Modelización Ambiental Texto

MODELIZACION AMBIENTAL 1
CAPITULO
1
INTRODUCCION
La parte mas difícil a1 usar las matemáticas para estudiar una

aplicación es la conversión de los fenómenos de la vida real al formalismo
matemático. Por lo general esto es complicado porque implica la conversión de
hipótesis imprecisas en fórmulas muy precisas.
No hay manera de evitarlo. La modelación no es fácil y la mejor
manera de lograrla es: practicar, practicar y practicar.
1.1 CONCEPTOS BÁSICOS: SISTEMA Y MODELO

Entenderemos por «sistema» un conjunto complejo de elementos
funcionales directa o indirectamente relacionados entre sí en una red causal.
Si existe alguna influencia entre los componentes del sistema y el
entorno exterior al mismo, hablamos de sistemas abiertos; en contra, cuando
estos componentes no tienen ningún tipo de relación con el entorno, el sistema
se dice cerrado.
Define el diccionario de la lengua española el término «modelo» como
un esquema teórico, generalmente en forma matemática, de un sistema o de una
realidad compleja, que se elabora para facilitar su comprensión y el estudio de
su comportamiento.
Si consideramos un sistema como una porción de la naturaleza
constituida por diversos componentes interrelacionados entre ellos, cualquier
representación de éste sistema constituye un modelo del mismo.
Tal como simboliza la Figura 1.1, el modelo es una imagen abstracta de
un sistema real, construido en base a los conocimientos previos de que se
MSc. Luis Moncada Albitres

dispone sobre éste. El perfeccionamiento de esta imagen se produce mediante un

ciclo continuo de observación de la realidad, representación de ésta,
comprobación, nueva observación, etc. El objetivo final del modelo es predecir
el comportamiento del sistema cuando sobre él se da las condiciones observadas.
Si el modelo proporciona la situación del sistema cuando éste se
encuentra en equilibrio tanto interno como con el entorno, hablamos de modelos
de estado estacionario o modelos estáticos; por el contrario cuando el modelo
proporciona la evolución del sistema con el tiempo cuando no se han alcanzado
las condiciones de equilibrio, hablamos de modelos de estado no estacionario,
variables en el tiempo o dinámicos.
SISTEMA REAL
(Parte del universo limitada en
el tiempo y el espacio)
Nuevas
Observaciones Observación
MODELIZADOR
Comparación Modelización
Estilo Experiencia
Técnica Medios
Habilidad materiales
MODELO
(Representación de la
naturaleza)
Figura 1.1. Ciclo observación-representación-corrección en la representación

abstracta de la naturaleza
1.1.1 Que es un modelo?
Es importante recordar que los modelos matemáticos son como otros

tipos de modelos. El objetivo no es producir una copia exacta del objeto "real",
sino más bien representar algunas características de la cosa real. Por ejemplo, un
retrato de una persona, un maniquí y un cerdo pueden ser modelos de un ser
humano. Y aunque ninguno es una copia perfecta de este, si poseen ciertos
aspectos en común con un ser humano. La pintura describe la apariencia física
de un individuo en particular; el maniquí porta ropa tal como una persona y el
cerdo esta vivo. Cual de los tres modelos es "mejor" depende de como usemos el
modelo: para recordar viejos amigos, para comprar ropa o para estudiar biología.

De hecho, los sistemas del mundo real pueden ser notoriamente

complicados; la población de conejos en la pradera depende del número de
coyotes, del número de linces, del número de pumas, del número de ratones
(alimento alternativo para los depredadores), de las prácticas usuales agrícolas,
del clima, de varias enfermedades típicas de los conejos, etc. Podemos elaborar
un modelo de la población de conejos suficientemente simple para que sea
entendible, solo haciendo hipótesis simplificadoras y englobando los efectos que
puedan o no ser comunes.
Una vez elaborado el modelo, debemos comparar las predicciones de
este con los datos del sistema. Si el modelo y el sistema concuerdan, tendremos
confianza en que las hipótesis hechas a1 crear el modelo son razonables y que
podemos usarlo para hacer predicciones; si no concuerdan, entonces debemos
estudiar y mejorar nuestras suposiciones. En todo caso, aprendemos más acerca
del sistema al compararlo con el modelo.
Los tipos de predicciones que son razonables dependen de nuestras
hipótesis. Si nuestro modelo se basa en reglas precisas como las leyes de
Newton sobre el movimiento o las reglas del interés compuesto, entonces
podemos usarlo para hacer predicciones cuantitativas muy exactas. Si las
hipótesis son menos precisas o si el modelo es una versión simplificada del
sistema, entonces seria absurdo tratar de obtener predicciones cuantitativas
exactas. En este caso, deberíamos usar el modelo para hacer predicciones
cualitativas, tales como "la población de conejos en la pradera aumentará…".
La línea divisoria entre predicciones cualitativas y cuantitativas es en si misma
imprecisa, pero veremos que con frecuencia es mejor y más fáci1 usar
cualitativamente aun el mas preciso de los modelos.
1.2 ELEMENTOS DE UN MODELO

En la historia de la civilización, pocas cosas han habido tan permanentes
como el uso de técnicas matemáticas para describir los fenómenos de la
naturaleza; así, si en el siglo XVI, Galieo afirmaba que "el universo está escrito
en lenguaje matemático", cuatro siglos más tarde, Dirac sostiene que toda ley
física se ha de poder expresar en términos matemáticos bellos.
Si en el apartado anterior hemos definido el concepto de modelo como
una representación de la naturaleza, aquí introduciremos el concepto de modelo
matemático como una representación de la naturaleza expresada mediante
lenguaje matemático.
En el proceso de elaboración de un modelo matemático de un sistema
complejo, se pueden establecer las siguientes fases:
1. Adquisición de información y conocimientos previos sobre el sistema.
En esta fase es importante la identificación de los componentes internos
y externos del sistema y las relaciones entre ellos.

2. Reconocimiento de las características del entorno que afectan al sistema

(p. ej. condiciones ambientales) y delimitación del intervalo de valores de
éstas dentro del cual puede operar el modelo.
3. Especificación del objeto y alcance del modelo: identificación del

problema y delimitación del marco espacial y temporal.
4. Asignación de los elementos modelo que caracterizan el estado del

sistema.
5. Descripción matemática de la estructura del modelo. En definitiva, el

modelo no es más que un conjunto de reglas o artificio matemático que
nos permite predecir el estado futuro de un sistema a partir del
conocimiento de su estado actual. Básicamente la estructura matemática
del modelo está constituida por el conjunto de reglas o ecuaciones que
ligan los diferentes elementos del modelo, reproduciendo la relaciones
observadas entre los componentes internos (y externos) del sistema.
6. Verificación del modelo, ajuste a las mediciones preliminares de que se

dispone y estimación de parámetros.
7. Validación del modelo a partir de nuevas observaciones del sistema y

estimación de la incertidumbre de las predicciones.
Con todo esto, podemos agrupar los elementos de un modelo matemático

en las cinco categorías siguientes:
• Variables internas: representan a los componentes internos del sistema.
• Variables externas: representan a los componentes externos del sistema.
• Ecuaciones matemáticas: representan las relaciones entre los
componentes del sistema.
• Parámetros: términos numéricos de las ecuaciones matemáticas cuyo
valor puede variar dependiendo del ámbito de aplicación del modelo.
• Constantes: términos numéricos de las ecuaciones matemáticas cuyo
valor es invariable dentro del marco espacial y temporal de aplicación del
modelo.
1.2.1 Variables de estado y externas
En el desarrollo de un modelo, se deberán especificar tanto las variables

que caracterizan el estado de un sistema como aquellas otras que, sin hacerlo,
tienen influencia sobre los valores de las primeras. Por ejemplo, en un sistema en
el que se desarrollan reacciones químicas, el estado del mismo puede quedar
determinado por las concentraciones de las diferentes especies que intervienen
en las reacciones; la presión o la temperatura quizá no aporten ninguna
información sobre el estado del mismo, pero pueden tener una influencia

fundamental sobre la evolución del sistema y, en consecuencia, sobre el estado

del mismo en el tiempo.
Atendiendo a la forma en que las variables actúan sobre el sistema, éstas
se pueden clasificar como:
• Variables de estado (internas). Determinan el estado o situación del sistema

en un tiempo determinado. En un modelo, constituyen los componentes del
mismo.
Si se consideran «v» variables de estado, cada situación del sistema
(estado) en un tiempo determinado vendrá representada por un punto en un
espacio d-dimensional Rd denominado «espacio de estados» o «espacio de
fases», siendo d el número de variables suficiente para determinar la
evolución del sistema (d ≤ v).
El espacio de fases, F, está constituido por todos los estados posibles
que puede alcanzar el sistema y contiene, en sus ejes, la totalidad de los
aspectos de la dinámica del sistema. El espacio de fases puede ser finito
(cuando las variables de estado sólo pueden tomar un número finito de
valores distintos), contable infinito (por ejemplo, cuando las variables de
estado toman valores enteros) o incontable infinito (por ejemplo, cuando las
variables de estado toman valores reales).
• Variables de control (externas). Son variables que influyen en las variables

de estado, no siendo afectadas por la evolución de éstas. Las variables
externas constituyen las causas primeras del comportamiento del sistema.
Un sistema dinámico consiste en un espacio abstracto F (espacio de
fases) cuyas coordenadas representan el estado dinámico del sistema en
cualquier instante y una regla dinámica f t (dependiente del tiempo) que
especifica la tendencia inmediatamente futura de todas las variables de
estado a partir solamente de los valores presentes de esas misma variables.
El parámetro tiempo puede ser una variable real (t ∈ R) o una
variable entera (t ∈ Z); en el primer caso la evolución del sistema toma la
forma de una curva continua (denominada «flujo»), mientras que en el
segundo caso la evolución avanza a saltos discretos en el tiempo por
iteración sobre una secuencia de puntos (llamada «mapa»).
Desde el punto de vista del proceso de cálculo, el modelo trasforma
matemáticamente una información de entrada (datos) en otra información de
salida (resultados). Los datos constituirían las variables de entrada, mientras
que los resultados serían las variables de salida. Las variables de salida están
constituidas básicamente por los valores de las variables de estado
producidos por el modelo mediante el proceso de cálculo, mientras que entre
las variables de entrada estarán los valores iniciales de las variables de
estado y las variables externas.
Respecto a este proceso de cálculo, una variable de estado puede
desempeñar funciones tanto de variable de entrada como de salida, o bien
únicamente tener justificación en el modelo a los efectos de conseguir una

adecuada representación interna del sistema, jugando, en este caso, un papel

de mediación entre las variables de entrada y salida.
1.3 MODELO CONCEPTUAL. DIAGRAMAS DE CONTROL

El objetivo principal de los diagramas de control es establecer relaciones
causa-efecto o interacciones entre los distintos componentes o variables del
sistema. El diagrama de control representa un diseño de la hipótesis de
funcionamiento del sistema y por lo tanto una idealización de la naturaleza
compleja del mismo (Figura 1.2). Esta etapa constituye la conceptualización del
modelo. El modelo aquí obtenido es un «modelo conceptual».
Las interacciones constituyen flujos de información que transcurren en el
sentido de la causa al efecto, de manera que un componente es afectado por
todos aquellos de los que recibe información, mientras que afecta a todos
aquellos a los que transfiere información. Las interacciones puede generarse en
el interior del propio sistema (endógenas) como provenir del entorno exterior
(exógenas).
VARIABLE EXTERNA
PROCESOS
Interacción
externa Interacciones
internas
VARIABLE DE ESTADO A VARIABLE DE ESTADO B
VARIABLE DE ESTADO C
VARIABLE DE ESTADO D
Figura 1.2. Ejemplo de diagrama de control. Interacciones entre variables

internas y externas
Cuando una interacción entre tiene el efecto de producir la

transformación de una variable de estado en otra, constituye un «proceso».
Para una determinada variable de estado, sobre el diagrama de control, se
podrán distinguir interacciones endógenas y exógenas dependiendo del tipo de
variable que afecta a aquella.

