3)
7
1 13
4 = −  − (Ec 7)
3 9
1 29
9 = −  − (Ec 1)
18 27
1 29
−55 −  − = 6 (Ec 6)
18 27
2 142 1508
133 + 2 2 +  + = 1 (Ec 4)
27 81 243
15
− − 32 + 57 + 2 = 7 (Ec 2)
7
15 4 52
− − 22 −  − −  + 77 = 0 (Ec 5)
7 3 9
6. Resolver 5 de la ecuación 6
7. Resolver 3 de la ecuación 4
15
1 = − (Ec 3)
7
1 13
4 = −  − (Ec 7)
3 9
1 29
9 = −  − (Ec 1)
18 27
1 191
5 = −  − (Ec 6)
90 135
2 2 2 142 1265
3 = −  −  − (Ec 4)
351 1053 3159
15
−− 32 + 57 + 2 = 7 (Ec 2)
7
15 4 52
− − 22 −  − −  + 77 = 0 (Ec 5)
7 3 9
8. Resolver 7 y 2 simultaneamente de las ecuaciones 2 y 5
15
1 = − (Ec 3)
7
1 13
4 = −  − (Ec 7)
3 9
1 29
9 = −  − (Ec 1)
18 27
1 191
5 = −  − (Ec 6)
90 135
2 2 2 142 1265
3 = −  −  − (Ec 4)
351 1053 3159
1 45 + 842 + 70 + 842 + 63
7 = (Ec 2)
231 
1 −270 + 8822 − 1267 + 4202 + 315
2 = (Ec 5)
693 
Ejemplo 1.4 Resuelva el siguiente problema haciendo uso de una estrategia orientada a
las ecuaciones y compare la solución con la del Ejemplo 1.3. El proceso se muestra en la
figura
7
3
1 1 2 2 4 3
5 6
Corrirnte 1 Corriente 3
Etanol: 50 lbmol/h Etanol: 100 lbmol/h
Especificaciones Agua: 150 lbmol/h Agua: 50 lbmol/h
75  F 75  F
147 psia 147 psia
Por la corriente 4 se va el 30 % de la corriente 3
Por la corriente 7 se va el 60 % de lo que entra en la unidad 2
Determinar los valores de las variables de las diversas corrientes.
2. MODELADO DE PROCESOS
2.1. MODELOS EN ESTADO ESTACIONARIO
2.1.1. Problema de Simulación
Planteamiento del Problema

El eter etílico se produce por la deshidratación de alcohol etílico en presencia de 2 4
a 140 ◦ C, de acuerdo a la reacción
22 5  −→ 2 5 2 5 + 2 
Mediante el proceso que se describe a continuación:
Producción de Eter Etílico
D M-1 R-2 S-3 S-4

F H
G
K L
Donde:
M-1 es Tanque de Mezclado
R-2 es Reactor
S-3 es Separador de Eter
S-4 es Separador de Alcohol
Se dispone de la siguiente información:
1. La corriente D está compuesta por 95 % (peso) de alcohol en agua.
MODELADO DE PROCESOS 35
2. La corriente G es 2 4 al 93 % (peso) en solución acuosa.
3. En el reactor, la reacción es simple y con una conversión del 87 % (alfa) respecto del
2 5 
4. En el separador de eter, el destilado es, practicamente, eter puro, sabiendo que en el

fondo no se arrastra eter.
5. En el separador de alcohol se obtiene un destilado R (92 % en peso de alcohol en agua)

que se recircula; mientras que en el fondo se obtiene una solución acuosa de 2 4 
Para producir 2000 kg h de eter etílico, calcular las otras corrientes y sus composiciones,
sabiendo que se recomienda en la alimentación del proceso, una relación 1 : 1 en peso de
2 4 Alcohol.
Modelando el Proceso
Definiciones para simplificar el proceso:
 ≡Alcohol
 ≡Agua
 ≡ 2 4
 ≡Eter
Balances de Material en M-1

R
x
y
D
x F
y M-1 x
G y
y z
z
Balances
()  : ++= A
(1)  :   +   =   (2.1)
(2)  :   +   +   =   (2.2)
(3)  :   =   (2.3)
36 MODELADO DE PROCESOS
Restricciones
(4)  :  +  = 1 (2.4)
(5)  :  +  = 1 (2.5)
(6)  :  +  = 1 (2.6)
(7)  :  +  +  = 1 (2.7)
Se tienen:
Ecuaciones: 7
⎧ ⎫
⎪
⎪ D G R F ⎪
⎪
⎨ ⎬
  
Incógnitas: 13
⎪
⎪     ⎪
⎪
⎩  ⎭
 
Grados de Libesrtad (GL): 13-7=6

Se tienen 613 = 1716 posibilidades de escoger el conjunto de las varibles de diseño
½ ¾
D G R
Variables de diseño (comunes):
  
½ ¾
  
Variables de Estado=Ecuacines=7
F   
Balances de Material en R-2
F H
x x
y y
z R-2 z
w
Balances
()  :  = (B)
(8)  :   =   + C (2.8)
(9)  :   + C =   (2.9)
(10)  :   =   (2.10)
(11)  : C =   (2.11)
MODELOS EN ESTADO ESTACIONARIO 37

Restricciones
(7∗ )  :  +  +  = 1 (7*)
(12)  :  +  +  +  = 1 (2.12)
Moles Consumidos 
Ecuaciones auxiliares:  = Moles Entrantes
=  P
 
(13)  =  (2.13)
P
1
(14)  =  (2.14)
2
1
(15)  =  (2.15)
2
(16) C = P  (2.16)
(17) C = P  (2.17)
(18) C = P  (2.18)
Se tienen:
Ecuaciones: 12
⎧ ⎫
⎪
⎪ F    ⎪
⎪
⎪
⎪ ⎪
⎨ H     ⎪
⎬
Incógnitas: 19   
⎪
⎪ ⎪
⎪
⎪
⎪ C C C ⎪
⎪
⎩ ⎭
 P P P
© ª
De estas incógnitas se tienen 4 parámetros  P P P , los cuales tam-
bien pueden considerarse como variables. Los parámetros son propiedades físicas bien
definidas y con valor propio.
Si descartamos los parámetros, solamente nos quedan 15 incógnitas
⎧ ⎫
⎪
⎪ F    ⎪
⎪
⎨ ⎬
H    
⎪
⎪    ⎪
⎪
⎩  ⎭
C C C
GL= 15 − 12 = 3
Se tienen 315 = 455 posibles combinaciones de escoger las variables de diseño.
© ª
Variables de diseño (comunes): F  
⎧ ⎫
⎨ H     ⎬
Variables de estado:    
⎩ ⎭
C C C
Balances de Material en S-3
J
w
H
x S-3
y
z x
w K y
z
Balances
()  :  = + (C)
(19)  :   =   (2.19)
(20)  :   =   (2.20)
(21)  :   =   (2.21)
(22)  :   =  (2.22)
Restricciones
(12∗ )  :  +  +  +  = 1 (12*)
(23)  :  +  +  = 1 (2.23)
Se tienen:
Ecuaciones: 6
½ ¾
H    
Incógnitas: 10
J K   
GL= 10 − 6 = 4
© ª
Variables de diseño (comunes): H   
½ ¾
J 
Variables de estado:
K   

Balances de Material en S-4
x
R
y
S-4
K
x
y y
L
z z
Balances
()  :  =+ (D)
(24)  :   =   (2.24)
(25)  :   =   +   (2.25)
(26)  :   =   (2.26)
Restricciones
(23∗ )  :  +  +  = 1 (23*)
(27)  :  +  = 1 (2.27)
(6∗ )  :  +  = 1 (6*)
Se tienen:
Ecuaciones: 6
⎧ ⎫
⎨ K    ⎬
Incógnitas: 10 L  
⎩ ⎭
R  
GL= 10 − 6 = 4
© ª
Variables de diseño (comunes): K   Distribución de 
½ ¾
L  
Variables de estado:
R  
Ecuaciones de Diseño Adicionales Relación de alimentación recomendada

 
(28) =1 (2.28)
 
