Professional Documents
Culture Documents
SUPERIORES DE JILOTEPEC
ARTICULOS CIENTIFICOS
INGENIERIA QUIMICA
SEPTIMO SEMESTRE
Tema: 4.1 “Modelación de Procesos”
ARTÍCULO ORIGINAL
EXPLICASION
ABSTRACT
Industrial scale Fix Bed Bioreactor performance simulations, that establish a base for the
proteic sugar cane bagasse enrichment, employing a phenomenological model, is the main
objective of this investigation. The product selected as study case is the same was
developed by Ramos [1] in his doctoral thesis, named BAGAMES, mainly compose by
Siboney Sugar Industry residuum: bagasse, molasses and mud, with and a Candida utilis
inoculum. The mathematical model employed is validated till 100 L scale, including the
masse balance for the biomass development and for substrate consumption and the energy
balance with a pseudohomogeniuss model. The system simulation has made with MATLAB
7.0.1 (2004) program. Here explored the variables: residence time and specifically air flow,
which has been studied in the Solid State Fermentation Process. Has observed that
specifically air flow ups, as downs the middle temperature and that exist an optimums
contact time for the protein enrichment. Has conclude that the industrial scale simulation
process forecast a suitable process control for a residence time for over 10 h and a
specifically air flow over a 0, 2 L/ (kg min). In those conditions has obtained the maximuss
biomass production, for over 12% BS.
INTRODUCCIÓN
FUNDAMENTACIÓN TEÓRICA
Se ha demostrado que los biorreactores de lecho fijo resultan adecuados en procesos de FES
por su fácil construcción, manipulación y por los resultados obtenidos en cuanto calidad del
producto [1-3].
Una vez que se cuenta con los modelos matemáticos validados para describir de forma
fenomenológica el proceso fermentativo hasta escala piloto, es posible realizar simulaciones
del comportamiento a escalas superiores que, según Bissio [14] para sistemas con
reactantes y productos sólidos, pueden tener factores de escala entre 10 y 200, por lo que
se pueden alcanzar resultados confiables en los diseños para dimensiones típicas de los
procesos industriales.
Los residuos utilizados son el bagazo, la miel final y la cachaza de la Empresa Azucarera
Siboney, en Camagüey, centro dedicado a la producción de alimento para los animales,
desde que comenzó el proceso de redimensionamiento de la industria azucarera cubana.
Para el inóculo, se empleó la levadura forrajera Cándida utilis, denominada comercialmente
Torula.
Balances de masa
Los parámetros del modelo se determinaron por análisis de regresión no lineal, con el
programa Statgraphic Centurion XV, versión 15.1.02 (2006). El ajuste de la ecuación,
permitió determinar tanto los factores de frecuencia como las energías de activación en la
zona de activación y la de desactivación.
Para la cinética del consumo de azúcares reductores, se utiliza la expresión propuesta por
Pirt, utilizada comúnmente en la FES [16]:
Balance de energía
El balance de energía se planteó como lo hizo Ramos [1], a partir del modelo
pseudohomogéneo, que ha sido el más empleado para describir el comportamiento de la
temperatura en biorreactores de este tipo [16, 21, 22]. En este caso se eliminó el término
de transferencia de calor por conducción radial porque en los estudios de validación del
modelo a escala piloto se comprobó que la transferencia de calor por las paredes del
biorreactor tiende a ser despreciable a medida que aumenta la escala, debido a la mala
conductividad térmica del sólido y a la relativamente pequeña diferencia de temperaturas
entre el proceso y la temperatura de los alrededores.
La simulación del sistema se realizó con el programa MATLAB 7.0.1 (2004), en el que se
utilizó una herramienta modular que se confeccionó para este fin y que se ejecuta desde el
módulo SIMULRSC.m [6]. Las dimensiones del biorreactor son: 2 m de altura y 3 m de
diámetro, para una relación L/D igual 0,6. En estas condiciones se estima que el biorreactor
tiene una capacidad aproximada de 9 t de producto húmedo.
La relación L/D y la altura elegidas están acorde con lo recomendado en la literatura [16]
para equipos donde no se utiliza sistema de enfriamiento. Mitchell y col., [23], por ejemplo,
en sus estudios de simulación encontraron que la altura crítica de la cama (altura máxima
permisible para evitar el sobrecalentamiento del medio) era de 2,5 m.