Las interacciones endógenas pueden establecer relaciones unidireccionales

(A→B), bidireccionales (A←→B), e incluso cíclicas entre las diferentes
variables de estado (A → B → C → A), mientras que las interacciones exógenas
deben ser necesariamente unidireccionales ya que una variable de estado puede
ser afectada por una variable externa, pero no al revés, dado precisamente la
condición de externa de la segunda.
1.4 DESCRIPCIÓN MATEMÁTICA DEL SISTEMA

El objetivo de esta etapa es obtener una expresión matemática que
describa la variación temporal de cada variable de estado. Su realización supone
la determinación de la forma concreta de las ecuaciones matemáticas que
describen cada proceso físico, químico o biológico relacionado en el diagrama
de control. Las ecuaciones matemáticas que conforman el modelo matemático
constituirán una aplicación unívoca de las variables de entrada en las variables
de salida.
Si el modelo formado permite conocer exactamente la evolución futura
del sistema, conocido exactamente (si esto fuera posible) el estado inicial del
mismo, diremos que se trata de un modelo determinista; por el contrario, si el
modelo incorpora componentes aleatorios, de manera que su evolución futura
sólo puede ser conocida con una cierta probabilidad, estaremos ante un modelo
estocástico.
Generalmente, cuando las variables de estado tienen dimensiones de
masa (M) o concentración (ML-3)), la variación temporal de aquellas se puede
calcular a partir del balance de materia aplicado a cada componente en el
sistema. Este balance contabiliza, para cada variable de estado, los flujos totales
de materia que entran y salen del sistema por cualquier causa:
Velocidad de variación temporal Velocidad de entrada de

de la masa del componente = masa del componente
“y” en el sistema “y” en el sistema
Velocidad de salida de
─ masa del componente
“y” en el sistema
Velocidad de producción o
± desaparición de masa (1.1)
del componente “y” en el
sistema
y vendrá expresada matemáticamente como:

dy •
= y = ∑ y ent − ∑ y sal ± ∑ y reac (1.2)
dt
donde:
•
y = velocidad de variación del componente «y» en el sistema,
Σyent = suma de los flujos de entrada del componente «y» en el sistema,
Σysal = suma de los flujos de salida del componente «y» en el sistema, y
Σyreac = suma de los flujos internos de producción (fuentes) y eliminación
(sumideros) del componente «y».
Si la evaluación de los flujos internos de producción y eliminación de

cada variable de estado se realiza considerando los mecanismos cinéticos
observados para cada proceso de transformación, produciremos un modelo
mecanicista; por contra, si el modelo únicamente reproduce el comportamiento
observado del sistema sin atender a los mecanismos internos que regulan el
comportamiento del mismo, estaremos ante un modelo de caja negra.
La extensión de la Ecuación (1.2) a todas las variables de estado tomará,
la forma de un sistema de ecuaciones algebraicas para un sistema al estado
estacionario, cuya solución proporcionará una predicción de los valores de las
variables de estado sin considerar el tiempo, y un sistema de ecuaciones
diferenciales (o en derivadas parciales) para un sistema al estado no estacionario,
cuya solución proporcionará una predicción de los valores de las variables de
estado a lo largo del tiempo.
Los diferentes coeficientes que afectan a las variables de estado en la
representación matemática de los procesos que intervienen en el modelo reciben
el nombre genérico de «parámetros del modelo».
Es importante advertir que el diseño de un modelo sin considerar más
criterios que el conseguir un buen ajuste entre las predicciones y las
observaciones experimentales de las propiedades del sistema, puede llevar a una
sobreparametrización del modelo. Esta sobreparametrización se traduciría en un
aumento de la incertidumbre de los parámetros estimados, invalidando el modelo
como herramienta de predicción.
En modelos estáticos, para cada variable de estado tendremos una
función implícita de las variables de estado; en modelos dinámicos, para cada
variable de estado tendremos una ecuación diferencial.
La forma de las ecuaciones matemáticas que describen los procesos,
determinará dos grandes categorías de modelos: por un lado aquellos en que las
velocidades de variación de las variables de estado son combinación lineal de
éstas y de los parámetros (modelos lineales) y por otro aquellos en que no se da
esta relación de linealidad (modelos no lineales). La linealidad o no-linealidad
del modelo dependerá de la linealidad o no-linealidad observada en el sistema y
del grado de aproximación que la representación matemática (modelo) pretenda.
En general, llamaremos sistemas lineales a aquellos para los que se
cumple el principio de superposición, es decir que el efecto de la actuación
conjunta de dos causas distintas consiste sólo en la superposición de los efectos

que cada una de las causas hubiera generado por si misma. Matemáticamente un
modelo lineal implicaría el cumplimiento de las condiciones:
M (y + y1) = M (y) + M (y1) (1.3)
M(αy) = αM(y) (1.4)
siendo α un escalar, y e y1 dos vectores de estado y M la aplicación representada

por el modelo.
1.4.1 Estado estacionario y estabilidad.

Si el sistema con el tiempo tiende al equilibrio, alcanzará un estado
dy (t )
estacionario en el que = 0 . En este estado, el sistema estaría representado
dt
por la condición:
dy •
= y = ∑ y ent − ∑ y sal ± ∑ y reac = f ( y1 , y 2 , y3 , K , y n ) = 0 (1.5)
dt
y la ecuación de estado vendría dada por el lim y (t ) , con lo que el modelo

t→0
dinámico representa un régimen de transición hacia el estado estacionario o de
equilibrio a que tiende el sistema. Se trata pues de un equilibrio dinámico donde
los aumentos y disminuciones en el valor de cada variable de estado se
compensan exactamente, y se dice que el modelo es estático.
La extensión de la Ecuación (1.5) a todas las variables de estado tomará,
la forma de un sistema de ecuaciones algebraicas, cuya solución proporcionará
una predicción de los valores de las variables de estado sin considerar el tiempo.
1.5 ALGUNAS SUGERENCIAS PARA LA CONSTRUCCIÓN

DE MODELOS
Los pasos básicos para elaborar un modelo son:
Paso 1 Establezca claramente las hipótesis en que se basará el modelo. Estas

deben describir las relaciones entre las cantidades por estudiarse.
Paso 2 Defina completamente las variables y parámetros que se usarán en el

modelo.

Paso 3 Use las hipótesis formuladas en el paso 1 para obtener ecuaciones que
relacionen las cantidades del paso 2.
En el paso 1, o paso "científico", describimos como creemos que

funciona el sistema físico o, por lo menos, cuales son sus aspectos más
importantes. En algunos casos, esas hipótesis son bastante especulativas, por
ejemplo, “a los conejos no les preocupa su sobrepoblación”. En otros casos, las
hipótesis son bastante precisas y bien aceptadas, como "la fuerza es igual a1
producto de la masa y la aceleración". La calidad de las hipótesis determina la
validez del modelo y las situaciones en que el modelo es pertinente. Por ejemplo,
algunos modelos de población se aplican só1o a pequeñas poblaciones en
grandes entornos, mientras que otros consideran espacios y recursos limitados.
Muy importante es evitar "hipótesis ocultas" que hagan al modelo parecer
misterioso o mágico.
El paso 2 es donde nombramos las cantidades que se estudiarán y, en
caso necesario, describimos las unidades y escalas implicadas. Pasar por alto
este paso es como decidir que usted hablará un idioma propio sin decirle a nadie
que significan las palabras.
Las cantidades en nuestros modelos se agrupan en tres categorías
básicas: la variable independiente, las variables dependientes y los
parámetros. En este libro, la variable independiente es (casi) siempre el tiempo.
El tiempo es "independiente" de cualquier otra cantidad en el modelo. Por otra
parte, las variables dependientes son cantidades que son funciones de la variable
independiente. Por ejemplo, en la frase "la posición es una función del tiempo",
queremos decir que la posición es una variable que depende del tiempo. Es
posible enunciar vagamente el objetivo de un modelo expresado en términos de
una ecuación diferencial como "describa el comportamiento de la variable
dependiente conforme cambie la variable independiente". Por ejemplo, podemos
preguntar si la variable dependiente aumenta o disminuye o si oscila o tiende a
un limite.
Los parámetros son cantidades que no cambian con el tiempo (o con la
variable independiente) pero que pueden ajustarse (por causas naturales o por un
científico efectuando el experimento). Por ejemplo, si estamos estudiando el
movimiento de un misil, la masa inicial de este es un parámetro. Si estamos
analizando la cantidad de ozono en las capas superiores de la atmósfera,
entonces la velocidad con que se liberan los fluorocarbonos de los refrigeradores
es un parámetro. El aspecto más importante del estudio de un modelo consiste en
determinar la manera en que cambian las variables dependientes cuando
ajustamos los parámetros.
En el paso 3 formulamos las ecuaciones. Los modelos al estado
estacionario son expresados por ecuaciones algebraicas, las cuales a su vez
pueden ser lineales y no lineales. Los modelos al estado no estacionario son
expresados como ecuaciones diferenciales. En otras palabras, esperamos
encontrar derivadas en nuestras ecuaciones. Ponga atención a frases como
"razón de cambio de ..." o "tasa de crecimiento de ...", ya que razón de cambio
es sinónimo de derivada. Por supuesto, ponga atención también a "velocidad"

(derivada de la posición) y "aceleración" (derivada de la velocidad) en modelos

de física. La palabra “es” significa "es igual" e indica dónde se encuentra la
igualdad. La frase "A es proporcional a B" significa A = kB, donde k es una
constante de proporcionalidad (a menudo un parámetro en el modelo).
Una importante regla empírica que usamos al formular modelos es:
Simplifique siempre que pueda el algebra. Por ejemplo, a1 modelar la velocidad
v de un gato al caer de un edificio alto, podríamos suponer que:
• La resistencia del aire crece al aumentar la velocidad del gato.

Esta hipótesis supone que la resistencia del aire proporciona una
fuerza que se opone a la fuerza de la gravedad y crece conforme aumenta la
velocidad v del gato. Podríamos escoger kv o kv2 para el término de la
resistencia del aire, donde k es el coeficiente de fricción, es decir, un
parámetro. Ambas expresiones crecen cuando v se incrementa, por lo que
satisfacen la hipótesis. Sin embargo, muy probablemente ensayaríamos
primero kv porque es la expresión más simple que satisface la hipótesis. De
hecho, resulta que kv genera un buen modelo para la caída de cuerpos de
pequeña densidad, como los copos de nieve, pero kv2 es un modelo más
apropiado para objetos densos como gotas de lluvia.
En la Figura 1.3 se muestra la secuencia de operaciones implicadas
en el desarrollo de modelos matemáticos de sistemas dinámicos, resaltando
las etapas que requieren información obtenida de la observación
experimental del sistema.
Básicamente, la información experimental previa del medio natural
que se pretende modelar permitirá escoger los descriptores del sistema
(variables de estado), identificar los procesos y relaciones entre ellos y
formular las expresiones matemáticas de los mismos, dando con ello forma
al modelo del sistema.
Posteriormente, una vez formulado el modelo, la observación del
medio, permitirá la calibración del modelo y la verificación de sus
predicciones.

Definición del objeto del

modelo
Selección de variables que

describen el sistema
Conocimientos previos
del sistema
Identificación de procesos y
relaciones entre variables
Formulación matemática de
los procesos
Análisis de sensibilidad
Diseño experimental
Observaciones
Calibración del modelo
experimentales
Análisis de la
incertidumbre
Observaciones
Validación del modelo experimentales
independientes
Predicción de la
evolución del sistema
Figura 1.3. Etapas en la construcción de modelos matemáticos de sistemas

dinámicos. Las líneas punteadas representan flujos de información;
las continuas secuencias de operaciones

1.6 VENTAJAS Y RIESGOS DEL EMPLEO DE MODELOS

MATEMÁTICOS DE SISTEMAS NATURALES
A lo largo de los anteriores apartados hemos ido describiendo tanto la

complejidad de comportamientos que pueden exhibir los sistemas dinámicos
como la complicación de la representación de éstos mediante modelos
matemáticos.
Alejándonos del formalismo físico y matemático hasta aquí utilizado,
con la finalidad de simplificar la metodología de estudio de este tipo de sistemas,
se nos puede plantear una duda primordial: ¿por qué no prescindir de la
representación matemática (modelo)? ¿Qué ventajas aporta el empleo de
modelos matemáticos de sistemas naturales que pueden aconsejar su utilización?
En respuesta a estos interrogantes, de forma concisa, podemos argumentar:
1. La modelización mejora la comprensión global del sistema representado.
Los procesos reales son a menudo complejos y parcialmente
comprendidos; en consecuencia, el modelo matemático es una
aproximación de los procesos reales. El modelo representa un marco
mental, una hipótesis estructurada dentro de la que podemos colocar los
valores de las variables que caracterizan el estado del sistema, de manera
que sus relaciones mutuas adquieran sentido físico.
2. Los modelos pueden ser utilizados para la predicción del

comportamiento del sistema y servir para la optimización de los
procesos, tanto en fase de diseño como operativa Un modelo es una
representación ideal y generalizada de un sistema, en forma susceptible
de cuantificación con el propósito generalmente explícito de predicción;
3. Los modelos pueden ser utilizados para la educación y el entrenamiento

La modelización constituye un proceso continuo. La modelización es un
arte, pero implica también un proceso importante de aprendizaje,
mejorando nuestra capacidad de interpretación de las observaciones y el
conocimiento de la estructura del sistema.
4. Los modelos ayudan al diseño experimental y constituyen una

herramienta de análisis de datos experimentales.
El proceso de modelización sugiere la necesidad de nuevos datos y

experimentaciones para descubrir aspectos del comportamiento del sistema que
no son bien comprendidos.