Resolviendo el Problema: Solución Simultanea
El sistema completo de ecuaciones queda como sigue:
(1) :   +   =   (2.29a)
(2) :   +   +   =   (2.29b)
(3) :   =   (2.29c)
(4) :  +  = 1 (2.29d)
(5) :  +  = 1 (2.29e)
(6) :  +  = 1 (2.29f)
(7) :  +  +  = 1 (2.29g)
(8) :   =   + C (2.30a)
(9) :   + C =   (2.30b)
(10) :   =   (2.30c)
(11) : C =   (2.30d)
(12) :  +  +  +  = 1 (2.30e)
 
(13) :  =  (2.30f)
P
1
(14) :  =  (2.30g)
2
1
(15) :  =  (2.30h)
2
(16) : C = P  (2.30i)
(17) : C = P  (2.30j)
(18) : C = P  (2.30k)
(19) :   =   (2.31a)
(20) :   =   (2.31b)
(21) :   =   (2.31c)
(22) :   =  (2.31d)
(23) :  +  +  = 1 (2.31e)
(24) :   =   (2.32a)
(25) :   =   +   (2.32b)
(26) :   =   (2.32c)
(27) :  +  = 1 (2.32d)

(28) :   =   (2.33a)
Recomodando: Balances-Restricciones-Auxiliares
(1) :   +   =   (2.34a)
(2) :   +   +   =   (2.34b)
(3) :   =   (2.34c)
(4) :   =   + C (2.34d)
(5) :   + C =   (2.34e)
(6) :   =   (2.34f)
(7) : C =   (2.34g)
(8) :   =   (2.34h)
(9) :   =   (2.34i)
(10) :   =   (2.34j)
(11) :   =  (2.34k)
(12) :   =   (2.34l)
(13) :   =   +   (2.34m)
(14) :   =   (2.34n)
(15) :  +  = 1 (2.35a)
(16) :  +  = 1 (2.35b)
(17) :  +  = 1 (2.35c)
(18) :  +  +  = 1 (2.35d)
(19) :  +  +  +  = 1 (2.35e)
(20) :  +  +  = 1 (2.35f)
(21) :  +  = 1 (2.35g)
 
(22) :  =  (2.36a)
P
1
(23) :  =  (2.36b)
2
1
(24) :  =  (2.36c)
2
(25) : C = P  (2.36d)
(26) : C = P  (2.36e)
(27) : C = P  (2.36f)
(28) :   =   (2.36g)
Se tienen
Ecuaciones: 28
Variables:
⎧ 32 ⎫
⎪ D   ⎪
⎪
⎪ ⎪
⎪
⎪
⎪ G   ⎪
⎪
⎪
⎪ ⎪
⎪
⎪ F   
⎪ ⎪
⎪
⎪
⎪ ⎪
⎪
⎨ H     ⎪
⎪ ⎬
J K   
⎪
⎪ ⎪
⎪
⎪
⎪ L   ⎪
⎪
⎪
⎪ ⎪
⎪
⎪
⎪ R   ⎪
⎪
⎪
⎪ ⎪
⎪
⎪ C C C ⎪⎪
⎪
⎩ ⎭
  
© ª
Parámetros: 4  P P P
GL=32 − 28 = 4
En el enunciado del problema se debe haber dado información de 4 variables de diseño.
NOTA: Cuando el número de variables involucradas en una ecuación es menor que los
GL, todo el conjunto de variables de la ecuación no debe escogerse como variables de diseño.
En caso de que todo el conjunto se escoja como variables de diseño, se deberá: (1) checar
que la ecuación sea congruente y (2) eliminar la ecuación y adicionar una nueva variable de
diseño.
Asiganando los valores proporcionados:
 = 087
P = 46
P = 18
P = 74
 = 095
 = 093
 = 2000
 = 092
Sustituyendo estos valores y reacomodando las ecuaciones de acuerdo a las siguientes

reglas (aplicadas a cada ecuación):
1. Eliminar los términos racionales
2. Eliminar los términos que incluyan logarítmos
3. Eliminar los términos con raíces
4. Despejar y sustituir los terminos constantes

5. Eliminar cualquier término que pueda causar indeterminaciones matemáticas.
El Sistema de Ecuaciones se transforma en:
(1) : 095 + 092 =   (2.37a)

(2) :   +   +   =   (2.37b)
(3) : 093 =   (2.37c)
(4) :   =   + C (2.37d)
(5) :   + C =   (2.37e)
(6) :   =   (2.37f)
(7) : C =   (2.37g)
(8) :   =   (2.37h)
(9) :   =   (2.37i)
(10) :   =   (2.37j)
(11) :   = 2000 (2.37k)
(12) :   = 092 (2.37l)
(13) :   =   +   (2.37m)
(14) :   =   (2.37n)
(15) : 095 +  = 1 (2.38a)

(16) :  + 093 = 1 (2.38b)
(17) : 092 +  = 1 (2.38c)
(18) :  +  +  = 1 (2.38d)
(19) :  +  +  +  = 1 (2.38e)
(20) :  +  +  = 1 (2.38f)
(21) :  +  = 1 (2.38g)
(22) :  = 1891 3 × 10−2   (2.39a)

1
(23) :  =  (2.39b)
2
1
(24) :  =  (2.39c)
2
(25) : C = 46 (2.39d)
(26) : C = 18 (2.39e)
(27) : C = 74 (2.39f)
(28) : 095 = 093 (2.39g)
Simplificar el sistema de ecuaciones para resolver simultaneamente el menor número
posible de ecuaciones no lineales. Esta tarea se realiza con la ayuda de la TABLA DE
INCIDENCIAS
E\V D G F H K L R yD yG xF yF zF xH yH zH wH xK yK zK yL zL yR Cx Cy Cw cx cy cw
1 A B A B
2 B B B B B B B B
3 A B B
4 B B B B A
5 B B B B A
6 B B B B
7 B B A
8 B B B B
9 B B B B
10 B B B B
11 B B
12 B A B
13 B B B B B B
14 B B B B
15 A
16 A
17 A
18 A A A
19 A A A A
20 A A A
21 A A
22 B B A
23 A A
24 A A
25 A A
26 A A
27 A A
28 A A
Aplicando el algoritmo de Ordenamiento de Ecuaciones se tiene

E\V wH H zK zH K yK yH xK xH zL L yR yL R zF F G xF D yF yG yD cx cw Cw cy Cy Cx EGL
11 B B 2 27
10 B B B B 4 24
9 B B B B 4 22
20 A A A 3 21
8 B B B B 4 20
19 A A A A 4 20
14 B B B B 4 18
17 A 1 17
21 A A 2 16
12 B B A 3 15
13 B B B B B B 6 15
6 B B B B 4 13
3 B B A 3 12
1 A B B A 4 10
28 A A 2 10
18 A A A 3 9
16 A 1 8
2 B B B B B B B B 8 7
15 A 1 7
22 B B A 3 6
24 A A 2 5
7 B B A 3 4
27 A A 2 4
23 A A 2 3
5 B B B B A 5 2
26 A A 2 2
4 B B B B A 5 1
25 A A 2 1
VGL 3 8 3 3 6 3 3 3 3 2 2 3 2 4 3 7 3 4 3 3 2 2 4 2 2 2 2 2
28 27 26 25 24 23 22 21 20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1
Aplicando el algoritmo de Agrupamiento de Variables se obtiene la siguiente tabla
E\V yR yG yD H wH Cw cw cx cy Cy Cx K zH zK yH yK xK xH R L zL yL F zF G D xF yF EGL O Gr
17 A 1 28 1
16 A 1 27 1
15 A 1 26 1
11 B B 2 25 2
7 B B A 3 24 2
27 A A 2 23 2
24 A A 2 22 2
23 A A 2 21 2
26 A A 2 20 2
25 A A 2 19 2
10 B B B B 4 18 3
9 B B B B 4 17 4
20 A A A 3 16 4
8 B B B B 4 15 4
19 A A A A 4 14 4
12 B B A 3 13 4
14 B B B B 4 12 5
21 A A 2 11 5
13 B B B B B B 6 10 5
6 B B B B 4 9 6
3 B B A 3 8 6
28 A A 2 7 6
1 A B A B 4 6 6
22 A B B 3 5 6
4 B A B B B 5 4 6
18 A A A 3 3 6
2 B B B B B B B B 8 2 6
5 B A B B B 5 1 6
VGL 3 2 2 8 3 2 2 4 2 2 2 6 3 3 3 3 3 3 4 2 2 2 7 3 3 3 4 3
O 28 27 26 25 25 24 23 22 21 20 19 18 18 18 17 17 16 15 13 12 12 11 9 9 8 7 6 3
Gr 1 1 1 2 2 2 2 2 2 2 2 3 3 3 4 4 4 4 4 5 5 5 6 6 6 6 6 6