Muchas son las variables de interés en los procesos de FES, dentro de las más importantes
se encuentran la relación altura/diámetro del equipo, la temperatura de entrada del aire, el
tiempo de residencia y el flujo específico de aire. Se ha demostrado que a medida que
aumenta la relación altura/diámetro en los biorreactores de lecho fijo, se afecta la
transferencia de calor y, con ella, la eficiencia del proceso, por lo que se recomiendan
equipos de relación altura/diámetro iguales o menores que uno. La temperatura de entrada
del aire se ha planteado que debe mantenerse próxima a la temperatura óptima del proceso,
ya que si se usan valores menores para favorecer la transferencia de calor, se enfría
demasiado la zona baja del equipo y no se mejora el proceso [18].
Por lo antes expuesto se decidió explorar las variables de operación: tiempo de residencia y
flujo específico de aire, que han sido estudiadas en los procesos de FES en general y
específicamente en la búsqueda de estrategias para el control de la temperatura en los
biorreactores de lecho fijo [2, 17].
RESULTADOS Y DISCUSIÓN
Se puede afirmar que las mejores condiciones de operación se obtienen para tiempo de
residencia por encima de 10 h y flujo específico de aire superior a 0,2 L/(kg min).
CONCLUSIONES
NOMENCLATURA
BIBLIOGRAFÍA
3. IBARRA, A. y col. "Biotransformación del bagazo de caña por Trichoderma viride m5-2 en
un biorreactor estático de fermentación sólida", Revista Cubana de Ciencia Agrícola, vol. 36,
No. 2, 2002. Págs. 159-165.
12. SOLER, S. Diseño y análisis de reactores químicos. Ed. ENPES, Cuba, 1991.
14. BISIO, A. y KABEl, R. "Scaleup of Chemical Processes". Ed. John Wiley and Sons, Inc.
EE.UU, 1985.
15. PANDEY, A. "Solid-state fermentation", Biochemical Engineering Journal, No. 13, 2003,
Págs. 81-84.
17. MITCHELL, D. y col. "The potential for establishment of axial temperature profiles during
SSF in rotating drum bioreactors", Biotechnology and Bioengineering, vol. 80, No. 1, 2002,
Págs. 114-122.
18. VON MEIEN, O. y col. "Control strategies for intermittently mixed, forcefully aerated
solid-state fermentation bioreactors based on the analysis of a distributed parameter
model", Chemical Engineering Science, No. 59, 2004, Págs. 4493-4504.
19. DALSENTER, F. D. y col.: "A mathematical model describing the effect of temperature
variations on the kinetics of microbial growth in solid-state culture", Process Biochemistry,
No. 40, 2005, Págs. 801-807.
20. MARQUES, B. y col. "A Model of the Effect of the Microbial Biomass on the Isotherm of
the Fermenting Solids in Solid-State Fermentation", Food Technol. Biotechnol., vol. 44, No.
4, 2006, Págs. 457-463.
21. WEBER, F. y col. "Validation of a model for process development and scale-up of packed-
bed solid-state bioreactors", Biotechnology and bioengineering, vol. 77, No. 4, 2002, Págs.
381-394.
23. MITCHELL, D. y col. "Scale-up strategies for packed-bed bioreactors for solid-state
fermentation", Process Biochemistry, No. 35, 1999, Págs. 167-178.
Recibido: Julio de 2011
Aprobado: Mayo de 2012
1
Escuela de Ingeniería Química, Universidad de Los Andes, Mérida 5101, Venezuela.
* Correo electrónico: josedel@ula.ve
2
Laboratorio de Petróleo, Hidrocarburos y Derivados, Universidad de Carabobo, Valencia,
Venezuela. Correo electrónico: gutierrezc@ula.ve .
3
Escuela de Ingeniería Química, Universidad de Los Andes, Mérida 5101, Venezuela.
4
Escuela de Ingeniería Química, Universidad de Los Andes, Mérida 5101, Venezuela.
5
Escuela de Ingeniería Química, Universidad de Los Andes, Mérida 5101, Venezuela.
6
Escuela de Ingeniería Química, Universidad de Los Andes, Mérida 5101, Venezuela.
Fecha de recepción: 1 agosto de 2011.
Fecha de aceptación: 5 mayo de 2012.
Abstract
Several physical processes have been used in breaking of water–in–crude oil emulsions
(petroleum dehydration); heating, water and diluents addition and electrical field application
are the most common ones. In all cases, the effect of each operational parameter on the
main variables that determine sedimentation rate of water droplets in emulsions can be
predicted by Stokes' Law, which constitutes a simple mathematical expression very useful
for chemical engineers in design and operation of separation processes of emulsified
systems.