CAPITULO
2
MODELIZACIÓN EN BASE A DATOS
EXPERIMENTALES
Es frecuente el problema de tener un conjunto de mediciones y desear

ajustar los datos observados a funciones que describan la relación entre la
variable dependiente y la variable independiente. El problema original parece
estar asociado al nombre de Gauss quien trató de ajustar curvas a datos
experimentales obtenidos en observaciones astronómicas. En nuestros días el
planteamiento permite establecer un modelo matemático basado en
optimización, para dar solución al problema de calcular los coeficientes que
satisfacen el criterio de mínimos cuadrados. En el presente capítulo mostraremos
de forma sencilla la solución matricial del problema, ilustrando la forma de
llegar a una expresión cerrada de la solución. Con ejemplos sencillos se tiene
una comprobación al aplicar en forma directa la solución presentada.
Estos mismos ejemplos se resuelven con la ayuda de un paquete de
cálculo para ilustrar la importancia del uso de estas herramientas en la solución
de modelos, obteniendo respuestas exactas con el consiguiente ahorro de tiempo.
2.1 DESARROLLO DE ECUACIONES PARA EL

CÁLCULO DE LOS COEFICIENTES
Con el fin de establecer la nomenclatura general se considera que se tiene
un conjunto de n pares de observaciones (xi, yi). En un plano x-y se puede
visualizar la distribución de observaciones usando un diagrama de dispersión,
Figura. 2.1.

●
y ●
εi
Fig. 2.1. Diagrama de dispersión, observaciones en el plano x-y.
Como se muestra en la Figura 2.1, para cada observación se tiene un valor

teórico expresado por la ecuación de la función. Así, se puede hablar de un error
o "desajuste" a la diferencia entre el valor observado y el valor teórico. Al sumar
los errores al cuadrado, se tiene SS.
n
SS = ε 12 + ε 22 + L + ε n2 = ∑ ε i2 (2.1)
i =1
En el caso particular cuando los datos pueden ser descritos por una
recta, y = a1x + ao, se requieren los coeficientes a1 y ao. Los mejores
coeficientes serán aquellos que minimizan el cuadrado de los errores, dando
lugar al método de mínimos cuadrados. El gradiente de SS igualado a cero será
la solución buscada. De la Figura 2.1:
ε i = y iobs − y iteorica = y iobs − ( a1 x i + a o ) (2.2)
Para el caso particular de n = 4 observaciones, la suma SS del cuadrado de

los errores:
SS = (y1 – a1x1 – ao)2 + (y2 – a1x2 – ao)2 +

…(y3 – a1x3 – ao)2 + (y4 – a1x4 – ao)2 (2.3)
El gradiente de SS:
 ∂SS 
 ∂a  0
∇SS =  1  =   (2.4)
 ∂SS  0
 ∂a o 

y las componentes del gradiente (2.4) se obtienen como:
∂SS
= –2 (y1 – a1x1 – ao)x1 – 2(y2 – a1x2 – ao)x2 –
∂a1
…2(y3 – a1x3 – ao)x3 – 2(y4 – a1x4 – ao)x4
∂SS
= –2 (y1 – a1x1 – ao)(1) – 2(y2 – a1x2 – ao)(1) –
∂a o
…2(y3 – a1x3 – ao)(1) – 2(y4 – a1x4 – ao)(1)
Al igualar a cero las componentes del gradiente y en forma matricial:
[(y1 – a1x1 – a2)(y2 – a1x2 – a2)(y3 – a1x3 – a2)(y4 – a1x4 – a2)]…

 x1 
x 
 2  = [0] (2.5a)
 x3 
 
 x4 
[(y1 – a1x1 – ao)(y2 – a1x2 – ao)(y3 – a1x3 – ao)(y4 – a1x4 – ao)]…

1
1
  = [0] (2.5b)
1

1
Las formas anteriores (2.5a) y (2.5b) se pueden escribir en una sola

expresión matricial:
[(y1 – a1x1 – ao)(y2 – a1x2 – ao)(y3 – a1x3 – ao)(y4 – a1x4 – ao)]…

 x1 1
x 1
 2 = [0 0] (2.6)
 x3 1
 
 x4 1
y al transponer (2.6):

 y1 − a1 x1 − ao 
 x1 x2 x3 x 4   y 2 − a1 x 2 − ao  0
1 = (2.7)
 1 1 1   y3 − a1 x3 − a  0
 
 y 4 − a1 x 4 − ao 
Se puede arreglar (2.7) y obtener una forma condensada de la solución

para a1 y ao.
 y1   x1 1 
 
 x1 x2 x3 x 4   y 2   x 2 
1  a1   0
 − = (2.8)
1
 1 1 1   y 3   x3 1 a o   0
 y 4   x 4 
1 
 
Llamando A a la matriz que tiene la información de la medición en

variable independiente x, como At a la matriz que presenta en forma de
renglones las columnas de A y al vector de información de medición en la
variable dependiente y, se tiene:
At (y – Aa) = 0
(2.9)
At y – At Aa = 0 (2.10)
con solución:
(
a = At A )
−1
At y (2.11)
La dimensión de A depende de n número de observaciones y del número

de coeficientes a determinar.
EJEMPLO 2.1 : Modelo lineal
Para ilustrar la aplicación de la Ecuación. 2.11, se propone los siguientes

pares de valores medidos, para la variable independiente x y el correspondiente
valor de la variable dependiente y.
xi yi
1.0 1.0
1.8 3.0
2.0 1.8
3.0 2.9

Solución
Los arreglos de información, para n = 4:
Con solución para los coeficientes a1 y ao, que resultan en la recta y =

0.85468 x + 0.50837.

Una gráfica de la recta ajustada y de los valores observados se muestra en

la Figura 2.2.
Figura. 2.2. Gráfica de función ajustada y = 0.85468 x + 0.50837 y las

mediciones.
2.1.1 Usando MATLAB

El uso de los paquetes de cálculo es de gran ayuda en la solución de los
modelos matemáticos. Uno de de los paquetes disponibles actualmente es
MATLAB, el cual puede ser usado para el cálculo directo de los modelos y
también da la opción de elaborar programas de cálculo.
Una de las principales ventajas que ofrece MATLAB es la facilidad para
graficar las variables y visualización de la solución del modelo.
Para este ejemplo realizamos los siguientes cálculos:
>> x=[1.0; 1.8; 2.0; 3.0];

>> y=[1.0; 3.0; 1.8; 2.9];
>> A=[1.0 1; 1.8 1; 2.0 1; 3.0 1];
>> ((A'*A)^-1)*A'*y
ans =
0.8547
0.5084
2.1.2 Uso del Simulador UNTSIM

El simulador UNTSIM trabaja en el entorno MATLAB, y se puede usar
para cálculos rutinarios como el de ajustar datos a un modelo descrito por un
polinomio de grado n.
Para tal efecto, seleccionando del Menú Principal: Otros cálculos –
Tratamiento de datos – Ajustar datos

09-May-2006
Este programa calcula los coeficientes de un polinomio
P(x) de grado n que se ajusta a los datos p (x(i)~=y(i))
en el sentido de mínimo error cuadrático
Los coeficientes son dados en orden decreciente de potencia
*************************************************************
Ingrese los valores de x entre [ ]:[1 1.8 2 3]
Ingrese los valores de y entre [ ]:[1 3 1.8 2.9]
Ingrese el grado del polinomio:1
p =
0.8547 0.5084
Son los coeficientes del polinomio de la forma

Cn x^n + Cn-1 x^(n-1) + ... + Co = 0
Desea comparar los datos ajustados con experimentales
si(1) no(0): 1
x y f y-f
1.0000 1.0000 1.3631 -0.3631
1.8000 3.0000 2.0468 0.9532
2.0000 1.8000 2.2177 -0.4177
3.0000 2.9000 3.0724 -0.1724
Desea graficar los datos si(1) no(0): 1
3.5
Datos experimentales
Valores ajustados
2.5
y
1.5
1
1 1.2 1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 3
x
Figura. 2.3. Gráfica de función ajustada y = 0.8547 x + 0.5084 y las

mediciones, usando el simulador UNTSIM

EJEMPLO 2.2 : Modelo No-lineal
Para ilustrar la aplicación del modelo no-lineal, se propone los siguientes

pares de valores medidos, para la variable independiente x y el correspondiente
valor de la variable dependiente y.
x y
1 148.00
2 1487.00
3 3807.00
4 10498.00
5 17551.00
6 34057.00
7 48905.00
8 76987.00
9 109193.00
10 147413.00
Solución
Uso del Simulador UNTSIM

*************************************************************
Ingrese los valores de x entre [ ]:[1 2 3 4 5 6 7 8 9 10]
Ingrese los valores de y entre [ ]: [148 1487 3807 10498 17551
34057 48905 76987 109193 147413]
Ingrese el grado del polinomio: 5
p =
1.0e+003 *
-0.0038 0.0978 -0.7638 3.7341 -6.4001 3.5926
Son los coeficientes del polinomio de la forma

Cn x^n + Cn-1 x^(n-1) + ... + Co = 0
Desea comparar los datos ajustados con experimentales
si(1) no(0): 1
x y f y-f
1.0e+005 *
0.0000 0.0015 0.0026 -0.0011
0.0000 0.0149 0.0106 0.0043
0.0000 0.0381 0.0437 -0.0057
0.0000 0.1050 0.1000 0.0050
0.0001 0.1755 0.1872 -0.0117
0.0001 0.3406 0.3185 0.0221
0.0001 0.4890 0.5076 -0.0186
0.0001 0.7699 0.7646 0.0053
0.0001 1.0919 1.0908 0.0012
0.0001 1.4741 1.4748 -0.0007
Desea graficar los datos si(1) no(0): 1

4
x 10
15
Datos experimentales
Valores ajustados
10
y
0
1 2 3 4 5 6 7 8 9 10
x
Figura. 2.4. Gráfica de función ajustada

y = -3.8 x5 + 97.8 x4 - 763.8 x3 + 3734.1 x2 - 6400.1 x + 3592.6
y las mediciones, usando el simulador UNTSIM
Problemas
1. En la ingeniería de abastecimiento de aguas, el tamaño del reservorio
depende de la estimación exacta del flujo de agua en el río del cual se toma.
Para algunos rios es difícil obtener registros históricos de muchos años atrás
de tales datos de flujo. Por el contrario, datos meteorológicos sobre
precipitación de muchos años atrás están a menudo disponibles. Por tanto,
con frecuencia es útil determinar una relación entre el flujo y precipitación.
Esta relación se puede entonces usar para estimar flujos por años pero solo
cuando se hicieron dichas mediciones de precipitación.
Para un río que se va a encauzar a un dique, se tienen los siguientes

datos:

Precipitación, cm Flujo, m3/s

88.9 114.7
101.6 172.0
104.1 152.9
139.7 269.0
132.1 206.4
94.0 161.4
116.8 175.8
121.9 239.0
99.1 130.0
a) Grafique los datos

b) Ajuste a una línea recta. Sobreponga la línea de su gráfica
c) Use la mejor línea de ajuste para predecir el flujo de agua anual si
la precipitación es de 120 cm.
2. La concentración de fósforo total (p en mg/cm3) y clorofila (c en mg/m3)

para cada uno de los grandes lagos es:
p c
Lago Superior 4.5 0.8
Lago Michigan 8.0 2.0
Lago Hurón 5.5 1.2
Lago Erie
Cuenca oeste 39.0 11.0
Cuenca central 19.5 4.4
Cuenca este 17.5 3.8
Lago Ontario 21.0 5.5
La clorofila c es un parámetro que indica cuanta vida de plantas está

suspendida en el agua. Como tal, indica qué tan turbia y opaca aparece el
agua. Use los datos anteriores para determinar una relación c como una
función de p. Use esta ecuación para predecir el nivel de clorofila que puede
esperarse si el tratamiento de desechos es usado para disminuir la
concentración de fósforo en la cuenca oeste del Lago Erie a 15 mg/m3.
3. Tres organismos portadores de enfermedades decaen de manera exponencial

en las aguas de un lago de acuerdo con el siguiente modelo:
p(t) = Ae-1.5t + Be- 0.3t + Ce-0.05t
Calcule la población inicial de cada organismo (A, B y C) dadas las

siguientes mediciones:

t, HR p(T)
0.5 7
1 5.2
2 3.8
3 3.2
4 2.5
5 2.1
6 1.8
7 1.5
8 1.2
9 1.1

CAPITULO
3
MODELOS AL ESTADO ESTACIONARIO
3.1 EL BALANCE DE MATERIALES
El balance de materiales (también conocido como balance de masa), es

un método utilizado para estimar las emisiones de algunas categorías de fuentes,
en donde se conoce el volumen y la composición química de los insumos o
materias primas utilizadas. El método de balance de materiales puede usarse en
los casos en que no hay datos disponibles de muestreos en la fuente o factores de
emisión aplicables.
El uso de un balance de materiales implica el análisis de un proceso para
determinar si las emisiones pueden ser estimadas conociendo únicamente los
parámetros específicos de operación y la composición de los materiales. Si bien
el balance de materiales es una herramienta valiosa para estimar las emisiones de
muchas fuentes, su aplicación requiere que se conozca cierta información sobre
el material estudiado en cada punto a lo largo del proceso. El uso del balance de
materiales es adecuado en los casos en que pueden conocerse los componentes
del proceso.
Por medio del balance de materiales podemos evaluar la eficiencia de
un proceso y calcular emisiones contaminantes al hacer una comparación entre
las cantidades que entran y salen del mismo. Por ejemplo, si sabemos que en un
proceso utilizamos un litro de thinner y en el producto resultante solamente
encontramos 100ml, podemos asumir que los 900ml restantes se vaporizaron
convirtiéndose en emisiones de las sustancias que lo componen.