Interpretando la información de la tabla de incidencias:
Tomar  ,  ,  ,  ,  ,  como variables iterativas∗ y resolver las ecuaciones de la
manera siguiente
1. De 17−→  V 13, 2
2. De 16−→  V 2
3. De 15−→  V 2
4. De 11−→ ( ) V 7, 10, 9, 8, 6,4, 5
5. De 7−→ C V 27
6. De 27−→  V 24
7. De 24−→  V 23, 25, 22
8. De 23−→  V 26
9. De 26−→ C V 5
10. De 25−→ C V 4
11. De **10−→ (   ) V 9, 8, 12, 14, 13
12. De **9−→  ( ) V 19, 5
13. De 20−→  V 8, 12
14. De 8−→  V 19, 4
15. De 19−→Usar para Solución Simultanea
16. De 12−→  V 13, 1, 2
17. De **14−→ ( ) V 13
18. De 21−→  V 13
19. De 13−→ Usa para Solución Simultanea
20. De **6−→  ( ) V 3, 1, 22, 4, 2, 5
21. De 3−→  V 28, 2
22. De 28−→  V 1, 2
23. De 1−→  V 22, 4, 18
26. De 18−→  V 2, 5
Despues de aplicar las reglas anteriores se tiene el siguiente sistema de ecuaciones:
 = 008
 = 007
 = 005
2000
 =

C = 2000
1000
 = = 27027
37
2000
 = = 54054
37
1000
 = = 27027
37
18 000
C = = 48649
37
92 000
C = = 24865
37

 = 2000
 

 = 

 = − −  + 1

 = − ( +  − 1)

∗ ∗ 0 =  +   − 

 = −21739 ( +  − 10)
 

 = 2000
 
 = − + 1
∗ ∗ 0 = 2173 9  + 2173 9  − 20000 − 173 91


 = 2000
 

 = 21505


 = 21052

30 + 125 × 105  − 125 × 105
 = −80 × 10−6 

−4
∗∗0 = 54 054  + 9 078 2 × 10   + 37 826  − 37 826
∗∗0 = 20000 − 2486 5
1 250 0 × 105   − 1 25 × 105   + 1 25 × 105  − 1 25 × 105 
 = −80 × 10−6

∗∗0 = 2290 1  − 2391 3  + 2391 3 − 22000
∗∗0 = −370   − 370  + 370  + 90  
Resolviendo simultaneamente solo las 6 ecuaciones algebraicas no-lineales
 +   −  = 0
21739  + 21739  − 20000 − 17391 = 0
54054  + 9078 2 × 10−4   + 37826  − 37826 = 0
20000 − 24865 = 0
22901  − 23913  + 23913 − 22000 = 0
−370   − 370  + 370  + 90   = 0
Se tiene la siguiente solución múltiple
{ = 0  = 0  = 0  = 0  = 0  =  }
{ = 0  = 0  = 0  = 0  = 10  =  }
© ª
 = 0  = 0  = 0  = 0  = 7 999 9 × 10−2   = 
{ = 0226 48  = 0436 61  = 0755 54  = 0436 62  = 0672 95  = 0351 19}
Pudo haberse hecho un nuevo análisis sobre estas 6 ecuaciones, dando como resultado
E\V wH zH zK zF yK zL EGL
E\V wH zH zK yK zL zF 4 B B B 3
19 B B B 19 B B B 3
13 B B B 5 B B B B 4
22 B B B B 2 B B B 3
4 B B B 22 B B B B 4
2 B B B 13 B B B 3
5 B B B B VGL 4 4 6 2 3 1
Antes del Análisis Despúes del Análisis
Lo cual indica resolver un sistema simultaneo de 2 ecuaciones en 2 incógnitas.
Sustituyendo
⎧ la solución viable, en cada⎫una de las ecuaciones para las incógnitas se tiene:
⎪
⎪  = 26174  = 005 ⎪
⎪
⎪
⎪  = 26737  = 007 ⎪
⎪
⎪
⎪  ⎪
⎪
⎪
⎪ ⎪
⎪
⎪
⎪  = 56949   = 0501 86 ⎪
⎪
⎪
⎪ −2 ⎪
⎪
⎪
⎪  = 56949   = 6 151 7 × 10 ⎪
⎪
⎪
⎪ ⎪
⎪
⎪
⎪  = 36949  = 0436 62 ⎪
⎪
⎪
⎪ ⎪
⎨  = 32910  = 6 524 2 × 10 ⎪ −2
⎬
 = 40385  = 0146 94
⎪
⎪ ⎪
⎪
⎪
⎪ C = 24865  = 0436 62 ⎪
⎪
⎪
⎪ ⎪
⎪
⎪
⎪ C  = 48650   = 0351 19 ⎪
⎪
⎪
⎪ ⎪
⎪
⎪
⎪ C  = 20000   = 0100 56 ⎪
⎪
⎪
⎪ ⎪
⎪
⎪
⎪   = 0244 46   = 0226 48 ⎪
⎪
⎪
⎪ ⎪
⎪
⎪
⎪  = 0755 54  = 0672 96 ⎪
⎪
⎩ ⎭
 = 008
Finalmente para  = 087 se tiene:
Producción de Eter Etílico
D M-1 R-2 S-3 S-4

F H
G
K L
Corrirnte D G F H J K L R C P
Flujo kg h 26174 26737 56949 56949 2000 36949 32910 4039
Alcohol % 950 0 502 65 0 101 0 920 24865 46
Agua % 50 70 62 147 0 226 244 80 4865 18
2 4 % 0 930 437 437 0 673 756 0 0 0
Eter % 0 0 0 351 100 0 0 0 20000 74

Resolviendo el Problema: Solución Modular Secuencial
Observese que existe un reciclo en el cual estan involucrados los 4 equipos. Con un análisis
de reciclos se podrá determinar la corriente de corte y la secuencia de solución dentro del
reciclo. La estrategia de solución modular secuencial supone que se conoce la información
de las corrientes de entrada, pero en este problema particular se tiene información de una
corriente de salida, lo que hace que se tenga que suponer adicionalmente la información de
una corriente de entrada y checar convergencia con la corriente de salida proporcionada. Esto
hace que este problema tenga dos ciclos: uno interno sobre el reciclo y uno externo sobre
las corrientes de entrada-salida. Primero se tendrá que obtener convergencia sobre el ciclo
interno (reciclo) y finalmente sobre el ciclo externo (entradas-salidas).
A continuación se marca paso a paso el procedimiento para resolver el problema de
manera modular secuencial:
1. Se determinan las corrientes de corte y la secuencia de solución en el reciclo. La tabla

original es
E\C D G F H J K L R
M-1 EX EX S E
R-2 E S
S-3 E SX S
S-4 E SE S
y la tabla con la mejor secuencia es
E\C D G R F H J K L
M-1 EX EX E S
R-2 E S
S-3 E SX S
S-4 S E SE
Se toma la corriente  como corriente de corte y la secuencia de solución en el reciclo