EXPLICASION
INTRODUCCIÓN
El vertiginoso avance de la ciencia durante el siglo pasado generó igualmente una evolución
continua en los planes de estudio de la Ingeniería Química, incorporando disciplinas que van
desde la química industrial hasta la tecnología computacional. Armstrong (2006) propone la
actualización de los currículos organizándolos en tres principios básicos: transformaciones
moleculares, análisis multi–escala y síntesis y análisis de sistemas; tales principios
involucran el estudio de procesos a nivel atómico y molecular, su escalado a nivel
microscópico y la integración a sistemas funcionales complejos. Por lo tanto, sin importar el
campo de acción del ingeniero químico, el buen manejo de conceptos y principios de las
ciencias básicas o puras constituyen un sólido basamento sobre el cual se erige una versátil
formación.
De acuerdo con lo planteado, y con el objeto de ilustrar el empleo de una ley de la física
como herramienta de análisis y diseño de procesos químicos, en el presente trabajo se
relaciona la Ley de Stokes con el proceso de deshidratación del petróleo. Este caso de
estudio se ha seleccionado tomando en cuenta la gran relevancia que tienen los
hidrocarburos como fuente de energía para numerosos países de nuestro continente, a la
vez que se establece un excelente puente entre conceptos propios de la mecánica de los
fluidos y la química industrial.
LEY DE STOKES
Todo evento físico es regido por leyes fenomenológicas que constituyen relaciones
matemáticas entre las diversas variables que lo determinan. Ejemplos clásicos de esto son:
la atracción gravitatoria entre los planetas, la interacción entre partículas cargadas
eléctricamente, el flujo de líquidos en medios porosos y la velocidad de sedimentación de
una partícula inmersa en un líquido, entre muchos otros.
Peso de la Partícula =
4
pp3g = 4
p 3g + 6ttRvV (2) 3 3
Donde:
R = radio de la partícula
pp = densidad de la partícula
g = fuerza de la gravedad
Ésta es conocida como la Ley de Stokes, aplicable en sistemas donde las partículas son
esferas no deformables ni mutuamente interactuantes moviéndose en el seno de un fluido
viscoso en régimen laminar.
No es secreto para nadie la importancia del petróleo como fuente primaria de energía para el
planeta; más del 30% de la energía consumida por la civilización actualmente proviene del
petróleo, a lo que debe sumarse la enorme cantidad de productos no combustibles que
indirectamente derivan de él.
— Incrementa la viscosidad del crudo, lo cual implica el uso de equipos de bombeo más
potentes y de mayor consumo de energía.
— El agua emulsionada normalmente contiene sales que generan corrosión y depósitos en
las tuberías de transporte y equipos de refinación.
— Genera daños en los internos de los equipos de separación física, tales como columnas de
destilación, por vaporización violenta.
Por lo antes expuesto, la deshidratación del crudo es una necesidad ineludible para cualquier
país productor y comercializador de petróleo. La separación del agua se traduce en la
ruptura de la emulsión y formación de una nueva fase (acuosa) fácilmente separable por
gravedad.
a) Acercamiento de las gotas de la fase dispersa entre sí, hasta llegar a flocular (distancia
típica 0.5–1 µim). Como, Pagua > Pcrudo, tiene lugar un proceso de sedimentación.
Nótese que las configuraciones de las curvas mostradas en la figura 4 son establecidas de
acuerdo con un tratamiento meramente matemático de la ecuación 3; el estudio detallado
de cada parámetro puede mostrar un comportamiento algo diferente; no obstante, y
enfatizando en lo mencionado en parágrafos anteriores, las tendencias son las mostradas.
A pesar de que el valor de la fuerza de gravedad (g) no está sujeto a modificación como tal,
su efecto puede magnificarse empleando centrifugación en ciertas situaciones prácticas
(Smith, 1992).
El aumento del radio de las gotas ocurre paralelamente a su coalescencia; sin embargo,
cuando las gotas son muy pequeñas o tienen elevado contenido salino, se añade agua fresca
(figura 5) con el objeto de aumentar su tamaño y generar un gradiente de concentraciones
que facilita la transferencia de masa y la dilución respecto a la sal (Smith, 1992).
Normalmente se aplican además campos eléctricos que polarizan las gotas y aumentan su
atracción mutua, acelerando de esta manera la coalescencia (Nõik y col., 2006). El
tratamiento físico de las emulsiones petroleras son combinaciones de los métodos
mencionados, a tal punto que en un mismo equipo se aplican de manera simultánea
logrando una sinergia positiva entre ellos, tal y como se muestra en la figura 6. En este
equipo, denominado deshidratador electrostático horizontal, el crudo con agua emulsionada
ingresa a la primera sección donde se pone en contacto indirecto con un tubo calentador; las
gotas de agua comienzan a coalescer y separarse como una fase bien diferenciada. La
emulsión remanente junto con el crudo rebosa a la segunda sección de tratador, donde
atraviesa un conjunto de electrodos horizontales en forma de placas, cargados con alto
voltaje.