3.1.1 Emisión de COVs (Compuestos Orgánicos Volátiles)
De hecho, para algunas fuentes, un balance de materiales es el único

método práctico para estimar las emisiones con exactitud. Por ejemplo, en
muchos casos, el muestreo en la fuente de emisiones de COVs, intermitentes o
fugitivas puede ser muy difícil y costoso, por lo que es recomendable aplicar
técnicas de estimación de emisiones a partir del balance de materiales.
Para obtener las emisiones de COVs de las fuentes puntuales y de área,
por ejemplo, se usa por lo general un balance de materiales para estimar las
emisiones por evaporación de solventes. Esta técnica es aplicable de igual
manera a las fuentes puntuales y a las fuentes de área. En las fuentes puntuales
se puede usar a nivel de dispositivo o de planta, mientras que en el caso de las
fuentes de área el balance de materiales puede aplicarse a nivel regional o
nacional.
El método más simple de balance de materiales es suponer que todo el
solvente consumido por un proceso se evapora durante éste. Por ejemplo, es
razonable suponer que durante muchas operaciones de pintura de superficies
todo el solvente en la pintura se evapora a la atmósfera durante el proceso de
secado. En tales casos, las emisiones simplemente son iguales a la cantidad de
solvente aplicado en la pintura (y en los adelgazadores añadidos) como una
función del tiempo. Otro ejemplo similar es el uso de solventes para lavado de
ropa en seco, tal como se realiza en las tintorerías. Para estimar las emisiones de
este tipo de procesos, sólo se requiere conocer la cantidad de solvente adquirido
en cada tintorería durante el intervalo de tiempo de interés, porque se supone que
las emisiones son iguales a la cantidad de solvente comprado.
En procesos donde se maneja una cantidad semifija de solvente, donde el
solvente que se gasta es reemplazado cada determinado periodo o cada vez que
es necesario, puede suponerse que el solvente gastado es equivalente a las
emisiones.
La suposición de que el solvente de reemplazo es igual a las emisiones
por evaporación también es útil en algunas situaciones más complicadas. Por
ejemplo, si se emplea un equipo de control de emisiones no destructivo como un
condensador o un absorbedor, esta suposición es válida en la medida que el
solvente capturado sea regresado al proceso. De manera similar, esta suposición
será aplicable si en la planta se practica la recuperación de solvente residual ya
sea por destilación o por reducción o secado. Ambas prácticas reducen los
requerimientos de solvente de reemplazo en el proceso y, por lo tanto, la
cantidad de solvente que se convierte en emisiones fugitivas y que se pierde
hacia la atmósfera.
Existen pruebas que proporcionan información sobre balance de
materiales y determinaciones gravimétricas para varios procesos industriales,
publicados por la American Society for Testing and Materials (ASTM)
(Sociedad Americana para Pruebas y Materiales). En general, el uso de un
balance de masa o de materiales para determinar las emisiones totales de un
proceso es sencillo y costeable.

Los COVs totales emitidos de un proceso de mezclado de pintura por

lotes, por ejemplo, se calcularía como se muestra a continuación (de acuerdo con
el Método D 2369, de la ASTM):
COVent (lb/gal) - COVpm (lb/gal) = COVe (lb/gal) (3.1)
donde:
ent = que entra
pm = pintura mezclada
e = emitidos
Asimismo, el análisis del combustible puede usarse para predecir las

emisiones de procesos de combustión, con base en la aplicación de las leyes de
conservación de la materia. La presencia de ciertos elementos en los
combustibles puede usarse para predecir su presencia en las corrientes de
emisión.
Esto incluye elementos tóxicos tales como los metales que se encuentran
en el carbón, así como el azufre que puede ser convertido en otros compuestos
durante el proceso de combustión.
La ecuación básica que se usa en los cálculos de emisiones a partir del
análisis del combustible es:
MWCE
E = Qcomb. × CCC × (3.2)
MWCC
donde:
E = emisiones del contaminante
Qcomb. = Consumo de combustible, flujo másico (p.ej., kg/hr)
CCC = Concentración del contaminante en el combustible
MWce = Peso molecular del contaminante emitido (lb/lb-mol)
MWcc = Peso molecular del contaminante en el combustible (lb/lb-mol)
Por ejemplo, las emisiones de SO2 como producto de la quema de

combustóleo pueden calcularse basándose en su contenido de azufre. De esta
manera, se supone una conversión completa del azufre a SO2. Por lo tanto, por
cada libra de azufre (PM=32 g) quemado se emiten dos libras de SO2 (PM=
64g).
Ejemplo 3-1.
Calcular las emisiones de SOx por hora (reportado como SO2) de una
máquina de combustión interna que quema diesel, con base en los datos del
análisis del combustible (el contenido de azufre). El consumo estimado de

combustible es de 150 litros/hr. La densidad del diesel es de 0.85kg/litro (7.1

lb/gal). El contenido de azufre en el diesel es 0.05% en masa.
Consumo de combustible
Qcomb. = 150 litros/hr x 0.85 kg/litro

= 127.5 kg/hr
Concentración del contaminante en el combustible

CS = 0.05/100
= 0.0005
Contaminate emitido: SO2

Peso molecular del contaminante emitido
MWce = Peso molecular del SO2 = 64 lb/lb-mol
Peso molecular del contaminante en el combustible
MWcc = Peso molecular del S = 32 lb/lb-mol
Luego reemplazando en la Ecuación (3.2)
ESO2 = 127.5 x 0.0005 x (64/32)

= 0.13 kg/hr
En el ejemplo anterior el balance de materiales se simplifica porque se

supone que todo el material que se está balanceando es emitido a la atmósfera.
Sin embargo, existen situaciones en las que esta suposición no siempre es
razonable. Por ejemplo, si se usa un dispositivo de control destructivo, como un
postquemador, un incinerador o una unidad de oxidación catalítica en el escape,
una parte de los COVs presentes en la corriente serán oxidados de modo que no
es razonable suponer que las pérdidas de COVs en el proceso son equivalentes a
las emisiones ya que una parte de ellas está siendo controlada por dispositivos de
control de emisiones. En este caso, las características y cantidades de las
emisiones de COVs deberán determinarse con base en otras técnicas de
estimación de emisiones como factores de emisión o modelos.
También se pueden llevar a cabo balances de materiales para calcular las
emisiones fugitivas de fuentes de área que incluyan la producción, distribución y
consumo de combustibles. Por ejemplo, en un estudio enfocado a determinar
este tipo de emisiones en EU se aplicó un balance de materiales para la
distribución y consumo de combustibles (De Luchi, 1993). Un balance de
materiales a nivel nacional para solventes en pinturas podría ser también el
mejor método para estimar las emisiones de COVs de esta categoría de fuentes.
Un enfoque similar puede adoptarse para estimar las emisiones a la atmósfera
derivadas de la aplicación de plaguicidas. Sin embargo, existen ciertas
excepciones donde hay consideraciones adicionales que es necesario tener en
cuenta. Por ejemplo, las emisiones del desengrasado no son iguales al consumo
de solvente si el solvente residual es vendido a un reciclador comercial. En esta
situación las emisiones serán la diferencia entre el solvente consumido y el

solvente enviado a reprocesamiento. En un ejemplo más, se cree que alguna

fracción del diluyente usado para licuar asfalto rebajado es retenida en el
pavimento y no se evapora después de la aplicación.
El ejemplo siguiente muestra que, en algunos casos, la suposición de que
todo el solvente consumido es equivalente a las emisiones de COV del proceso,
resultaría en una sobrestimación de las emisiones. Por lo tanto, se utilizan
balances de materiales junto con factores de emisión basados en el proceso para
estimar las emisiones. Estos balances son parecidos a aquellos que se basan en la
diferencia entre la materia prima y el producto, cuando el factor de emisión para
un proceso está dado por unidad de material consumido.
Ejemplo 3-2
Calcular las emisiones mensuales de COVs de un desengrasador de

vapor. Cada mes, se añaden 100 litros de solvente al inicio del mes. A principios
de mes, se añaden otros 20 litros para rellenar las pérdidas. A fin de mes, se
envían 100 litros de solvente residual a un reciclador y 0.2 kg de residuos sólidos
son recolectados para disposición.
El solvente es 100% COVs.
El solvente residual es 98% COVs.
El residuo sólido es 5% COVs.
La densidad del solvente es de 1.5 kg/litro.
Qsolvente = (100 litros/mes + 20 litros/mes) x 1.5 kg/litro

= 180 kg/mes
Qresidual = (100 litros/mes x 1.5 kg/litro x 98% COV) + (0.2 kg/mes x

5% COV)
= 147 kg/mes + 0.01 kg/mes
= 147 kg/mes
ECOV = Qsolvente - Qresidual

= 180 - 147
= 33 kg/mes
Hay otras situaciones que pueden complicar el balance de materiales. En

primer lugar, no todas las pérdidas de solventes de ciertas operaciones como el
lavado en seco o el desengrasado, se dan en el sitio de la planta. En cambio, se
pueden evaporar cantidades significativas de solventes en el sitio de disposición
del solvente residual, a menos que sea incinerado o dispuesto de manera que se
impida su evaporación posterior a la atmósfera. En general, se puede suponer
que gran parte del solvente enviado a sitios de disposición se evaporará, sin
embargo, se debe determinar si una parte del solvente asociado con varias
operaciones se evapora en el punto de disposición más que en el punto de uso,
ya que estas pérdidas pueden presentarse fuera del área cubierta por el
inventario.