será: M1-R2-S3-S4
½ ¾
D=2000 R=500
2. Especificar para resolver simultaneamente las
 = 095  = 093  = 092 ½ ¾
G   
ecuaciones A∼2.7 (en el mezclador) para encontrar
F   
Nota: Los valores de D y G estan relacionados por la relación 1 : 1 de Alcohol/Acido
de la ecuación 2.28 (se asignan valores a D y se calcula G con la ecuación). Los valores
de  ,  y  son especificados en el problema.
23600 =    = 0456 16
2000 +   + 500 =    = 6 323 5 × 10−2
93 =    = 51736
 +  +  = 1  = 0480 6
, Resolviendo: 
19000 = 93  = 20430
95 +  = 1  = 005
 + 93 = 1  = 007
92 +  = 1  = 008
© ª
3. Los valores F= 51736  = 0456 16  = 0063235 obtenidos del mezclador se
toman como variables de diseño ⎧para resolver simultaneamente
⎫ las ecuaciones B∼2.18
⎨ H     ⎬
(en el reactor) para encontrar    
⎩ ⎭
C C C
23600 =   + C  = 5930 1 × 10−2
32715 + C =    = 0140 88
 (51736) =    = 0480 60
C =    = 51736
0519 40 +  = 1  = 0480 61
 +  +  +  = 1  = 0319 22
, Resolviendo: 
 = 44635  = 44635
1
 = 2   = 22318
 = 12   = 22318
C = 46 C = 20532
C = 18 C = 40172
C = 74 C = 16515
© ª
4. Los valores H= 51736  = 5930 1 × 10−2  = 0140 88  = 0480 60 obtenidos
del reactor se toman como variables de diseño para resolver
½ simultaneamente
¾ las ecua-
J 
ciones C∼12* (en el separador de eter) para encontrar
K   
306 80 =    = 8710 8 × 10−2
728 86 =    = 0206 94
2486 4 =    = 35221
, Resolviendo:
 (51736) =  J = 16515
0680 78 +  = 1  = 0319 22
 +  +  = 1  = 0705 95
Nota: El valor de J calculado es igual al especificado en el problema? Qué hacer?
© ª
5. Los valores K= 35221  = 8710 8 × 10−2  = 0206 94 obtenidos del sepa-
rador S-3 y  se toman como variables de diseño para resolver simultaneamente las

½ ¾
L  
ecuaciones D∼23* (en el separador de alcohol) para encontrar
R  
3068 = 092 R = 33348
72886 =   +    = 0220 22
 (35221) =    = 31886
, Resolviendo:
0294 05 +  = 1  = 0705 95
 +  = 1  = 0779 78
092 +  = 1  = 008
6. Si el valor de R obtenido en S-4 es igual al valor de R supuesto en el paso 1, entonces
se ha obtenido convergencia en el RECICLO. En caso contrario, tomar el nuevo valor
de R y repetir los pasos del 1 al 4 hasta alcanzar convergencia.
Despúes de alcanzar convergencia se tiene:
Corrirnte D G F H J K L R C P
Flujo kg h X 20430 43516 43516 15283 28234 25147 3086
Alcohol % X 50186 6524 3 10056 X 19000 X
Agua % 5 70 6151 7 146 94 22648 24446 8 37174 X
2 4 % X 43662 43662 67296 75554
Eter % 35119 100 1528 3 X
7. Despúes de alcanzar convergencia en el reciclo, se procede a checar la convergencia
en el flujo de salida J obtenido. Si el valor de J es igual al valor especificado en el
problema, entonces se ha obtenido la SOLUCION. En caso contrario, cambiar de una
manera apropiada el valor de D y repetir los pasos del 1 al 5 hasta alcanzar la solución.
A partir de  = 2000 se alcanzó  = 15283, por lo que el nuevo valor de  para
alcanzar el valor deseado de  = 2000 es
2000
 = (2000) = 26173
15283
A partir de  = 2000 se alcanzó  = 3086, porlo que el nuevo valor de  para alcanzar
el nuevo valor de  = 26173 (correspondiente a  = 2000) es
3086
 = (26173) = 40385
2000
Con estos valores de  y  se llega a la solución, despúes de alcanzar convergencia en
el reciclo.
NOTA: En un Problema de balances de material, los Flujos son transparentes (escal-
ables), es decir, si un flujo de entrada se multiplica por un factor entonces los flujos
de salida quedan multiplicados por ese factor. Obsérvese que en este caso solo será
necesario escalar los flujos totales.
2.1.2. Problema de Diseño
La figura muestra un sistema de intercambio de calor que se lleva a cabo en dos equipos
en serie y estado estacionario. Las ecuaciones que describen el sistema consisten básicamente
en balances de energía y ecuaciones de diseño para cada intercambiador, y son las siguientes:
T1f T2f
mh , c h , Tho Thi mh , c h , Thf
K1 , U 1 , A1 K 2 , U 2, A2
m 1 , c 1 , T 1o m 2 , c 2 , T2o
Para el intercambiador 1:
1 : 1 =   ( −  ) (1)
1 : 1 = 1 1 (1 − 1 ) (2)
1 : 1 = 1 1 ∆1 (3)
1 = 1 (      1  1  1  1 ) (4)
( − 1 ) − ( − 1 )
∆1 = ³ ´ (5)
ln  −1
−1
Para el intercambiador 2:
2 : 2 =   ( −  ) (6)
2 : 2 = 2 2 (2 − 2 ) (7)
2 : 2 = 2 2 ∆2 (8)
2 = 2 (      2  2  2  2 ) (9)
( − 2 ) − ( − 2 )
∆2 = ³ ´ (10)
 −2
ln  −2

Se tiene:
Ecuaciones: 10⎧ ⎫
⎪
⎪ 1 ∗ ∗ ∗ ⎪
⎪
⎪
⎪ ⎪
⎪
⎪
⎪  1 ∗1 1 ⎪
⎪
⎨ ⎬
∗1 1 1 ∆1
Variables: 23
⎪
⎪ 2 ∗ 2 ∗2 ⎪
⎪
⎪
⎪ ⎪
⎪
⎪
⎪  ∗2 2 2 ⎪
⎪
⎩ 2 ⎭
∆ ∗2 ∗
½ 2 ¾ 1
1 1 
Parámetros: 5
2 2
GL=23 − 5 − 10 = 8
La tabla de incidencias es:
E\V Q1 Q2 Thi T1f m1 U1 A1 DT1 m2 T2f U2 A2 DT2 mh Tho T1o Thf T2o
1 A B B B
2 A B B B
3 A B B B
4 E E E A E E E
5 E E A E E
6 A B B B
7 A B B B
8 A B B B
9 E E E A E E E
10 E E A E E
Aplicando el algorítmo
E\V DT2 T2f T2o Thf Thi m2 mh U2 Q2 A2 DT1 T1f T1o Tho Q1 m1 U1 A1 EGL
10 A E E E E 5
9 E E E E E E A 7
6 B B B A 4
7 B B B A 4
8 B B A B 4
5 E A E E E 5
1 B B B A 4
2 B B A B 4
4 E E E E E E A 7
3 B A B B 4
VGL 2 3 3 3 6 2 4 2 3 1 2 3 3 3 3 2 2 1
½ ¾
T2 T2 T T
Variables de diseño: Fijar los valores de las variables
m2 (ó m ) T1 T1 T
Seguir el procedimiento:
1. De 10−→ ∆2 V 8
2. Simultaneas 9, 6, 7−→   2  2 V 8, 1, 4
3. De 8−→ 2 V
4. De 5−→ ∆1 V 3
5. De 1−→ 1 V 2, 3
6. De 2−→ 1 V 4
7. De 4−→ 1 V 3
8. De 3−→ 1 V
2.2. MODELOS EN ESTADO TRANSITORIO
2.2.1. Tanque de Almacenamiento
En la figura se muestra el proceso
Balance de material

(1) : =  − 

MODELOS EN ESTADO TRANSITORIO 57
Ecuaciones auxiliares
(2) :  = 
(3) :  =  
(4) :  =  
(5) :  = 
Si el fluído sale por gravedad, aplica
√
(6) :  =  
Si se tiene la suposición de mezclado perfecto:
(7) :  = 
Para líquidos a temperatura contante se tiene densidad constante:
(8) :  = 
De esta manera:
Ecuaciones: 8 ⎧ ⎫
⎨     ⎬
Variables: 12    
⎩ ⎭
   
GL= 12 − 8 = 4
La Tabla de Funcionalidad es
E\V m Mi Mo ρ ρi ρo V Fi Fo h A β
1D A A
2A B B
3 A B B
4 A B B
5 A B B
6 A C B
7 A A
8 A A
Aplicando el algoritmo de ordenamiento