La interfase agua–petróleo está dispuesta por debajo de los electrodos, evitando de este
modo la inmersión de tales dispositivos en el agua y la generación de un eventual corto
circuito. El tiempo de residencia del crudo es tal, que permite la separación gravitatoria de la
fase acuosa formada a medida que circula por el aparato. Finalmente el agua separada y el
crudo deshidratado fluyen en corrientes independientes a la siguiente etapa del tratamiento.
Retomando la secuencia de etapas de la ruptura de una emulsión, debe destacarse que sólo
la velocidad de la primera etapa es regida por la Ley de Stokes, en tanto que la segunda
depende de sustancias adsorbidas en la interfase, y la última es prácticamente instantánea.
Por lo anterior, claramente se establece la importancia de esta sencilla relación matemática
en la interpretación de la interacción de parámetros físicos conjugados en una de las etapas
determinante del procesamiento del petróleo.
El diámetro del recipiente puede ser estimado a partir del caudal de fase líquida QL, fijando
para ello los tiempos de retención y emergencia (Svreck y Monnery, 1993), y de una
relación Longitud/Diámetro (L/D) que varía entre 1,5 y 6 en separadores horizontales.
A partir del diámetro se pueden establecer alturas que representaran longitudes ocupadas
por el vapor (Hv) y el líquido (HL). Visto en un corte transversal de un separador donde no se
muestran los sistemas de calentamiento o aplicación de diferencia de potencial eléctrico
(figura 7), estas alturas definen secciones de áreas Av y ALrespectivamente. Conocida el área
y el volumen de la fase líquida es posible, de acuerdo con la geometría del sistema,
determinar aproximadamente la longitud L, del recipiente para albergar esa cantidad de
líquido.
Asumiendo que la separación de líquido–vapor no es controlante puesto que este tipo de
separadores es posterior a procesos de estabilización (separación del gas) y eliminación del
agua libre, se puede calcular la velocidad de asentamiento de las gotas de fase pesada
(agua) en la fase liviana (crudo), UL, a partir de la Ley de Stokes.
REFERENCIAS
Armstrong, R. A., Vision of the Chemical Engineering Curriculum of the Future, J. Chem.
Edue., 40 (2), 104–109, 2006. [ Links ]
Arnold, K. y Steward, M., Surface Production Operation, Gulf Publishing Co., Houston, Texas,
1986. [ Links ]
De Nevers, Noel., Fluid Meehanies for Chemieal Engineers, 3rd edition, McGraw–Hill
International Edition, New York, USA, 2005. [ Links ]
Egloff, G., Nelson E., Maputo, C. y Wirteh, C., Improper Acidizing Presents Desalting
problems to Refining Industry, Oil & Gas J., 14, 57–73, 1937. [ Links ]
Fingas, M. y Fieldhouse, B., Studies of the Formation Process of Water–in–Oil
Emulsions, Mar. Pollut. Bull., 47,369–396, 2003. [ Links ]
Fingas, M., Fieldhouse, B. y Mullin, J., Water–in–oil Emulsions Results of Formation Studies
and Applicability to Oil Spill Modelling, Spill Sei. Teehnol. Bull., 5, 81–91,
1999. [ Links ]
Jeffreys, G. y Davies, A. C., Coaleseenee of Liquid Droplets and Liquid Dispersion, Reeent
Advanees in Liquid–Liquid Ex–traetion, C. Hanson (ed.), Pergamon Press, New York, USA,
1971. [ Links ]
Liu, Q., Dong, M., Yue, X. y Hou, J., Synergy of Alkali and Surfactant in Emulsification of
Heavy Oil in Brine, Colloids Surf., A(273), 219–228, 2006. [ Links ]
Nõik, C., Chen, J. y Dalmazzone, C., Eleetrostatie Demulsifieation on Crude Oil: A State–of–
the–Art Review, SPE 103808, Beijing, Chinese, 2006. [ Links ]
Rondón, M., Bouriat, P., Lachaise, J. y Salager, J. L., Breaking of Water–in–Crude Oil
Emulsions. 1. Physicochemical Phenomenology of Demulsifier Action, Energy &
Fuels, 20, 1600–1604, 2006. [ Links ]
Salager, J. L., The Fundamental Basis for the Action of a Chemical Dehydrant. Influence of
the Physical and Chemical Formulation on the Stability of an Emulsion, Int. Chem.