De la misma manera, en algunos procesos de evaporación no es posible

emplear balances de materiales, debido a que la cantidad de material perdido es
demasiado pequeña para ser determinada con exactitud usando los
procedimientos de medición convencionales. Por ejemplo, la aplicación de
balances de materiales a los tanques de almacenamiento de productos del
petróleo por lo general no es factible, debido a que las pérdidas por respiración y
por operación son demasiado pequeñas con respecto a la capacidad total
promedio del tanque. En estos casos, es preferible aplicar técnicas de estimación
de emisiones basadas en factores de emisión o en modelos.
En resumen, con excepción de algunos tipos de fuente tales como los
ejemplos de uso de combustibles y de solventes presentados anteriormente, el
balance de materiales debe ser utilizado como un método de «arriba hacia abajo»
para evaluar qué tan razonables son las estimaciones de emisión generadas al
usar otras técnicas, más que como el principal método de estimación.
3.1.2 Diseño de Procesos
3.1.2.1 Destilación de compuestos orgánicos
Xileno, estireno, tolueno y benceno están siendo separados con el arreglo

de columnas de destilación que se muestran a continuación donde F, D, B, D1,
B1, D2 y B2 son los flujos molares en mol/min.
7% Xileno
D1 4% Estireno
54% Tolueno
35% Benceno
D 2
18% Xileno
24% Estireno
B1 42% Tolueno
15% Xileno 16% Benceno
25% Estireno
40% Tolueno
1 15% Xileno
20% Benceno D2 10% Estireno
54% Tolueno
F = 70 mol/min 21% Benceno
B
3
24% Xileno
65% Estireno
B2 10% Tolueno
1% Benceno
Figura 3. 1 Tren de separación

Los balances de materiales para componentes individuales sobre todo el

tren de separación da el siguiente conjunto de ecuaciones
Xileno: 0.07D1+0.18B1+0.15D2 + 0.24B2 = 0.15 x 70

Estireno: 0.04D1+0.24B1+0.10D2 + 0.65B2 = 0.25 x 70
Tolueno: 0.54D1+0.42B1+0.54D2 + 0.10B2 = 0.40 x 70
Benceno: 0.35D1+0.16B1+0.21D2 + 0.01B2 = 0.20 x 70
En notación matricial, el sistema anterior se escribe:
[A] ⋅ [x] = [b]

(3.3)
 0. 7 0.18 0.15 0.24  D1  10.5

0.04 0.24 0.10 0.65 B  17.5
A= , x =  1 , b=  (3.4)
0.54 0.42 0.54 0.10  D2   28 
     
0.35 0.16 0.21 0.01  B2   14 
1. Aplicando MATLAB, para resolver el sistema de la Ecuación. 3.4, hacemos

lo siguiente:
1.1 Escribimos la matriz A y el vector b
>> A= [0.07 0.18 0.15 0.24; 0.04 0.24 0.10 0.65; 0.54 0.42 0.54
0.10; 0.35 0.16 0.21 0.01]
A =
0.0700 0.1800 0.1500 0.2400
0.0400 0.2400 0.1000 0.6500
0.5400 0.4200 0.5400 0.1000
0.3500 0.1600 0.2100 0.0100
>> b=[10.5; 17.5; 28; 14]
b =
10.5000
17.5000
28.0000
14.0000
1.2 Damos la orden para calcular x:
>> x=A\b

x =
26.2500 = D1
17.5000 = B1 Flujos totales de salida de las
8.7500 = D2 Columnas 2 y 3
17.5000 = B2
Balance total y de componentes individuales en la columna #2 pueden

ser usados para determinar el flujo molar y fracciones molares a partir de la
ecuación de la corriente D por:
Flujos molares: D = D1 + B1
Xileno : XDxD = 0.07D1 + 0.18B1

Estireno: XDsD = 0.04D1 + 0.24B1
Tolueno: XDtD = 0.54D1 + 0.42B1
Benceno: XDbD = 0.35D1 + 0.16B1
donde XDx = fracción molar de Xileno, XDs = fracción molar de Estireno, XDt =
fracción molar de Tolueno, y XDb= fracción molar de Benceno.
De manera similar, balances total y de componentes individuales en la
columna #3 pueden ser usados para determinar el flujo molar y las fracciones
molares de la corriente B a partir del conjunto de ecuaciones:
Flujoss Molares: B = D2 + B2
Xileno: XBxB = 0.15D2 + 0.24B2

Estireno: XBsB = 0.10D2 + 0.65B2
Tolueno: XBtB = 0.54D2 + 0.10B2
Benceno: XBbB = 0.21D2 + 0.01B2
Reemplazando los demás valores se tiene la solución completa.
3.1.3 Proceso de tratamiento de metales
Las superficies de metal son a menudo limpiadas usando solventes

orgánicos en un tanque desengrasador abierto por el tope. Uno de los solventes
ampliamente usados para tales operaciones es 1,1,1 – tricloroetano (TCE). El
TCE pertenece a un grupo de productos químicos altamente estables conocido
como agotadores de ozono. La Figura 3.2 bosqueja una operación típica que
desengrasa. El factor de emisión para el proceso mostrado es estimado a ser 0.6
lb/lb de TCE entrando en el desengrasador.

F13
F01 Desengrasador (1) F12 Recuperación de F24

Solvente (2)
F21
Figura 3.2. Esquema de una operación típica de desengrasado.
El solvente del desengrasador es enviado a una unidad de recuperación

de solvente donde 80 % del solvente es recobrado y 20 % del solvente es
evacuado con el lodo.
1. Para averiguar la viabilidad de la instalación de un sistema de recuperación

de vapor, determinar la cantidad de TCE enviado a la atmósfera por la libra
de TCE nuevo usado.
2. Si el sistema de recuperación de vapor es 90 % eficiente, determine la
fracción de tricloroetano perdido a la atmósfera y la fracción yendo con el
lodo.
Solución
Asumiendo una base de 1 lb para F01.
Las ecuaciones de balance de masa alrededor de las dos unidades para el

proceso sin la unidad de recuperación de vapor es:
1 + F21 = F12 + F13 (1)
F12 = F21 + F24 (2)
La Ecuación para la cantidad de emisiones de TCET en términos de la cantidad

de TCE entrando al desengrasador es:
F13 = 0.6 ( 1 + F21 ) (3)
En adición, la cantidad de TCE recuperado en términos de la cantidad de

solvente entrante a la unidad de recuperación es
F21 = 0.8F12 (4)
Tomando las Ecs (1), (3) y (4) se tiene el sistema:

F12 + F13 - F21 =1 (1)

F13 - 0.6 F21 = 0.6 (3)
0.8F12 - F21 =0 (4)
En notación matricial, el sistema anterior se escribe:
[A] ⋅ [x] = [b] (3.3)
 1 1 −1   F12  1
A =  0 1 − 0.6 , x =  F13  , b =  0 
0.8 0 − 1   F21  0.6
Usando Matlab:
>> A=[1 1 -1; 0 1 -0.6; 0.8 0 -1]
A =
1.0000 1.0000 -1.0000
0 1.0000 -0.6000
0.8000 0 -1.0000
>> b=[1; 0.6; 0]
b =
1.0000
0.6000
0
>> x=A\b
x =
0.5882
0.8824
0.4706
Con lo cual se tiene:
F12 = 0.5882 lbs

F13 = 0.8824 lbs
F21 = 0.476 lbs
Además:

F24 = 0.2 (F12) = 0.2* 0.5882 = 0.1176 lbs
b) Efectuar los cálculos cuando se adiciona una unidad de recuperación de

vapor.
F35
Recuperación de
vapor (3)
F31
F13
F01 Desengrasador (1) F12 Recuperación de F24

Solvente (2)
F21
Figura 3.3. Esquema de la operación de desengrasado con una unidad de

recuperación de vapor

CAPITULO
4
MODELOS AL ESTADO NO ESTACIONARIO
Los sistemas dinámicos tuvieron sus inicios en sistemas de diferencias y

en ecuaciones diferenciales (Forrester 1980). Un sistema objetivo, es descrito
usando un sistema de ecuaciones, de las cuales se derivan los estados futuros de
ese sistema desde el estado actual. Son representados por atributos llamados
“Niveles y Tasas” actuando como ecuaciones en diferencia con puntos
equidistantes en el tiempo.
Una típica ecuación en diferencias tiene la forma:
xt+1 = f(xt ; v) (4.1)
Donde xt+1 es el estado del sistema objetivo en el tiempo “t+1”, el cual

depende del estado en el tiempo “t” y de un parámetro “v”. Usualmente la
función f es continua.
Una típica ecuación diferencial tiene la forma:
dx/dt = g(x(t); v) (4.2)
Donde dx/dt es el cambio de estado del sistema objetivo en un periodo

corto de tiempo dt. Estos cambios dependen de “t” y de “v”.

4.1 MODELO PARA EL CO2 TOTAL

La acumulación creciente de CO2 en la atmósfera constituye un
experimento a gran escala en el ambiente de la Tierra con repercusiones de largo
plazo desconocidas. El balance radiacional entre la Tierra y espacio puede ser
afectado significativamente por las acumulaciones del CO2, por ejemplo, el
llamado "efecto invernadero ", que puede producir incrementos significativos en
la temperatura atmosférica de la Tierra. El incremento en la temperatura, a su
vez, puede producir a su vez mayores cambios en el ambiente, por ejemplo,
fusión de hielo polar, clima severo, efectos adversos en la agricultura.
Así, los estudios cuantitativos de acumulación del CO2 son esenciales
para elucidar y entender cuáles factores contribuyen a la acumulación del CO2.
Un modelo matemático introductorio de los factores que contribuyen a la
generación del CO2 y la acumulación son desarrollados en el subsiguiente
ejemplo. El modelo puede ser usado, por ejemplo, para estudiar el efecto del
creciente quemado de combustible fósil y la destrucción de áreas forestales. El
modelo incluye un componente de clima. Éste es un modelo pequeño de
términos, en el que la transferencia de carbón hacia y desde el sedimento y el
carbonato (ambos procesos de transporte de largo plazo) quedan excluidos.
La estructura del modelo es ilustrada en la Figura 4.1 y consiste de cinco
reservorios interconectados:
1 Atmósfera
2 La Biosfera Terrestre
3 Superficie del océano
4 Carbón del suelo y detritus
5 Profundidad del océano
Los rectángulos representan los reservorios, cada uno con un valor

inicial (en giga toneladas de carbón). Los flujos son representados por las flechas
grandes con los círculos adjuntos a la presente. Estos están en unidades de giga
toneladas/año. Los círculos simples, conocido como "convertidores", tienen
constantes numéricas o fórmulas algebraicas representando funciones
matemáticas específicas.

Deforestación
Quemado de combustibles fósiles
ATMOSFERA Emanación de
gases del océano
O O
Respiración
O
O
O
Estación SUPERFICIE DEL
OCEANO
O
O O
BIOSFERA Salida del océano
TERRESTRE
O
O
Fotosíntesis
Flujo hacia
arriba
Flujo hacia
Muerte abajo
O
CARBON DEL PROFUNDIDAD
SUELO Y DEL OCEANO
DETRITUS O
Bomba
Decaimiento biológica
Figura. 4.1 Diagrama de flujo para la simulación del CO2 total en

STELLA
Nuestro interés es evaluar la cantidad de carbón en los reservorios en

cualquier período de tiempo dado sobre el tiempo de simulación,
específicamente la cantidad de carbón atmosférico presente. Los flujos
representan los diversos procesos que afectan la cantidad de carbón que podrían
ser depositados o removidos de un reservorio. Incluidos en los flujos están las
ecuaciones para calcular fotosíntesis estacional, emanaciones desde el océano, la
respiración, la muerte, la descomposición, y otros.
Ecuaciones diferenciales
dC AT
= C OD + C R + C D + C FB + C DF − C OU − C FS
dt
dC SO
= C OU + CUP − C OD − C DW − C BP
dt

dC DO
= C DW + C BP − CUP
dt
dC BT
= C FS − C R − C M − C DF
dt
dC SD
= CM − C D
dt
Ecuaciones algebraicas
C AT
CUO =
2
CUP = CDO * 0.002
CDW = CSO* 0.002
CBP = 6.76 + CSO / 700
COD = CSO / 20
Est = 1+ (cos(2*pi*(t +0.125)))
CR = CBT * 0.1* Est
CFS = (CBT * 0.1483+ CAT /700) * Est
CM = 0.05* CBT
CD = 0.021* CSD + CAT / 750
AtmCO2 = CAT /2
Donde:
CAT = carbón total en la atmósfera
COD = carbón emanada desde el océano
CR = carbón debido a la respiración de los seres vivos
CD = carbón debido a descomposición de seres muertos
CFB = carbón debido al quemado de combustibles fósiles
CDF = carbón debido a la deforestación de los bosques
COU = carbón tomado por el océano
CFS = carbón usado en la fotosíntesis
CSO = carbón en la superficie del océano
CUP = carbón desde el fondo del océano
CBT = carbón en la biosfera terrestre
CDW = carbón hacia el fondo del océano
CBP = carbón en plantas marinas
CDO = carbón en el fondo del océano
CM = carbón en los seres muertos
CSD = carbón en la superficie terrestre

Est = variación estacional

AtmCO2 = CO2 en la atmósfera
t = tiempo
pi = 3.1416
Las condiciones iniciales son tomadas para el año base (1970) en giga
toneladas:
Valor inicial de carbón en la atmósfera (reservorio) : CATo = 700

Valor inicial de carbón en la superficie del océano (reservorio): CSOo = 700
Valor inicial de carbón en la biosfera terrestre (reservorio) : CBTo = 550
Valor inicial de carbón en el fondo del océano (Reservorio) : CDOo = 35000
Valor inicial de carbón en la superficie terrestre (reservorio) : CSDo = 1200
Parámetros que dependen de la actividad del hombre:

Deforestación: 2
Flujo de combustibles fósiles: 5
Las ecuaciones básicas representan las matemáticas requeridas para

representar el transporte "natural" de carbón a través de este sistema. Para añadir
una variable antropogénica para la mezcla, incluimos la adición de carbón al
reservorio de la atmósfera a través del quemado de combustibles fósiles
(estimado a ser 5 gigatons al año) y el efecto de deforestación (2 gigatons
adicionales moviéndose de la biosfera terrestre a la atmósfera). En este modelo,
usted puede experimentar con el cambiar de estas dos variables (junto con la
mayor parte de las demás) en el modelo.
Al correr el modelo obtiene como resultado un gráfico de la cantidad de
CO2 en la atmósfera
Uso de UNTSIM
Seleccionamos del Menú Principal – Modelización Ambiental – Ciclo del