E\V Fo h β A V ρ ρo ρi Mo m Fi Mi
1 A D A
6 A C B
5 B B A
7 A A
8 A A
4 B B A
2 B B A
3 B B A
Observese que de la tabla de funcionalidad ordenada encontramos que las variables de
diseño se obtienen de los conjuntos {   }, {  }, {  } y {   }. En este caso se
escogen, de manera prioritaria, las variables de diseño que tienen la funcionalidad mayor
(orden de prioridad: , ,  y ). De esta manera, las variables de diseño seleccionadas
serán {     }
Aplicando la estrategia de sustitución obtenida de la tabla de funcionalidad. Primero
se ordenaran las ecuaciones de acuerdo a como aparecen en la tabla y depúes se harán las
sustituciones.
Ordenando las ecuaciones

(1) : =  − 
 √
(6) :  =  
(5) :  = 
(7) :  = 
(8) :  = 
(4) :  =  
(2) :  = 
(3) :  =  
Haciendo las sustituciones:
 () √
(1) : =  −  
 √
(6) :  =  
(5) :  = 
(7) :  = 
(8) :  = 
√
(4) :  =  
(2) :  = 
(3) :  = 
Recuérdese que las variables de diseño escogidas fueron {     }, sin embargo, de
estas variables de diseño se debe asignar una para resolverse con la ecuación diferencial
(ecuación 1). Las variables apropiadas para resolverse con la ED son las que aparecen in-
volucradas dentro del diferencial, en este caso {  }, y de este grupo, la variable de estado
por exelencia es la altura . Ya escogida la variable de estado, se debe hacer un estudio de
las otras variables del grupo de la diferencial (en este caso  y ) para ver si dependen o no

del tiempo. En caso de que  o  dependan del tiempo, se tendrá que buscar una expresión
de éstas variables en función del tiempo o en función de la variable de estado . Para este
caso en particular  y  son constantes, por lo que la ecuqación 1 se puede arreglar como:
  √
(1) : = − 
  
Una de las 5 variables de diseño queda asignada con la ecuación 1 (en este caso ), por
lo que ahora las variables de diseño serán {    }, pero como  no aparece en la EDO,
entonces no es necesaria para resolverla.
Así pues, asignando los valores de las variables de diseño {    } y resolviendo la
ecuación 1, se resuelve por completo el problema.
2.2.2. Calentador de Tanque Agitado
El proceso es descrito por la figura
NOTA: Se supone agitación perfecta por lo que las propiedades a la salida son iguales
que en el bulto.
Balance de material

(1) : =  − 

Balance de energía

(2) : =  −  +  + 

Otras ecuaciones
(3) :  = 
(4) :  =  
(5) :  = 
(6) :  = 
(7) :  =  
(8) :  = 
(9) :  =  (+ +  )
(10) :  = 
(11) :  =  − 
(12) :  =  −  
(13) :  =  ( −  )
(14) :  =  ( −  )
(15) :  =  +   −  
Se tienen:
Ecuaciones: 15⎧ ⎫
⎪
⎪         ⎪
⎪
⎨ ⎬
     
Variables: 27
⎪
⎪        ⎪ ⎪
⎩ ⎭
      
GL=27 − 15 = 12
La matriz de funcionalidad es:
E\V m Mi M e εi ε Q W ρ ρi V F Fi E Ei U Ui Ws P Pi H Hi T Ti c ci Tr
1 D A A
2 D A A A A
3 A B B
4 A B B
5 A B B
6 B A B
7 B A B
8 B A B
9 A A
10 A A
11 B A B A
12 B A B A
13 A B B B
14 A B B B
15 A B B A B B
Aplicando los algoritmos de ordenamiento

E\V ci Hi Ti Tr c H T Pi Ui ρi Ei P U ρ E F Fi W Ws M ε Mi εi m V e Q
1 A A D
2 A A A D A
14 B A B B
13 B B A B
12 A B A B
10 A A
11 A B A B
9 A A
15 B B B B A A
5 B B A
8 B B A
4 B B A
7 B B A
3 B A B
6 B B A
Observe que de la tabla de funcionalidad ordenada se encuentran las variables de diseño de

los conjuntos {       }, {   }, {     }, {  }, {     }, {  }. En este
caso se escogerán, de manera prioritaria, las variables de diseño que tienen la funcionalidad
mayor (prioridad: , ,  y ). De esta manera, las variables de diseño seleccionadas serán
{                    }.
Aplicando la estrategia de sustitución obtenida de la tabla de funcionalidad. Primero
se ordenaran las ecuaciones de acuerdo a como aparecen en la tabla y depúes se harán las
sustituciones.
Ordenando las ecuaciones

(1) : =  − 


(2) : =  −  +  + 

(14) :  =  ( −  )
(13) :  =  ( −  )
(12) :  =  −  
(10) :  = 
(11) :  =  − 
(9) :  =  (+ +  )
(15) :  =  +   −  
(5) :  = 
(8) :  = 
(4) :  =  
(7) :  =  
(3) :  = 
(6) :  = 
Haciendo las susutituciones

 ( )
(1) : =   − 

 [  ( −  ) −   ]
(2) : =    ( −  ) −   ( −  ) +  + 

(14) :  =  ( −  )
(13) :  =  ( −  )
(12) :  =  ( −  ) −  
(10) :  =  ( −  ) −  
(11) :  =  ( −  ) − 
(9) :  =  ( −  ) − 
(15) :  =  +   −  
(5) :  = 
(8) :  =  ( ( −  ) − )
(4) :  =  
(7) :  =   ( ( −  ) −   )
(3) :  = 
(6) :  =  ( ( −  ) − )
En este sistema se deben resolver simultaneamente las ecuaciones (EDO) 1 y 2, las cuales
involucran 6 de las 14 variables de siseño {       } dentro de la derivada. De estas 6
variables se deben asignar 2 variables de estado para resolverse con las dos EDO. Lo natural
es asignar  a la ecuación 1 y  a la ecuación 2. De esta manera, se deberá investigar que
pasa con las otras 4 variables de las derivadas {     }. De acuerdo al procedimiento se
sabe que  y  son constantes. Por otro lado, debido a que se tiene un sistema líquido,  y
 se pueden considerar constantes, y en caso de no serlo se deberán buscar expresiones de 
y  en función de  y  (por ejemplo   =  ).
De esta manera las variables de diseño serían {                  }.
Tomando esto en cuenta y reacomodando las EDO se tiene
 
(1) : =   − 
 
 [ ( −  ) −  ] 
(2) :  + ( ( −  ) −  )
 
: =    ( −  ) −   ( −  ) +  + 

La ecuación 1 se sustituye en la ecuación 2 y resulta
 
(1) : =   − 
 
µ ¶
 [ ( −  ) −  ] 
(2) :  + ( ( −  ) −  )  − 
 
: =    ( −  ) −   ( −  ) +  + 
Simplificando
 
(1) : =   − 
 
µ ¶
 
(2) :   =   [ ( −  ) −  ( −  )] +   −  +  + 
 
Es práctica común tomar la temperatura de referencia  igual a la temperatura de la

entrada  , por lo que  −  = 0, entonces
 
(1) : =   − 
 
µ ¶
      + 
(2) :  =− ( −  ) +  −  +
    
3. OPTIMIZACION
3.1. Bases Matemáticas
Un problema de programación matemática u optimización, se puede establecer en forma