Eng., 30, 103–116, 1990. [ Links ]
Smith, V. H., Crude Oil Emulsions, Cap. 19. [ Links ] En: Petroleum Engineering
Handbook (pp. 19–1 a 19–34), [ Links ] Howard B. Bradley (Ed.), Society of Petroleum
Engineers, Texas, USA, 1992. [ Links ]
Svreck, W. Y. y Monnery, W. D., Design Two–Phase Separators within the Right Limits,
CEP, 89(10), 53–60, 1993. [ Links ]
Svreck W. Y. y Monnery, W. D., Successfully Specify Three– Phase Separators, CEP, 90(9),
29–40, 1994. [ Links ]
Tavera Escobar, F., La Calidad de la Enseñanza de la Ingeniería ante el siglo XXI, Limusa,
México, 2000. [ Links ]
1. INTRODUCCIÓN
En las últimas décadas, debido en gran parte al desarrollo del microproce-
sador, han aparecido innovadoras técnicas de modelado de sistemas complejos
—y en particular de sistemas sociales— que hacen uso de la nueva tecnología
disponible. Dos de estas técnicas son la simulación basada en agentes y la diná-
mica de sistemas.
Tanto la simulación basada en agentes como la dinámica de sistemas tienen
el potencial de complementar modelos no formales (normalmente verbales) de
sistemas complejos y modelos matemáticos más abstractos. A menudo la repre-
sentación verbal de sistemas complejos carece del rigor formal necesario para
valorar su coherencia lógica y para generalizar a partir de ellos, mientras que los
modelos matemáticos suelen ser menos realistas debido a las fuertes restriccio-
nes impuestas por las hipótesis simplificadoras que son necesarias para poder re-
solverlos. Usando técnicas de modelado computacional como la simulación ba-
sada en agentes y la dinámica de sistemas tenemos el potencial de construir
modelos que combinan la riqueza descriptiva de los modelos verbales con el ri-
gor formal de los modelos matemáticos más abstractos.
Para poder aprovechar al máximo el potencial que cada una de estas técnicas
nos ofrece, debemos ser conscientes de las diferencias que existen entre ellas y
de aquellas características que las separan de los métodos tradicionales de mo-
delado científico. De esta forma podremos valorar cuáles son sus ventajas y sus
limitaciones.
En este artículo se realiza una comparación de la simulación basada en
agentes y de la dinámica de sistemas como metodologías de modelado científi-
co de sistemas complejos. La estructura del artículo es la siguiente: la segunda
sección presenta una breve introducción al proceso de modelado científico. A
continuación se recogen los principios esquematizados en la sección segunda y
se particularizan para el caso del modelado computacional de sistemas comple-
jos. La cuarta y quinta sección describen, respectivamente, la simulación basada
en agentes y la dinámica de sistemas. Posteriormente se destacan las diferencias
existentes entre las dos metodologías tomando como esquema general el proce-
so de modelado científico descrito en las primeras secciones. Finalmente se
presentan las conclusiones.
2. UNA ABSTRACCIÓN DEL PROCESO DE MODELADO
CIENTÍFICO
Primera aproximación al proceso de modelado científico
Varios filósofos (por ejemplo, Hesse (1963) y Hughes (1997)) que han es-
tudiado la metodología científica tradicional han propuesto el mismo esquema
general del proceso de modelado.Según estos autores, los modelos científicosse
construyen para desarrollar procesos de inferencia sobre ciertos aspectos de
sistemas reales previamente observados. Es mediante estos procesos de infe-
rencia, mediante la construcción y el uso de modelos científicos, como mejora-
mos nuestro entendimiento de los sistemas reales observados. De hecho, man-
86
LUIS R. IZQUIERDO Y OTROS
MODELADO DE SISTEMAS COMPLEJOS.
..
EMPIRIA. Revista de Metodología de Ciencias Sociales. N.
o
16, julio-diciembre, 2008, pp. 85-112.
ISSN: 1139-5737
Fig. 1.
Esquema general del proceso de modelado científico. La figura muestra un
proceso secuencial por claridad pero, como se explica en el texto, el proceso de
modelado contiene en general varios bucles de retroalimentación.
teniendo el concepto de modelo suficientemente amplio, nosotros no vemos
otra forma de mejorar nuestro conocimiento del mundo en que vivimos si no es
a través de la creación de modelos (no necesariamente formales). El proceso de
creación y uso de un modelo se muestra esquematizado en la figura 1.
Es posible que algunos lectores encuentren la siguiente interpretación del
proceso de modelado científico excesivamente general y simplista. Realizamos
esta simplificación con la intención de evitar introducir en nuestras explicaciones
mayor complejidad de la estrictamente necesariapara lograr nuestros propósitos,
i.e. discernir de forma clara la esencia que distingue a dos enfoques de modela-
do de sistemas complejos: la simulación basada en agentes y la dinámica de sis-
temas. Para un estudio más completo sobre la noción de modelo en diferentes
disciplinas científicas, referimos al lector al artículo de Armatte (2006) que, en
particular, contempla explícitamente el modelado computacional de sistemas
complejos mediante dinámica de sistemas.