Carbón
ESTE PROGRAMA SIMULA EL CICLO DEL CARBON

Y CALCULA LA CANTIDAD DE CO2 EN FUNCION DEL TIEMPO
***************************************************
Los valores propuestos son tomando año base 1970 en
gigatoneladas
Para otro año base dar los valores corrspondientes
Carbón en la Atmósfera (700 gt): 700
Carbón en la superficie del océano (700 gt): 700
Carbón en el fondo del océano (35000 gt): 35000
Carbón en la biosfera terrestre (550 gt): 550

Carbón por quemado de combustibles fósiles (5 gt): 5

Carbón por deforestación (2gt): 2
Tiempo de simulación en años (Ej. 10): 10
Tamaño de paso para simulación (Ej. 0.25): 0.25
*******************************************************************
CANTIDADES DE CO2 EN GIGATONELADAS
-------------------------------------------------------------------
Año Atmosfera Superficie Fondo del Biosfera Superficie
Terrestre Oceano Trrestre Terrestre
----- ---------- ---------- ---------- --------- ----------
0.00 350.00000 700.00 35000.00000 550.00 1200.00000
0.25 348.25962 715.21 34984.79000 554.39 1200.34167
0.50 346.59219 730.17 34969.60064 558.81 1200.73756
0.75 349.94137 744.87 34954.43170 553.38 1201.18778
1.00 353.35215 759.46 34939.28294 547.99 1201.56544
1.25 351.96540 773.93 34924.15427 552.37 1201.87151
1.50 350.64249 788.16 34909.04556 556.78 1202.23161
1.75 354.31196 802.16 34893.95660 551.36 1202.64583
2.00 358.03458 816.06 34878.88719 545.99 1202.98772
2.25 356.96612 829.86 34863.83723 550.36 1203.25823
2.50 355.95326 843.45 34848.80663 554.76 1203.58261
2.75 359.91020 856.81 34833.79518 549.36 1203.96098
3.00 363.91267 870.09 34818.80269 544.01 1204.26724
3.25 363.13055 883.29 34803.82909 548.37 1204.50237
3.50 362.39659 896.28 34788.87428 552.76 1204.79125
3.75 366.61139 909.07 34773.93808 547.38 1205.13400
4.00 370.86483 921.79 34759.02032 542.05 1205.40491
4.25 370.34018 934.44 34744.12091 546.40 1205.60494
4.50 369.85698 946.90 34729.23980 550.79 1205.85865
4.75 374.30289 959.17 34714.37681 545.43 1206.16616
5.00 378.78124 971.39 34699.53177 540.12 1206.40209
5.25 378.48798 983.54 34684.70463 544.46 1206.56742
5.50 378.23008 995.52 34669.89531 548.84 1206.78637
5.75 382.88299 1007.32 34655.10366 543.50 1207.05909
6.00 387.56273 1019.08 34640.32953 538.21 1207.26051
6.25 387.47725 1030.78 34625.57286 542.55 1207.39162
6.50 387.42166 1042.33 34610.83360 546.92 1207.57633
6.75 392.25978 1053.70 34596.11161 541.60 1207.81480
7.00 397.11968 1065.04 34581.40673 536.33 1207.98227
7.25 397.22068 1076.35 34566.71892 540.66 1208.07971
7.50 397.34659 1087.49 34552.04814 545.03 1208.23077
7.75 402.35027 1098.49 34537.39425 539.73 1208.43559
8.00 407.37118 1109.45 34522.75712 534.48 1208.56972
8.25 407.63935 1120.39 34508.13670 538.81 1208.63413
8.50 407.92795 1131.18 34493.53296 543.18 1208.75219
8.75 413.07947 1141.82 34478.94578 537.90 1208.92405
9.00 418.24410 1152.45 34464.37501 532.66 1209.02552
9.25 418.66200 1163.05 34449.82064 536.99 1209.05758
9.50 419.09629 1173.52 34435.28263 541.36 1209.14334
9.75 424.37964 1183.85 34420.76086 536.10 1209.28296
10.00 429.67239 1194.17 34406.25521 530.88 1209.35250
*******************************************************************
>>
Y la figura:

ACUMULACION DE CO2 EN LA ATMOSFERA

430
420
CO2 en la Atmósfera: Gigatoneladas
410
400
390
380
370
360
350
340
0 1 2 3 4 5 6 7 8 9 10
Tiempo: Años
Figura. 4.2 Proyección de la cantidad total de CO2
1 Gigatonelada = 1015 gm
1 ton métrica = 1000 kg = 106 gm
4.2 SIMULACIÓN DE DINÁMICA DE POBLACIONES

BIOLÓGICAS: UN ENFOQUE DE DINÁMICA DE
SISTEMAS
La administración de los recursos renovables ha estado fundamentada en
el concepto de máximo rendimiento sustentable, según el cual el inventario de
los recursos biológicos no puede sobreexplotarse sin una pérdida final de
productividad. Este concepto se basa en esquemas de crecimiento biológico. En
este punto se presentan algunos modelos de crecimiento bajo el enfoque de
dinámica de sistemas, lo cual permite estudiarlos mediante simulación y análisis
de sensibilidad. Se presentan los principios del modelamiento de ecosistemas,
los modelos clásicos de crecimiento (exponencial y logístico) y en anexo, los
fundamentos de la dinámica de sistemas.

4.2.1 Modelos de Crecimiento Poblacional
El manejo de los recursos naturales renovables se ha basado en el

concepto de máximo rendimiento sustentable, según el cual el inventario de
recursos no puede sobreexplotarse sin una pérdida final de productividad. Este
concepto se fundamenta en un modelo de crecimiento biológico, en el cual se
plantea que a cualquier nivel poblacional, menor que un cierto nivel K
(indicativo de la capacidad de carga ambiental o nivel de saturación), existe una
sobreproducción que puede ser cosechada indefinidamente sin alterar el nivel de
inventario (Clark, 1976).
Ahora bien, si no se cosecha ese superávit de producción, entonces se
genera un aumento en el nivel de inventario, que finalmente alcanza la capacidad
de carga ambiental K, punto en el cual se anula la sobreproducción. Como el
exceso de producción se iguala al rendimiento sustentable para cada nivel de
población, entonces el punto de máximo rendimiento sustentable se alcanza en el
nivel poblacional No, para el cual dicho exceso de producción es máximo
(coincide con el punto en el cual se maximiza la tasa de crecimiento
poblacional).
Los modelos que explican la explotación de los recursos biológicos se
basan en una estructura de ecuaciones diferenciales del tipo:
dY/dt = F(Y)-h(t) (4.3)
donde
Yt : representa el tamaño de la población en t,
F(Y) : indica la tasa de crecimiento poblacional
h(t) : representa la tasa de cosecha (“harvesting rate”).
El comportamiento dinámico de la población depende de la relación

entre ambas tasas F(Y) y h(t).
El nivel poblacional declina, sí F(Y)< h(t), pues dY/dt< 0. Mientras que,
si F(Y)= h(t), la población se mantiene en un nivel constante, pues dY/dt = 0;
ello significa que la tasa natural de crecimiento F(Y) se iguala con el valor del
rendimiento sustentable que puede ser para poder diseñar modelos de
planificación de manejo de los
recursos renovables es fundamental especificar los modelos de crecimiento
poblacional adecuados en cada caso.
Uno de los hechos fundamentales de la dinámica poblacional es el
potencial de crecimiento exponencial (Caswell, 1988), popularizado por
Malthus, quien en 1798 en su obra Essay on the Principle of Population,
estableció que una población sin restricciones se incrementaría
geométricamente. Ahora bien, las poblaciones no pueden mantener
indefinidamente este crecimiento exponencial, planteándose los modelos de
crecimiento poblacional restringido o modelos logísticos, deducidos por Pierre
Verhulst en 1838. Luego siguieron extensiones a los casos de competencia entre

especies diferentes, y de interacción tipo predador-presa (Lotka, 1924; Volterra,

1926; Gause, 1934; Kostitzin, 1939).
Basándose en los trabajos de Lotka, se desarrollaron modelos que
consideran a la población clasificada por grupos de edad, para así resolver la
limitación de los modelos que tratan a todos los individuos de la población en
forma idéntica.
Todas las teorías ecológicas respecto a las poblaciones y a las
comunidades tienen que ver, de una u otra manera, con sus tamaños, cómo
crecen o decrecen, si presentan un crecimiento estable o si fluctúan, cómo
responden a los cambios ambientales y cómo influyen en los cambios en el
ambiente de otras poblaciones.
4.2.2 Modelo de crecimiento exponencial
El tamaño de las poblaciones de seres vivos se mantiene en equilibrio,

oscilando más o menos ampliamente en torno a un valor medio, en función de
variables como la natalidad o la mortalidad, que a su vez dependen de relaciones
más complejas con otras poblaciones de otras especies, variaciones en las
condiciones ambientales, etc.
El crecimiento de una población, es decir el incremento en el número de
individuos que la componen en cada generación depende de la tasa de
natalidad, característica de cada especie y variable en función de ciertos
factores ambientales, y del número de individuos reproductores de que se parte.
Esta tasa de natalidad TN se expresa en tanto por uno. Según esta aproximación
tan simple, en una generación el número inicial de individuos N0 se verá
incrementado en N0·TN:
N1 = N0 + N0·TN = N0·(1 + TN) (4.4)
Al mismo tiempo, ocurre que cierto número de individuos mueren. La

proporción de muertes respecto al total es la tasa de mortalidad TM (también
en tanto por uno). Según esta aproximación, en una generación el número
inicial de individuos N0 se verá disminuida en N0·TM:
N1 = N0 - N0·TM = N0·(1 - TM) (4.5)
Luego, considerando al mismo tiempo las tasas de natalidad y

mortalidad, el número total de individuos después de un primer periodo de
tiempo será:
N1 = N0 + N0·TN - N0·TM (4.6)
N1 = N0 (1+ TN – TM) (4.7)

La acción conjunta de TN y TM determinan el incremento real de N0. La

diferencia entre TN y TM es la tasa intrínseca de crecimiento de una población,
cuyo valor máximo se denomina potencial biótico (r), el cual es característico
de cada especie:
r = TN – TM (4.8)
Teniendo en cuenta ambos factores, tenemos que el número de

individuos presentes en la población en la siguiente generación será:
N1 = N0·(1 + r) (4.9)
en la siguiente generación tendremos:
N2 = N1 (1 + r) = N0 (1 + r) (1 + r) = N0 (1 + r)2 (4.10)
Y generalizando:
Nt = N0 (1 + r) t (4.11)
Si TN > TM, significa que la natalidad supera a la mortalidad, r será

mayor que 0 y la población tiende a crecer. En estas condiciones y si no existen
limitaciones de otro tipo, la población crece de manera exponencial. El siguiente
ejemplo muestra este tipo de crecimiento partiendo de N0 = 6 y r = 0,1, o sea una
tasa del 10% (se ha elegido una tasa tan alta para mejorar la visualización de la
función; usando el simulador UNTSIM se pueden alterar los parámetros de
partida):
No=6;
r=0.1
t=0:1:10;
Nt = No*(1+r).^t
m=[t;Nt];
disp('***************************')
disp(' CRECIMIENTO EXPONENCIAL')
disp('---------------------------')
disp(' Año Población ')
disp('----- ---------- ')
fprintf(' %5.2f %7.5f\n',m)
disp('***************************')
plot(t,Nt)
xlabel ('Tiempo')
ylabel ('Población')
title('CRECIMIENTO EXPONENCIAL DE POBLACION')
grid on

CRECIMIENTO EXPONENCIAL DE POBLACION

16
15
14
13
12
Población
11
10
6
0 1 2 3 4 5 6 7 8 9 10
Tiempo
Figura. 4.3 Crecimiento exponencial de población
***************************
CRECIMIENTO EXPONENCIAL
---------------------------
Año Población
----- ----------
0.00 6.00000
1.00 6.60000
2.00 7.26000
3.00 7.98600
4.00 8.78460
5.00 9.66306
6.00 10.62937
7.00 11.69230
8.00 12.86153
9.00 14.14769
10.00 15.56245
***************************