general como
Determinar , el cual minimiza o maximiza  ()
sujeto a
 () =   = 1 2      (3.1)
 () ≤   = 1 2      (3.2)
donde  es un vector de diseño con  dimensiones,  () es la función objetivo;  () son las
restricciones de desigualdad;  () son las restricciones de igualdad, y  y  son constantes.
2
-10 -8 -6 -4 -2 2 4x6 8 10
0
-2
-4
y-6
-8
-10
Los problemas de optimización se pueden clasificar con base en la forma de  () como
1. Programación lineal.- Si  () y las restricciones son lineales.
2. Programación cuadrática.- Si  () es cuadrática y las restricciones son lineales.
3. Programación no-lineal.- Si  () es no-lineal y/o las restricciones son no-lineales.
OPTIMIZACION 65
Ademas cuando las ecuaciones (3.1) y/o (3.2) estan incluidas en el problema, tenemos
un problema de optimización restringida; de otra forma es un problema de optimización
no-restringida.
Otra manera de clasificar los problemas de optimización, depende del tipo de varibles 
que se tenga. Por ejemplo, un problema de optimización que involucre solamente variables
enteras, es decir variables que toman unicamente valores enteros, se denomina programación
entera; un problema que involucra solamente variables reales se denomina de programación
no-entera, mientras que uno que involucre tanto variables enteras como reales se denomina
programación mixta-entera. En este curso trataremos únicamente con problemas de progra-
mación no-entera.
Una manera más en la cual se clasifican los problemas de optimización es mediante la
dimensionalidad, con lo cual se clasifican los problemas en unidimensionales y multidimen-
sionales. Como su nombre lo indica, los primeros involucran funciones que dependen de una
sola variable,  = 1, mientras que los problemas multidimensionales involucran funciones
que dependen de dos o más variables,  ≥ 2.
Finalmente, el proceso de encontrar un máximo versus encontrar un mínimo es en esencia
idéntico, ya que el mísmo valor, ∗ , minimiza  () y maximiza − (). Esta equivalencia se
ilustra en forma gráfica por una función unidimensional en la figura siguiente
0.5
0
-1 -0.5 0.5 x 1
-0.5
-1
3.2. Optimización Univariable: Problemas Max-Min
La primera aplicación de la derivada esta dirigida a la maximización o minimización de

funciones. Suponga que  =  () es una función y se desea conocer los valores mayor y
menor de  para  en algún dominio conocido. En la mayoría de los casos los valores máximo
o mínimo se encuentran en un "turning point", el cual es un máximo o mínimo local.
66 OPTIMIZACION
6
y4
0
-2 -1 1x 2
Existen otros puntos diferentes a los turning poits donde la línea tangente puede ser
horizontal. Por ejemplo la gráfica  = 5( − 1)3 + 2
0
-1 1 x 2 3
-2
tiene una tangente horizontal en  = 1, el cual es un punto de inflexión (no es máximo ni

mínimo local). Los valores de  en los cuales estan los turning point como los puntos de
inflexión se conocen como puntos críticos, ∗ .
En los puntos críticos, la línea tangente es horizontal por lo que la primera derivada debe
ser igual a cero
 (∗ )
=  0 (∗ ) = 0 (3.3)

De esta manera los puntos críticos, se obtienen resolviendo para ∗ la ecuación anterior.
Evaluando  () en los puntos críticos se puede determinar el valor máximo o mínimo de
 () sobre los valores preescritos de ∗ .
El encontrar los puntos críticos se puede realizar de diferentes maneras, las cuales se
explican a continuación.
OPTIMIZACIÓN UNIVARIABLE: PROBLEMAS MAX-MIN 67

3.2.1. Métodos Analíticos
En este caso se tendrá que disponer de la forma explícita de la función objetivo  =  (),
 2 
su primera derivada  =  0 () y la segunda derivada  00
2 =  (). De esta manera se
resolverá para ∗ la ecución no-lineal (3.3) y todos los valores ∗ que cumplan con la identidad
serán los puntos críticos. Para determinar el tipo de punto crítico se sustituirá en la expresión
de la segunda derivada, de acuerdo al siguiente criterio
 00 (∗ )  0 Mínimo
 00 (∗ )  0 Máximo
 00 (∗ ) = 0 Punto de Inflexión
Cabe mencionar que cuando ∗ no se puede resolver analíticamente de la ecuación (3.3), se
hace uso de los métodos numéricos para la solución de ecuaciones no-lineales. Tales métodos
son: Bisección, Secante, Newton-Raphson, etc.
Ejemplo 3.1 Se desea enfriar un gas ( = 03  
  ) desde 195 a 90 F, usando agua de
enfriamiento a 80 F. El agua cuesta $0021000 lb, y los cargos fijos anuales para el inter-
cambiador son $050ft2 de superficie interna, con un diametro de 00875ft. El coeficiente de
transferencia de calor es  = 8 ·
2 · 
para un flujo de gas de 3000lb/h. Optimice los costos
del intercambiador suponiendo un intercambiador de tubos concéntricos a contracorriente.
Ejemplo 3.2 Minimizar el costo de una caja de un volumen dado: Una caja de base
cuadrada en el fondo y domo se mantendrá en 250 in3 . Si el material de los lados tiene un
costo de $003 por in2 mientras que el material para el fondo y el domo tiene un costo de
$008 por in2 , determine las dimensiones de la caja para las cuales el costo es mínimo. ¿cuál
es el mínimo costo en pesos?
x
x
68 OPTIMIZACION
Ejemplo 3.3 Maximizar el área de un rectángulo inscrito en una elipse: Determine las di-
mensiones (base y altura) del rectángulo de mayor área inscrito en la elipse 42 + 9 2 = 36.
¿cual es el área del rectángulo más grande?
Ejemplo 3.4 Minimizar la Distancia desde (0,1) al punto en  = 2 : Encontrar el (los)

punto(s) en la parábola  = 2 que sea(n) más cercano(s) al punto (0 1).
3.2.2. Optimización por medio de Software (Excel)
Hoy en día es común el uso de la computadora para resolver problemas por medio de
software especializado. En este apartado se explicará la manera en que se puede usar el
paquete de software Excel para resolver problemas de Optimización.
Excel cuanta con una herramienta de cálculo llamada Solver. El Solver es un add-in a
Excel con el cual se pueden resolver sistemas de ecuaciones o bien se pueden resolver proble-
mas de optimización multivariable con restricciones. El punto clave para resolver problemas
de optimización con Excel es plantear la función objetivo y las restricciones (sobre todo las
de igualdad) adecuadamente sobre la hoja.
Para hacer uso de Solver sobre Excel se obtiene desde: Herramientas-Solver..., tal como
se muestra en la figura

De esta manera se obtiene la ventana del Solver
La ventana se llena de la manera siguiente:
La Celda objetivo es llenada con la celda de la hoja que contiene el cálculo de la

Función Objetivo
En el Valor de la celda objetivo se escoje el tipo de problema que se desee trabajar:

Máximo, Mínimo o Solución algebraica de un sistema de ecuaciones.
70 OPTIMIZACION
En Cambiando las celdas se llena con las celdas de la hoja que contienen los cálculos
de la Variables de Diseño
En Sujetas a las siguientes restricciones se colocan todas las restriccions de igual-

dad y desiguladad que contiene el problema. Aqui tambien se puede especificar si las
variables son enteras y/o binarias.
En el botón de Opciones... se puede elegir el método numérico de solución y las

estrategias de convergencia.
Ahora se presentan algunos ejemplos
Ejemplo 3.5 Resolver el problema del Ejemplo 3.1 con Excel.
Ejemplo 3.6 Minimizar el costo de una caja de un volumen dado: Resolver el prob-
lema del Ejemplo 3.2 con Excel.
Ejemplo 3.7 Maximizar el área de un rectángulo inscrito en una elipse: Resolver el prob-
lema del Ejemplo 3.3 con Excel.
Ejemplo 3.8 Minimizar la Distancia desde (0,1) al punto en  = 2 : Resolver el problema

del Ejemplo 3.4 con Excel.
3.2.3. Métodos Gráficos
En los casos en que se disponga de una función objetivo explícita  =  (), a menudo,
con su representación gráfica, se puede determinar de forma aproximada la posición de los
puntos críticos. Además, se puede ver lo que esta pasando en los puntos críticos y determinar
cuales son máximos locales y cuales son mínimos locales.
2
Ejemplo 3.9 Encontrar de forma gráfica los puntos críticos de la función  () = 2 sin − 10
3.2.4. Métodos Numéricos
En caso de disponer solamente de forma explícita de la función objetivo  =  (), o

sólo una aproximación numérica de ella, es conveniente usar metodos numericos para la
optimización univariable. Dentro de estos métodos destacan: sección dorada, interpolación
cuadrática y newton.