Nosotros entendemos que los modelos se construyen mediante procesos de
abstracción con el objetivo de facilitar la comprensión de ciertos aspectos de un
determinado sistema real. De este modo, parte de la complejidad del sistema real
se pierde —de forma intencionada—en el proceso de creación de un modelo. El
proceso de abstracción para crear un modelo comienza con la observación del
sistema real (incluyendo, a menudo, la recogida de datos), y termina con el di-
seño del modelo. Diseñar un modelo requiere destilar la esencia del sistema real,
lo cual implica prescindir de aquellos aspectos que no consideramos funda-
mentales para nuestros propósitos.
Como ejemplo, piense que a la hora de estudiar la caída libre de un objeto en
la atmósfera terrestre, un buen modelador se abstraería del color de dicho obje-
to. La abstracción obtenida, i.e. el modelo, es normalmente notablemente más
simple que la realidad, y es esta reducción en complejidad lo que nos permite
usar el modelo para desarrollar procesos de inferencia que no podríamos aco-
meter sin él. Así, nuestra motivación para llevar a cabo este proceso de abstrac-
ción (el cual implica una cierta pérdida de realismo) es que el modelo nos per-
mitirá inferir algún tipo de conocimiento sobre el sistema real que no resultaba
evidente antes de construir y usar el modelo.
Una vez diseñado el modelo, podremos llevar a cabo procesos de inferencia
deductivos para averiguar las implicaciones lógicas que se derivan de las pre-
misas que definen el modelo. Estas implicaciones lógicas darán lugar a una serie
de resultados sobre el modelo, los cuales podrán ser analizados, interpretados y
aplicados al sistema real objeto de estudio (ver fig. 1).
El término aplicación no debe entenderse necesariamente en su sentido
práctico más estricto. La etapa de aplicación representa el retorno al sistema real
desde el ámbito abstracto en el que reside nuestro modelo. Este viaje de vuelta
consiste simplemente en relacionar las inferencias obtenidas usando el modelo
—una vez analizadas e interpretadas— con el sistema real. Esta aplicación del
conocimiento obtenido con el modelo puede ser concreta y específica (como p.
ej. una predicción numérica en el campo de la física), pero también puede ser
LUIS R. IZQUIERDO Y OTROS
MODELADO DE SISTEMAS COMPLEJOS.
..
87
EMPIRIA. Revista de Metodología de Ciencias Sociales. N.
o
16, julio-diciembre, 2008, pp. 85-112.
ISSN: 1139-5737
abstracta y general —y no por ello menos útil— (como p. ej. una explicación
tentativa y aproximada de los resultados de unas elecciones).
En general, las conclusiones a las que podamos llegar usando un modelo no
describirán con rigurosa exactitud lo que ocurre en el sistema real (especialmente
en sistemas con un alto grado de incertidumbre) pero, cuando menos, aportarán
un conocimiento significativamente mejor que el que obtendríamos sin aplicar
modelo alguno.
El valor de un modelo no se limita necesariamente al análisis del sistema real
para el cual el modelo fue diseñado. El conocimiento adquirido mediante el es-
tudio de un determinado modelo puede trascender a otros sistemas reales cuya
esencia quede capturada por la misma abstracción, incluso aunque el modelo no
se desarrollase inicialmente con estos otros sistemas reales en mente. Como
ejemplo, considere el estudio de cómo un teléfono móvil se aproxima al suelo
cuando uno lo deja caer desde cierta altura. El modelo de gravedad Newtoniano
nos puede ayudar considerablemente a entender esta situación, pese a que ob-
viamente Newton no tenía en mente la caída libre de teléfonos móviles cuando
desarrolló su teoría.
En resumen, un modelo será útil en la medida en que capture la esencia de la
situación real objeto de estudio, facilite el desarrollo de procesos de inferencia
que no se podrían llevar a cabo sin el modelo, y proporcione conocimientos que
puedan ser transferidos a diversas situaciones.
Retroalimentación en el proceso de modelado
El proceso de modelado secuencial esquematizado en la figura 1 es una
primera aproximación, una simplificación didáctica que conviene matizar. Re-
sulta claro que los resultados obtenidos con un modelo —y el contraste de estos
resultados con el sistema real— pueden poner en evidencia aspectos mejorables
de las premisas que definen el modelo. Por ello, y sin ánimo de complicar ex-
cesivamente esta exposición, sí que consideramos conveniente resaltar que el
proceso de modelado es en realidad raramente unidireccional. En la práctica, el
proceso de modelado es en general muy dinámico y no lineal.