El proceso descrito es determinístico, es decir, se asume que en un

instante dt, cada individuo produce la fracción rdt de nuevos individuos. (El
correspondiente modelo estocástico asume que en el intervalo dt un individuo
produce un descendiente con una probabilidad rdt, y hay una probabilidad 1– rdt
de no generar descendientes.)
Con este modelo puede estudiarse el comportamiento de una población
bajo los siguientes supuestos o restricciones:
1. El modelo considera sólo los nacimientos.
2. La tasa reproductiva es igual para cada individuo y constante durante
toda la edad reproductiva.
3. No hay interacción entre los individuos.
4. El espacio y los recursos que consumen los organismos son ilimitados.
Sin embargo, este tipo de crecimiento sólo es posible en circunstancias
muy específicas, por ejemplo cuando una especie coloniza un nuevo espacio y
no hay restricciones en los recursos ni competencia por ellos, tal como ocurre en
un cultivo bacteriano recién inoculado durante los primeros momentos de su
crecimiento. Algunas especies siguen este modelo de crecimiento siguiendo
ciclos de explosión demográfica seguidos por elevados índices de mortalidad,
por ejemplo al comienzo de la estación reproductora. Presentan curvas de
crecimiento en forma de dientes de sierra:
Figura. 4.4 Modelo de población con ciclos d explosión demográfica
Dinámica del crecimiento exponencial
Pare representar la dinámica del modelo de crecimiento exponencial se

requiere expresar el modelo mediante una ecuación diferencial. Para esto,
partiendo de la Ecuación. (4.6), el incremento en el número de individuos ∆N
para un periodo de tiempo ∆t, cuando ∆t→0 es:
dN/dt = (TN – TM )N (4.12)

Donde N representa el nivel poblacional en cada instante t, TN y TM

representan la natalidad y la mortalidad según las tasas porcentuales de natalidad
y mortalidad n y m respectivamente; ambas variables, TN y TM son variables de
flujo (representan el cambio en la población N por unidad de tiempo t). Las tasas
porcentuales de natalidad y mortalidad son parámetros que permanecen
constantes durante el período de análisis.
A continuación se ilustra la solución de una ecuación diferencial
(Ecuación. 4.12) usando el método de Euler. La solución de esta ecuación se
ilustra en la Figura 4.5.
% Aplicación del algoritmo de Euler

% (c) 2006 - L. Moncada
% 25 Mayo 2006
% Limpiamos la pantalla y variables almacenadas en la
memoria
clear, clf, hold off
% Valores iniciales
N=6; %Población inicial
pn=0.1 %Tasa porcentual de natalidad
pm=0 %Tasa porcentual de natalidad mortalidad
T= 10 %Tiempo de simulación
h= 1.0; %Tamaño de paso
NP=ceil(T/h); % número de pasos a tomar
t(1)=0; %Tiempo inicial

N(1)=N;
TN(1)=pn*N;% Natalidad
TM(1)=pm*N;% Mortalidad
% Bloque de iteración
for i=1:NP % Tomando NP pasos
t(i+1) = t(i) + h;
N(i+1)=N(i) + h*(TN(i)-TM(i));% Método de Euler
TN(i+1)=pn*N(i+1);
TM(i+1)=pm*N(i+1);
end
%salida de resultados
disp('***************************')
disp(' CRECIMIENTO EXPONENCIAL')
disp('---------------------------')
disp(' Año Población ')
disp('----- ---------- ')
fprintf(' %5.2f %7.5f\n',[t;N])
disp('***************************')
plot(t,N)
xlabel ('Tiempo')
title('CRECIMIENTO EXPONENCIAL DE POBLACION')
grid on

CRECIMIENTO EXPONENCIAL DE POBLACION

16
15
14
13
12
Población
11
10
6
0 1 2 3 4 5 6 7 8 9 10
Tiempo
Figura. 4.5 Crecimiento exponencial de Población
***************************
CRECIMIENTO EXPONENCIAL
---------------------------
Año Población
----- ----------
0.00 6.00000
1.00 6.60000
2.00 7.26000
3.00 7.98600
4.00 8.78460
5.00 9.66306
6.00 10.62937
7.00 11.69230
8.00 12.86153
9.00 14.14769
10.00 15.56245
***************************
Al potencial biótico, como capacidad de una especie para reproducirse

en condiciones ideales, se opone una serie de factores que, en conjunto,
constituyen la resistencia ambiental, la cual establece un límite al crecimiento

de las poblaciones. En especies con un comportamiento como el descrito estos

factores suelen ser independientes de la densidad de población, como
variaciones climáticas, en la cantidad de alimento disponible, etc.
4.2.3 Modelo de crecimiento logístico
Malthus, ya a fines del siglo XVIII, planteó el modelo de crecimiento

exponencial precedente y concluyó que, como la población aumentaba
geométricamente y los recursos sólo aritméticamente, había un límite natural al
crecimiento de la población (Malthus, 1798).
Medio siglo después, Darwin creó el concepto “Severe Struggle for
Existente” para explicar este fenómeno. Es decir, en condiciones ideales una
población debía crecer exponencialmente, pero la existencia de otras especies y
lo limitado de los recursos, generaba en ellas una severa competencia que llamó
“lucha por la existencia”.
No todas las especies estaban igualmente capacitadas, y creó el concepto de
aptitud de adaptación (“fitness”) para expresar la calidad de la relación entre
cada organismo y su ambiente (conjunto de todos los factores externos que
pueden influenciar a los organismos durante su vida). Esta medida de la calidad
de relación entre el organismo y su ambiente estaba determinada por factores
tales como: fertilidad, habilidad para conseguir alimento, habilidad para evitar
peligros, etc. Darwin, además postuló que estas características, ese “fitness”, era
hereditario, transmitiéndose a los descendientes, de generación en generación.
Luego, si los individuos de una población tienen más “fitness” que los
individuos de otra población, los primeros podrían aumentar su número más
rápidamente, teniendo una mejor oportunidad para sobrevivir y procrear
individuos como ellos; habría así una selección natural de los organismos.
La objeción a la ecuación de crecimiento exponencial es que, para r>0, la
población se incrementa explosivamente, mientras que si r < 0 la población
decrece hacia la extinción, fluctuando alrededor de un valor finito, si r = 0; pero
es evidente que nunca alcanza valores infinitos. Usualmente se denomina
resistencia ambiental al conjunto de factores ambientales que limitan el
crecimiento de una población (reducción en la tasa de natalidad, incremento en
la tasa de mortalidad). El tamaño máximo (expresado en individuos, biomasa,
energía, etc.) de una población permitido por un cierto ambiente se conoce como
capacidad de carga de ese ambiente. La capacidad de carga varía, no sólo en
función de las variables ambientales, sino también con relación a los atributos de
la población considerada.
Representando este tamaño máximo por K (corresponde a la N máxima
para un ambiente dado), se deduce el modelo logístico básico, en el que se
establece una tasa de crecimiento poblacional en función de la densidad de la
población, es decir:
F(N)= dN/dt = r(N)N (4.13)

Siendo:
r(N) = ro(1-N/K) (4.14)
Esto genera la ecuación logística, que se expresa como:
dN/dt = roN[1-(N/K)] (4.15)
La relación anterior puede descomponerse de la siguiente manera,
dN/dt = roN-(ro/K)N 2 = roN-bN 2 (4.16)
Como se observa, el lado derecho de la ecuación está formado por dos términos:
el primero, roN, que representa la tendencia de la población a crecer
exponencialmente a una tasa ro , y el término bN2, cuyo papel es reflejar la
reducción poblacional causada por conflictos entre individuos de la misma
especie (efecto competencia).
Cuando r se hace dependiente del tamaño de la población (y por tanto del
tiempo) su valor cambia con las fluctuaciones de la población. De manera que r
toma el valor r(t) en el intervalo (t ; t+dt) y esto define la ecuación logística.
dN/dt = (r-bN)N (4.17)
El razonamiento que sustenta esta ecuación es simple: la población se

incrementa, pero a medida que aumenta la densidad poblacional, disminuye la
tasa de crecimiento hasta detenerse al llegar a una densidad máxima definida.
Ahora, en el modelo logístico, la tasa de crecimiento exponencial r, ha sido
reemplazada por (r – bN), una función lineal de N, siendo b el parámetro que
expresa en qué grado la densidad poblacional hace disminuir la tasa de
crecimiento de la población. Cuando esta tasa de crecimiento se hace cero, la
población cesa de crecer y el tamaño N de la población representa la capacidad
de carga del ambiente (N = K).
El modelo logístico se basa en los siguientes supuestos:

1. La población tiene una estructura estable por edades.
2. La tasa de variación (dN/dt) decrece en una cantidad constante y en
forma instantánea.
3. El ambiente no se modifica y la capacidad de carga K es constante.
4. La congestión afecta igualmente a todos los individuos.
Este modelo de crecimiento puede plantearse de varias maneras:
1. Definiendo la ley logística de crecimiento, como se ve en la Figura. 4.6 .


K=100000; %Población máxima
r=0.03; %Tasa porcentual de crecimiento
T= 300; %Tiempo de simulación
h= 0.05; %Tamaño de paso
NP=ceil(T/h); % Número de pasos
t(1)=0;
N(1)=N;
CR(1)=r*N*(1-N/K);
for i=1:NP
t(i+1) = t(i) + h;
N(i+1)=N(i)+ h*CR(i);% Método de Euler
CR(i+1)=r*N(i+1)*(1-N(i+1)/K);
end
% Acomodamos la salida
figure
plot(t,N)
xlabel ('Tiempo')
title('CRECIMIENTO LOGISTICO DE POBLACION')
grid on
4 CRECIMIENTO LOGISTICO DE POBLACION

x 10
10
7 2
6
Población
2 1
0
0 50 100 150 200 250 300 350
Tiempo
Figura 4.6 Modelo de crecimiento logístico de población

La tasa de natalidad es primero muy elevada y luego va siendo menor

hasta igualarse a la de mortalidad cuando la población alcanza el límite de
carga. Por encima de éste, la tasa de mortalidad supera la de natalidad e
impide que la población crezca. Sin embargo, es frecuente que tras un
período de crecimiento rápido este ajuste tarde en ocurrir lo suficiente como
para que la población supere el nivel K momentáneamente, tras lo cual se
produce una elevada mortalidad y caída de la población. Puede ocurrir que el
valor de N oscile en torno a K hasta alcanzar el equilibrio.
El máximo crecimiento de la población y la máxima producción se
da mientras se mantiene la etapa de crecimiento exponencial, antes que los
factores dependientes de la densidad tomen importancia limitando el
crecimiento. En la siguiente figura, corresponde al segmento comprendido
entre los puntos 1 y 2.
La explotación de los ecosistemas por el hombre, ya hablemos de
agricultura, ganadería o pesca, consiste en extraer biomasa manteniendo el
ecosistema inmaduro, evitando que progrese la sucesión y el consumo
respiratorio suponga una menor producción neta. Desde el punto de vista de
la demografía se trataría de mantener la población en ese segmento 1-2 de
crecimiento exponencial, evitando que el aumento de la densidad haga
decrecer la producción. Pero la sobreexplotación significa extraer más
deprisa de lo que puede crecer la población, se reducirá su densidad a un
nivel inferior al de producción óptima (antes del punto 1 de la gráfica). El
buscar el máximo beneficio en el menor plazo posible puede conducir a
reducir los niveles de la población objeto de explotación por debajo de ese
umbral crítico que permita la recuperación de la misma.
2. Formulando relaciones empíricas, basadas en datos de poblaciones

específicas, en las que se definen las tasas de crecimiento o decrecimiento en
función de la densidad poblacional; por ejemplo, puede definirse la fracción
de mortalidad como una función directa del tamaño poblacional: m = f(N), f’
> 0; el punto en el cual la fracción de decrecimiento supera a la fracción de
crecimiento, se denomina punto de inflexión de la curva (punto en el que se
produce el máximo crecimiento neto); allí, el proceso de feedback positivo
asociado con el crecimiento de la población, comienza a perder su
dominancia, a favor del proceso de feedback negativo relacionado con el
decrecimiento poblacional; la población continúa creciendo, pero a una tasa
neta menor y cada vez más baja, hasta que se detiene en el estado
estacionario (punto en el que N=K).
3. Especificando relaciones causales entre la población y el sustrato alimenticio

(la tasa de crecimiento depende directamente de los recursos disponibles
para la población). Suponiendo que la tasa de reproducción r es proporcional
a la concentración de nutrientes o alimento C (unidades de nutriente) , r =
kC, y que el incremento de la población en una unidad requiere el consumo
de b unidades de nutriente, entonces el sistema población-nutriente puede
representarse por el siguiente par de ecuaciones:

Ecuación de la población:
dN/dt = rNt = kCNt (4.18)
Ecuación del nutriente:
dC/dt = -b(dN/dt) = -bkCNt (4.19)
donde:
N = unidades de población
C = unidades de nutriente
b = unidades de nutriente consumido /unidad de población incrementada
r = tasa de crecimiento

C=1000; %Concentración de nutriente
b=0.01; %Consumo de nutriente/unidad de población
incrementada
r=0.03; %Tasa de aumento porciento
T= 300; %Tiempo de simulacion
k=r/C;
h= 0.05;% Tamaño de paso
NP=ceil(T/h);
t(1)=0;
N(1)=N;
C(1)=C;
for i=1:NP
t(i+1) = t(i) + h;
N(i+1)=N(i) + h*k*C(i)*N(i);% Metodo de Euler
C(i+1)=C(i)-h*b*k*C(i)*N(i);
end
plot(t,N)
xlabel ('Tiempo')
title('CRECIMIENTO LOGISTICO DE POBLACION CON
NUTRIENTE')
grid on

4
x 10 CRECIMIENTO LOGISTICO DE POBLACION CON NUTRIENTE
10
6
Población
0
0 50 100 150 200 250 300 350
Tiempo
Figura. 4.7 Modelo de crecimiento logístico con nutriente
4.2.4 Modelo de crecimiento con interacción de especies
Los modelos poblacionales con interacción de especies que se consideran

en este texto son del tipo predador-presa; específicamente se analizan los
siguientes modelos:
a. Modelo general predador-presa.