Sección Dorada
Este es un método de intervalos cerrados. Supondremos que se maximiza una función
 ().
El método comienza con dos valores iniciales,  y  , que contienen un extremo local de
 (). Después, dos puntos interiores 1 y 2 se escogen de acuerdo con la razón dorada,
√
5−1
 = ( −  ) = 0618 03 ( −  )
2
1 =  − 
2 =  + 
La función se evalúa en estos dos puntos interiores. Dos resultados pueden ocurrir:
1. Si, como es el caso de la figura (a),  (1 )   (2 ), entonces el dominio de  a la

derecha de 2 (el intervalo entre 2 y  ) se puede eliminar, ya que no contendrá el
máximo. Para este caso, 2 pasa a ser el nuevo  , 1 pasa a ser 2 y  seguirá siendo
 .
2. Si, como es el caso de la figura (b),  (2 )   (1 ), entonces el dominio de  a la

izquierda de 1 (el intervalo entre  y 1 ) se puede eliminar, ya que no contendrá el
máximo. Para este caso, 1 pasa a ser el nuevo  , 2 pasa a ser 1 y  seguirá siendo
 .
Ahora, éste es le beneficio real del uso de la razón dorada. Debido a que los 1 y 2
originales se han escogido mediante la razón dorada, no se tiene que recalcular los valores de
la función para la siguiente iteración.
Como las iteraciones se repiten, el intervalo que contiene el extremo se reduce rápida-
mente. De hecho en cada vuelta el intérvalo se reduce por un factor de la sección dorada
72 OPTIMIZACION
(aproximadamente el 618 %). Esto significa que después de 10 vueltas el intérvalo se acorta
a 061810 = 0008 o 08 % de su longitud inicial.
Un criterio útil para probar la convergencia en cada iteración, esta definido en porcentaje
como Ã √ !¯ ¯
3 − 5 ¯¯  −  ¯¯
 = 100 ¯  ¯
2
donde  es el mejor valor de 1 y 2 en la iteración actual.
Ejemplo 3.10 Use la búsqueda de la sección dorada para encontrar el máximo de  () =
2
2 sin () − 10 dentro del intervalo  = 0 y  = 4.
Método de Interpolación Cuadrática

La interpolación cuadrática tiene la ventaja del hecho que un polinomio de segundo orden
con frecuencia proporciona una buena aproximación a la forma de  () cercana a un óptimo.
así como existe sólo una línea recta para conectar dos puntos, hay únicamente una
cuadrática o parábola para conectar tres puntos. De esta forma, si se tienen tres puntos
que juntos contienen un óptimo, se puede ajustar una parábola a los puntos. Después se
puede diferenciar e igualar el resultado a cero, y resolver para una estimación de la óptima
. Se puede demostrar que después de un manejo algebraico es
 (0 ) (21 − 22 ) +  (1 ) (22 − 20 ) +  (2 ) (20 − 21 )
3 =
2 (0 ) (1 − 2 ) + 2 (1 ) (2 − 0 ) + 2 (2 ) (0 − 1 )
donde 0 , 1 y 2 son los valores que fijan el extremo, y 3 es el valor de  que corresponde
al máximo valor del ajuste cuadrático a los valores iniciales. Después de esta estimación del
óptimo, se puede eliminar cualquiera de los tres puntos iniciales. Sin embargo, la manera más
apropiada de reducir el espacio de búsqueda y obtener convergencia rápida, es eliminando el
punto que se encuentre más alejado de 3 .
Ejemplo 3.11 Use la interpolación cuadrática para aproximar el máximo de  () = 2 sin ()−
2
10
con valores iniciales 0 = 0, 1 = 1 y 2 = 4.

Método de Newton
Recuerde que el método de Newton-Raphson es un método abierto que encuentra la raiz

de  como una función tal que  () = 0. El método se resume como
 ( )
+1 =  −
 0 ( )
Se puede usar un planteamiento similar abierto para encontrar un óptimo de  () al

definir una nueva función  () =  0 ().
Así, como el valor óptimo ∗ satisface ambos
 0 (∗ ) =  (∗ ) = 0
se puede usar lo siguiente
 ( )  0 ( )
+1 =  − =  −
 0 ( )  00 ( )
como una técnica para encontrar los puntos críticos de  (). El método de Newton es
abierto y similar al de Newton-Raphson porque no requiere de valores iniciales que encierren
el óptimo. Además, también comparte la desventaja de poder ser divergente. Por último, es
una buene idea verificar que la segunda derivada tenga usualmente el signo correcto para
confirmar que la técnica converge sobre el resultado deseado.
2
Ejemplo 3.12 Use el método de Newton para encontrar el máximo de  () = 2 sin () − 10
con un valor inicial 0 = 25.
74 OPTIMIZACION
3.3. Optimización Multivariable Sin Restricciones
Aquí se describen las técnicas para encontrar el mínomo o máximo de una función de
varias variables. Recuerde que nuestra imagen visual de una búsqueda unidimensional fue
como una montaña rusa. Para el caso en dos dimensiones, la imagen es ahora como la de
montañas y valles (véase la figura). Para problemas de grandes dimensiones, no son posibles
imágenes adecuadas.
En el caso de problemas multidimensionales, los puntos críticos se encuentran en los
lugares en los que la derivada de la función  () con respecto a cualquier dirección 
(  = 1 2     ) es exactamente igual a cero. Esto implica que en los puntos críticos el
gradiente de la función sea igual a cero
⎡  ⎤ ⎡ ⎤
 ()
1
⎢  ⎥ ⎢ ()
1
⎥
⎢ 2 ⎥ ⎢ ⎥
∇ () = ⎢ . ⎥  () = ⎢ 
⎢ . ⎥=0
.
2 ⎥
⎣ .. ⎦ ⎣ . ⎦
  ()
 
De esta manera, los puntos críticos son los valores de  que cumplen con las ecuaciones
anteriores.
3.3.1. Solución Analítica
Aplicando directamente el gradiente.
Ejemplo 3.13 Localizar el máximo de

 ( ) = 35 + 2 + 2 − 4 − 2 −  2
3.3.2. Solución Numérica
Las técnicas para la optimización multidimensional sin restricciones se pueden clasificar

de varias formas. Para propósitos del presente análisis, se dividirán dependiendo de si se
requiere la evaluación de la derivada. Los procedimientos que no requieren dicha evaluación
se llaman métodos no gradientes o directos. Aquellos que requieren las derivadas son llamados
métodos gradientes o métodos de descenso (o ascenso). Cuando el método hace uso de la
segunda derivada (matriz hessiana) se conoco como métodos de segundo orden.
Dentro de los métodos directos se cuentan:
OPTIMIZACIÓN MULTIVARIABLE SIN RESTRICCIONES 75

1. Búsqueda aleatoria
2. Una variable a la vez
3. Método simplex
4. Método de Powell, etc.
Dentro de los métodos gradientes se encuentran:
1. Método del gradiente
2. Método del gradiente conjugado (Fletcher-Reeves)
3. Método cuasi-Newton
4. Método de Marquardt, etc.
Dentro de los métodos de segundo orden esta el método de Newton.

En este curso, por falta de tiempo, solamente se estudiará el método de Newton.
Método de Newton
De acuerdo al metodo de newton univariable,  (), se tiene
0
+1 =  −
 00
Este resultado se puede extrapolar a una función de  variables independientes,  (),

haciendo uso de la notación matricial
³¡ ¢−1 ´
 +1 =   −  ( ) ∇

Ejemplo 3.14 Realice dos iteraciones del método Newton para localizar el máximo de
 ( ) = 35 + 2 + 2 − 4 − 2 −  2
mediante los valores iniciales  = 0,  = 0.
76 OPTIMIZACION
3.4. Optimización Multivariable Con Restricciones
El caso más sencillo es el problema de programación lineal que se estudia amplia-

mente en los cursos de Investigación de Operaciones o Técnicas de Planeación. Casos más
complicados se pueden resolver con multiplicadores de Lagrange. Aquí estudiaremos un
problema de programación lineal que surge en los procesos de ingeniería química.
Ejemplo 3.15 Una planta química fabrica tres productos (,  , ) y utiliza tres materias
primas (, , ) en cantidad limitada. Cada uno de los productos es producido en diferente
proceso (1, 2, 3); un esquema de la planta se muestra en la figura.
A
1 E
2
F
B
3
G
C
Los materiales disponibles A, B y C pueden no ser consumidos totalmente. La información

del proceso es como sigue:
Proceso Reaccion Producto requerimientos* Costo Proces Precio venta prod
2
1 + →  3
, 13  15 c/lb E 40 c/lb E
2 1
2 + →  3
, 3
 05 c/lb F 33 c/lb F
1 1 1
3 3 + 2 +  →   2
, 6 , 3  10 c/lb G 38 c/lb G
* cantidad en lb de reactivo por lb de producto