A menudo el modelador diseña un primer modelo con el cual obtiene
unos resultados iniciales. A la luz de los resultados obtenidos, el modelador
suele volver a las etapas iniciales del proceso de modelado para perfeccionar el
modelo mediante la revisión de algunas de sus premisas. Es posible que los re-
sultados obtenidos inicialmente se considerasen insatisfactorios (a) porque
no parecieran derivarse lógicamente de las premisas del modelo (proceso de
verificación) o (b) porque —aún siendo lógicamente correctos— difirieran ex-
cesivamente de los resultados observados en el sistema real que se está mode-
lando (proceso de validación). A continuación explicamos brevemente estos
dos procesos:
88
LUIS R. IZQUIERDO Y OTROS
MODELADO DE SISTEMAS COMPLEJOS.
..
EMPIRIA. Revista de Metodología de Ciencias Sociales. N.
o
16, julio-diciembre, 2008, pp. 85-112.
ISSN: 1139-5737
• Verificación: El proceso de verificación
1
consiste en comprobar que el
modelo desarrollado cumple con los requisitos de diseño auto-impuestos
por el modelador (Kleijnen 1995; Sargent 2003). De forma intuitiva, veri-
ficar un modelo consiste en asegurarse de que el modelo es lo que su di-
señador piensa que es. El proceso de verificación es especialmente rele-
vante en el desarrollo de modelos formales
2
, en los que el proceso de
implementación del modelo (en un lenguaje formal) y la derivación lógica
de resultados (mediante inferencia deductiva) no están exentos de errores.
Como ejemplo, la primera implementación de un modelo computa-
cional a menudo produce resultadosque son incoherentes con las premisas
del modelo que el programador pretendía implementar. Un ejemplo sería
observar que una variable en el modelo computacional toma valores fuera
del rango admisible (p. ej. una variable porcentual que toma valores nega-
tivos). Esta observación sería una indicación clara de que ha habido un
error en la programación y, por lo tanto, el código debería revisarse. Este
tipo de revisión, que no hace referencia alguna al mundo real, formaría
parte del proceso de verificación.
• Validación: En contraste con la verificación, la validación científica sí
que hace referencia explícita al sistema real que se está modelando. Validar
un modelo consiste en valorar su utilidad dentro del contextode aplicación,
de acuerdo con los criterios para los cuales el modelo fue diseñado (Kleij-
nen 1995; Sargent 2003)
3
. En el ámbito científico, el propósitode construir
modelos (y el criterio por el que se valoran) suele ser avanzar nuestro co-
nocimiento sobre un determinado sistema real. Así, por ejemplo, si nuestro
objetivo es representar de forma fiel un proceso social dado, entonces un
modelo será tanto más válido cuanto mejor capture la esencia de su refe-
rente empírico. Esto podría valorarse estudiando la medida en que los re-
sultados obtenidos con el modelo se ajustan a los observados en el refe-
rente empírico (Moss et al. 1997).
De una manera un tanto informal, podríamos decir que verificar consiste en
valorar si el modelo que tenemos es correcto, mientras que validar consiste en
estudiar si tenemos el modelo correcto.
LUIS R. IZQUIERDO Y OTROS
MODELADO DE SISTEMAS COMPLEJOS.
..
89
EMPIRIA. Revista de Metodología de Ciencias Sociales. N.
o
16, julio-diciembre, 2008, pp. 85-112.
ISSN: 1139-5737
1
El proceso de verificación también se denomina «validación interna» (p. ej. por
Taylor
(1983), Axelrod (1997a), Drogoul et al. (2003), y Sansores y Pavón (2005)).
2
Usamos el término ‘modelo formal’para denotar un sistema formal interpretado. Un
sistema
formal está compuesto por un lenguaje formal (que contiene un alfabeto y una
gramática) y por un
aparato deductivo (que contiene axiomas y reglas de inferencia). En un sistema
formal las propo-
siciones carecen de significado intrínseco. Cuando se asigna un cierto significado a
cada una de las
proposiciones derivadas en el sistema formal decimos que el sistema formal se ha
interpretado. Al
sistema formal interpretado lo denominamos ‘modelo formal’.
3
El lector puede encontrar una revisiónepistémicadel proceso de validación en
simulación en
Kleindorfer et al. (1998), y una discusión dentro del contexto específico de la
simulación basada en
agentes en Windrum et al. (2007) y en Moss (2008).
Nuevas formas de implementar y analizar modelos formales
Tradicionalmente, en el dominio de las ciencias naturales, los modelos cien-
tíficos se han formalizado en ecuaciones matemáticas y, por lo tanto, las condi-
ciones iniciales y las predicciones derivadas de éstas han tenido en general un
formato numérico. Bajo este esquema, el trabajo de los científicos naturalistas ha
consistido en establecer las relaciones entre el sistema real y el modelo mate-
mático abstraído (en ambos sentidos, i.e. tanto en la recogida de datos y en el di-
seño del modelo, como en la interpretación y aplicación de los resultados obte-
nidos con él), mientras que los matemáticos se han venido preocupando de
desarrollar y perfeccionar los procesos de inferencia y de análisis de resultados.