Mat. Prima Disponibilidad Costo
A 40000 lb/dia 1.5 c/lb
B 30000 lb/dia 2.0 c/lb
C 25000 lb/dia 2.5 c/lb
Formular el problema de optimización para maximizar el beneficio total por dia en $/dia.
OPTIMIZACIÓN MULTIVARIABLE CON RESTRICCIONES 77

78 OPTIMIZACION
A. MODELOS DE OPERACIONES UNITARIAS
EN ASPEN+
La siguiente tabla es útil para seleccionar el modelo apropiado para la operación unitaria
deseada:
Tipo Modelo Descripción
Mezcladores/Divisores Mixer Mezclador de corrientes
(Mixer/Spliters) FSplit Partidor de corrientes
SSplit Partidor de subcorrientes
Separadores Flash2 Flash de dos salidas
(Separators) Flash3 Flash de tres salidas
Decanter Decantador líquido-líquido
Sep Separador de componentes en multiples salidas
Sep2 Separador de componontes en dos salidas
Intercambiadores de calor Heater Calentador/enfriador
(Heat Exchangers) HeatX Intercambiador de calor de dos corrientes
MheatX Intercambiador de calor multicorriente
HxFlux Transferencia de calor entre una fuente y un consumidor de calo
Hetran Interface a Aspen Hetran de inter. de calor de concha y tubos
Aerotran Interface a Aspen Aerotran de inter. enfriados por aire
HTRI-Xist Interface al programa Xist
Columnas DSTWU Diseño de CD por métodos cortos
(Columns) Distl Simulación de CD por métodos cortos
RadFrac Destilación por métodos rigurosos
Extract Extracción líquido-líquido por métodos rigurosos
MultiFrac Columnas complejas de destilación por métodos rigurosos
SCFrac Columnas de destilación de petróleo por métodos cortos
PetroFrac Columnas de destilación de petróleo por métodos rigurosos
RateFrac Destilación rate-based"
BatchFrac Destilación Batch por métodos rigurosos
Reactores RStoic Reactor estequiométrico
(Reactors) RYield Reactor de conversión
REquil Reactor de equilibrio
RGibbs Reactor de equilibrio
RCSTR Reactor continuo de tanque agitado
RPlug Reactor de flujo pistin
RBatch Reactor batch
MODELOS DE OPERACIONES UNITARIAS EN ASPEN+ 79

Cambiadores de presión Pump Bomba/Turbina hidráulica
(Pressure Changers) Compr Compresor/Turbina
MCompr Compresor/Turbina de multiefecto
Pipeline Caída de presión en tuberias nultisegmento
Pipe Caída de presión en tuberias unisegmento
Valve Caída de presión rigurosa en válvulas
Manipuladores Mult Multiplicador de corriente
(Manipulators) Dupl Duplicador de corriente
ClChng Cambiador de clase de corriente
Analyzer Calculador de corriente
Feedbl Calculador de corriente
Selector Selector de corriente
Measurement Conector planta a modelo
Sólidos Crystallizer Cristalizador para remover suspensiones en productos mezclados
(Solids) Crusher Molino de sólidos
Screen Separador de sólidos
FabFl Filtro de tejido
Cyclone Separador de ciclón
VScrub Molino de venturi
ESP Precipitador electrostático
HyCyc Hidrociclón
CFuge Filtro centrífugo
Filter Filtro rotario de vacio
SWash Lavador de sólidos de simple efecto
CCD Decantador a contra-corriente
Modelos del usuario User, User2 Modelos de operaciones unitarias dados por el usuario en Fortra
(User models) User3 Subrutinas de acceso a aspen EO
Excel Spreads Hojas de Excel accesadas a traves de User2
ACM Hojas exportadas desde ACL o AD
CAPE-OPEN Operaciones unitarias COM desarrolladas en VB o C++
Hierarchy Estructura jerarquica
80 MODELOS DE OPERACIONES UNITARIAS EN ASPEN+

Apuntes Simula Optima

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Apuntes Simula Optima

Uploaded by

Copyright:

Available Formats

APUNTES DE SIMULACION Y OPTIMIZACION

Dr. Raúl González García

A. Modelos de operaciones unitarias en Aspen+ 79

1.1. Simulación de Procesos

El modelamiento y la simulación de procesos por computadora han llegado a ser her-

1.1.1. Reseña Histórica

1.1.2. Habilidades Necesarias para la Simulación de Procesos

El incremento del uso de técnicas de simulación por computadora ha ampliado la utilidad

1. Entendimiento Claro de los Fundamentos Ingenieriles.- El ingeniero debe estar familiar-

2. Habilidades de Modelado.- El ingeniero tiene que ser capaz de desarrollar un conjunto

3. Habilidades Computacionales.- Se deben obtener soluciones rápidas y baratas para la

1.1.3. Aplicación de la Simulación de Procesos

Debido a que la simulación recae dentro de una aproximación científica a la ingeniería y no

2. Etapa Crítica en la Toma de Decisiones. Se prueban diferentes alternativas de proceso y

6. Deseabilidad Económica. Para propósitos de diseño, es usualmente barato usar téc-

1.1.4. Simuladores Comerciales de Procesos

2. Pro II (de Simulations Sciences, USA)

3. Hysys (de Hyprotech, Canadá)

4. Chemcad (de Chemstations, USA)

5. Design II (de WinSim Inc., USA), etc.

Hay algunas limitaciones definidas de la simulación de procesos de las cuales el ingeniero

1. Falta de buenos datos y falta de conocimiento de mecanismos del proceso.- el éxito de la

2. El carácter de las herramientas computacionales.- hay ciertos tipos de conjuntos de

3. El peligro de olvidar la suposiciones hechas en el modelado del proceso.- esto puede

Modelamiento Organización Interpretación

1.2.1. Definición del Problema

1. ¿Qué quiero encontrar?

2. ¿Cuáles son las consecuencias importantes del estudio?

3. ¿Porqué se hará este trabajo?

4. ¿Qué esfuerzos ingenieriles se requerirán?

5. ¿Cuánto tiempo tomará el trabajo?

1.2.2. Modelamiento Matemático del Proceso

Ecuaciones de balance global de material.

Ecuaciones de balance de material para un componente en particular.

Ecuación de balance de energía.

Ecuaciones de balance de momentum.

1.2.3. Organización de las Ecuaciones

Para obtener soluciones a problemas de simulación de procesos, el ingeniero tiene disponibles

ESTRATEGIA GENERAL PARA LA SIMULACIÓN DE PROCESOS 7

Los métodos numéricos para la solución de conjuntos de ecuaciones algebraicas, diferen-

Solución analítica.- Problemas sencillos (problemas lineales)

Solución numérica.- Problemas de alta dificultad (problemas no-lineales)

• Solución de Ecuacines (bisección, falsa posición, secante,Newton, etc.)

El beneficio real de la simulación de procesos recae en la interpretación inteligente de

1.3. Estructura en el Modelamiento Matemático

2. de Balance de las Especies: 

5. Relaciones de Equilibrio:  (si se tienen 2 fases)

De acuerdo a lo estudiado, los balance de material son  + 1, pero solamente  son

¿Cuáles son los  balances más convenientes?

¿Se pueden usar los  + 1 balances y eliminar una de las restricciones?

ESTRUCTURA EN EL MODELAMIENTO MATEMÁTICO 9

Cuando un proceso se compone de varios equipos interconectados entre si, la dificultad

Ejemplo 1.2 Un proceso con multiples equipos

Comentarios sobre el modelamiento:

1. Más de una fase: usar relaciones de equilibrio.

5. Cuando un proceso NO contiene corrientes de reciclo, el sistema de ecuaciones generado

1.4. Grados de Libertad y Variables de Salida y Diseño

Si    el problema tiene un número infinito de soluciones

Si  =  el problema puede tener solución

Si    el problema es inconsistente y no tiene solución

Para los componentes       

La pregunta es: ¿cuál de esas posibilidades es la más adecuada?.

GRADOS DE LIBERTAD Y VARIABLES DE SALIDA Y DISEÑO 11