En otros dominios, como en el de las ciencias sociales, el proceso de modelado
se ha llevado a cabo, en numerosas ocasiones, creando modelos verbales. Este
tipo de modelos no formales ha sacrificado, al menos hasta cierto punto, la
precisión y la coherencia lógica de los modelos matemáticos para conseguir a
cambio mayor riqueza descriptiva, flexibilidad y realismo.
Actualmente tenemos a nuestra disposición nuevas y potentes herramientas
de inferencia lógica: los ordenadores. Con el nacimiento y desarrollo del mi-
croprocesador han aparecido nuevos enfoques de modelado científico que hacen
uso de la simulación computacional como proceso inferencial. En las simula-
ciones computacionales, el modelo se codifica en un lenguaje de programa-
ción formal, y la inferencia se lleva a cabo ejecutando el programa informático
desarrollado. Así, el actual desarrollo de la informática nos permite crear y es-
tudiar mediante simulación computacional modelos formales que, debido a su
complejidad, venían siendo intratables matemáticamente.
En este trabajo se comparan dos técnicas de modelado científico computa-
cional: la simulación basada en agentes y la dinámica de sistemas. Como vere-
mos a continuación, estas dos técnicas son capaces de avanzar nuestro conoci-
miento científico mediante la creación, el uso y el análisis de modelos formales
de sistemas complejos.
3. MODELADO COMPUTACIONAL DE SISTEMAS COMPLEJOS
El proceso de modelado computacional de sistemas complejos se desvía
un tanto del proceso de modelado tradicional explicado en la sección anterior.
Antes de discutir estas diferencias, convieneque expliquemoslo que entendemos
por sistemas complejos, puesto que la notación en la literatura no es, ni mucho
menos, uniforme. Presentamos las siguientes características de los sistemas
complejos con el mero propósito de delimitar el dominio de nuestras explica-
ciones posteriores, sin pretender calificar nuestra notación como
la
correcta,
puesto que hay muchas otras igualmente válidas. En cualquier caso, repasando
las principales propiedades que caracterizan a un sistema complejo resultará evi-
dente que la mayoría de los sistemas sociales son claramente complejos.
90
LUIS R. IZQUIERDO Y OTROS
MODELADO DE SISTEMAS COMPLEJOS.
..
EMPIRIA. Revista de Metodología de Ciencias Sociales. N.
o
16, julio-diciembre, 2008, pp. 85-112.
ISSN: 1139-5737
Sistemas complejos
Básicamente, un sistema puede definirsecomo un «conjunto de elementos en
interacción» (Bertalanffy, 1968). Los sistemas complejos (p. ej. organismos
pluricelulares, colonias de hormigas, ecosistemas, economías, sociedades…)
están caracterizados por tener una estructura compuesta por varios niveles. En
estos sistemas complejos (Vicsek, 2002; Gilbert, 2004):
• Los componentes de niveles jerárquicos inferiores suelen mostrar un gra-
do de autonomía significativo.
• El comportamiento del sistema surge a partir de la auto-organización de
sus componentes, sin que esta organización esté controlada ni dirigida
por ningún ente exterior al sistema.
• Los componentes básicos de estos sistemas complejos (células, hormigas,
individuos, poblaciones, empresas…) perciben su entorno y responden a
cambios en él de forma potencialmente diferente.
Por si esto fuera poco, muchos sistemas complejos son también adaptativos.
En estos sistemas adaptativos (organismos, ecosistemas, economías, socieda-
des…), el comportamiento de los componentes básicos del sistema puede evo-
lucionar en el tiempo, dando lugar a una cierta capacidad de respuesta frente a
cambios en el entorno por medio de mecanismos de:
• Aprendizaje a escala individual, y/o
• selección y reemplazo (lo cual da lugar a un aprendizaje a escala pobla-
cional).
Todas estas características hacen que el proceso de modelado formal de
sistemas complejos difierasustancialmente del de otros sistemas más simples. En
particular, su naturaleza descentralizada, la presencia de bucles de causalidad y
retroalimentación no lineales, y el hecho de contener varias unidades más o
menos autónomas, que pueden interaccionar, evolucionar, y adaptar su compor-
tamiento a cambios en el entorno, implica que en la mayoría de los casos es muy
difícil —si no imposible— conseguir un modelo que pueda describir el sistema
complejo adecuadamente y que además sea resoluble matemáticamente