Uno de los modelos más simples usados para investigar la dinámica de
población predador-presa es el modelo de Lotka-Volterra. Aún cuando no es
usualmente preciso para sistemas intrincados, es a menudo utilizado como una
base para modelar la mayoría de sistemas complejos. El modelo de Lotka-
Volterra es un sistema de dos ecuaciones diferenciales: una que describe la
población de presas y otra que describe la población del predador. Hay algunas
suposiciones críticas, principalmente son:
• La presa tiene recursos ilimitados.
• La única amenaza de la presa es el depredador.
• El depredador es un especialista; es decir, el único suministro de
comida del depredador es la presa.
• El crecimiento del depredador depende de la presa que atrapa.

Los supuestos para el modelamiento matemático son los siguientes:
1) La presa (Pres) crece sin límites, en ausencia de los predadores (P); si

Pred=0, entonces dPres/dt = aPres.
2) Los predadores mueren en ausencia de las presas; si Pres=0, entonces

dPred/dt = 0.
3) La natalidad de los predadores está directamente relacionada con el

consumo de las presas b(Pred*Pres) .
4) El consumo de presas por parte de los predadores es proporcional al

número de contactos entre las dos poblaciones –b(Pred*Pres).
Sobre la base de estos supuestos se construye el modelo básico predador-

presa, el cual consta de dos ecuaciones diferenciales:
dPres/dt = aPres – b(Pred*Pres) (4.20)
dPred/dt = – c Pred + d (Pred*Pres) (4.21)
Donde:
a = tasa de crecimiento de la presa
b = eficiencia de habilidad del depredador para capturar presa
c = la tasa de mortalidad del depredador
d = la tasa de crecimiento del depredador
Estas ecuaciones representan el cambio en las poblaciones de predador y

presa a medida que pasa el tiempo. Notar que dPres/ dt tiene un término Pred, y
por otro lado, dPred /dt tiene un término Pres. Esto se debe a que las dos
poblaciones están interconectadas; el tamaño de una población tiene un efecto
sobre el tamaño de la otra población.
La cantidad Pres*Pred indica la cantidad de dos organismos encontrados
uno al otro. Cuando cualquiera de las poblaciones es baja, la velocidad de
encuentro es baja. Cuando las poblaciones son altas, también la velocidad de
encuentro es alta.
% pp_animado.m modelo animado de población Predador-Presa

% (c) 2006 - L. Moncada
% 25 Mayo 2006
clf
% establecer ejes para facilitar la animación
cla; % limpiar ejes
axHndl=gca; % manipular ejes
set(axHndl, ...
'Drawmode','fast', ...

'Visible','on', ...
'NextPlot','add');
grid on % adicionar malla a ejes
drawPres = line( ... % como dibujar Presa

'color','b', ...
'linestyle','-', ...
'erase','none', ...
'xdata',[],'ydata',[]);
drawPred = line( ... % como dibujar

Depredador
'color','r', ...
'erase','none', ...
% Programa usando método de Euler-------------------------
Pres=50; %Población inicial de Presas

Pred=5; %Población inicial de Predadores
a=0.04; % Tasa de crecimiento de la presa
b=0.001;% Eficiencia del depredador para capturar presa
c=0.3; %Tasa de mortalidad del depredador
d=0.001; %Tasa de crecimiento del depredador (fracción)
NP=ceil(T/h);
t=(0:h:T);
axis([0 T -1 600]);
x=zeros(size(t)); % guardar población de predaores
y=zeros(size(t)); % guardar población de presas
Pred(1)=Pred;
Pres(1)=Pres;
for i=1:NP
Pres(i+1)=Pres(i)+ h*(a*Pres(i)-b*Pres(i)*Pred(i));
Pred(i+1)=Pred(i)+ h*(-c*Pred(i)+d*Pres(i)*Pred(i));
set(drawPres,'xdata',[t(i),t(i+1)],'ydata',[Pres(i),Pres(i+1)]);
drawnow;
set(drawPred,'xdata',[t(i),t(i+1)],'ydata',[Pred(i),Pred(i+1)]);
drawnow;
end
plot(t,Pres,'b')
plot(t,Pred,'r')
xlabel ('Tiempo')
title('MODELO DEPREDADOR-PRESA')
legend('Presa','Depredador')

MODELO DEPREDADOR-PRESA
1200
Presa
Depredador
1000
800
Población
600
400
200
0
0 50 100 150 200 250 300 350
Tiempo
Figura. 4.8 Modelo predador - presa
Análisis en el plano de fase

Ahora podemos hacer un análisis en el plano de fase, para lo cual damos
la orden:
>> plot(Pres,Pred)
O usando el simulador UNTSIM, el cual nos da la siguiente GUI

Figura 4.9: Ingreso del modelo depredador - presa
Al graficar se obtiene:
Figura 4.10: Análisis en el plano de fase para el modelo Depredador - Presa

Como se puede ver en la Figura 4.10., hay órbitas cerradas rodeando el

punto crítico (a/b, c/d ) (40, 300) que implica que las soluciones son periódicas
con el tiempo y que el máximo de cada población es interactuando el uno del
otro. Hay un punto de silla en (0, 0) que representa la ausencia de ambas
poblaciones. El punto de silla muestra que si hay la presa y no hay ninguno de
los depredadores la presa crecerá (ver el sentido de las flechas en el eje x). Por
otro lado, si hay depredadores y ninguna presa para comer, entonces se
extinguirán por la ausencia de comida (ver el sentido de las flechas en el eje y),
lo cuál es obvio en la vida real.
b. Modelo predador-presa con crecimiento logístico: Uno de los problemas

con el modelo de Lotka-Volterra inicialmente propuesto, ecuaciones (4.20 ) y
(4.21) es el hecho de que a falta de depredadores, la presa crecerá
continuamente. Éste no es el caso ya que mientras la presa continúa creciendo, el
espacio y los recursos se acabarán eventualmente, limitando por consiguiente el
crecimiento de la población de presas. Para manipular este caso, el sistema
depredador-presa puede ser modificado a:
dPres/d t = a (1–Pres/K) Pres – b(Pres*Pred) (4.22)
dPred/d t = – c Pred + d (Pred*Pres) (4.23)
donde K es la máxima cantidad de presas que puede existir en el modelo. Por lo

tanto si K = 5, entonces si una pequeña cantidad de presas fuesen adicionadas a
un sistema sin depredadores la presa podría crecer hasta 5 a medida que t→∞
en oposición al crecimiento de l numero de presas hasta ∞ cuando t→∞.
Analizando la ecuación (4.22), si la población de presas es mayor que la
capacidad de acarreo, el término (1 – Pres/K) será negativo asegurando que la
población de presas disminuirá.
% pp_animado2.m modelo animado de población Predador-Presa

clf
% establecer ejes para facilitar la animación
cla; % limpiar ejes
axHndl=gca; % manipular ejes
set(axHndl, ...
'Drawmode','fast', ...
'Visible','on', ...
'NextPlot','add');
grid on % adicionar malla a ejes
drawPres = line( ... % como dibujar Presa

'color','b', ...
'erase','none', ...

drawPred = line( ... % como dibujar Depredador

'color','r', ...
'erase','none', ...
% Programa usando método de Euler------------------------

Pres=50; %Población inicial de Presas
Pred=5; %Población inicial de Predadores
K=500; % Población máxima de Presa
a=0.04; % Tasa de crecimiento de la presa
b=0.001;% Eficiencia del depredador para capturar presa
c=0.3; %Tasa de mortalidad del depredador
d=0.001; %Tasa de crecimiento del depredador (fracción)
NP=ceil(T/h);
t=(0:h:T);
axis([0 T -1 600]);
x=zeros(size(t)); % guardar población de predaores
y=zeros(size(t)); % guardar población de presas
Pred(1)=Pred;
Pres(1)=Pres;
for i=1:NP
Pres(i+1)=Pres(i)+ h*(a*(1-Pres(i)/K)*Pres(i)-b*Pres(i)*Pred(i));
Pred(i+1)=Pred(i)+ h*(-c*Pred(i)+d*Pres(i)*Pred(i));
set(drawPres,'xdata',[t(i),t(i+1)],'ydata',[Pres(i),Pres(i+1)]);
drawnow;
set(drawPred,'xdata',[t(i),t(i+1)],'ydata',[Pred(i),Pred(i+1)]);
drawnow;
end
plot(t,Pres,'b')
plot(t,Pred,'r')
xlabel ('Tiempo')
title('MODELO DEPREDADOR-PRESA')
legend('Presa','Depredador')

MODELO DEPREDADOR-PRESA
600
Presa
Depredador
500
400
Población
300
200
100
0
0 50 100 150 200 250 300 350 400 450 500
Tiempo
Figura. 4.11 Modelo predador – presa con crecimiento logístico de presa
En la Figura. 4.11 se muestra el diagrama correspondiente a este modelo: se

tienen dos variables de nivel, (población presa (Pres) y predador (Pred)), con
sus correspondientes flujos de natalidad y mortalidad. La interacción de las dos
especies, produce un comportamiento oscilatorio convergente debido al
crecimiento logístico de la población Presa.
Análisis en el Plano de fase: Ahora, examinando la figura (4.13), hay un punto

silla en (K; 0), mostrando que si cualquier solución se inicia con más de K
presas, entonces estas irán rápidamente a la región < K. También, ahora en lugar
de ser un punto en espiral, hay un punto estable al que se acercan todas las
soluciones a medida que t→∞.

Figura 4.12 Modelo depredador presa con crecimiento logístico
Figura 4.13 Solución del modelo depredador presa con crecimiento logístico

Hay 3 puntos críticos en el sistema. Uno es (0; 0) el cual es la ausencia

de ambas especies. El segundo punto crítico, (K; 0), representa la situación
donde la presa ha cumplido su capacidad d acarreo en ausencia del depredador.
El punto crítico final es
c a c 
 ; 1 −   , el cual es el estado de coexistencia donde ambas especies no
 d b  dK  
son cero. Los primeros dos puntos críticos son puntos silla inestables y el punto
de coexistencia crítica es un punto crítico estable al cual se aproxima a medida
que t→∞ .
c 0 .3
x(+∞) = = = 300
d 0.001
a c  0.04  0 .3 
y (+∞) = 1 − = 1 −  =16
b  dK  0.001  0.001 × 500 
4.3 CONTAMINACIÓN DE UN LAGO

Este ejemplo es acerca del uso de ecuaciones diferenciales para modelar
contaminación en un lago debido al vertido de contaminantes.
Modelar contaminación de un lago puede ser complicado, porque hay
muchos factores diferentes que pueden ser tomados en consideración. Usaremos
un modelo simplificado, y consideraremos sólo a unos cuantos factores básicos,
que describimos a continuación.
4.3.1 Modeamiento del Sistema

Q, Cin Q, C(t)
k(t)
C(t), V
Figura 4.14. Lago como un modelo de flujo bien mezclado
Donde:
Q : Flujo volumétrico a través del lago
V : Volumen del lago

k (t ) : Coeficiente de velocidad de reacción del contaminante

C (t ) : Concentración del contaminante tanto dentro como en la salida del
lago
Cin(t ) : Concentración del contaminante entrando al lago
Aplicando el balance de masa de un contaminante al estado no

estacionario, se tiene:
Acumulación = Entrada – Salida – Desaparición por reacción
dC (t )
V = Q ⋅ C in (t ) − Q ⋅ C (t ) − k (t ) ⋅ C (t ) ⋅ V (4.24)
dt
La Ecuación. (4.24) es el modelo matemático para la concentración de

contaminación en un lago. El volumen V de agua en el lago - se asume - a ser
constante. El contaminante es llevado al lago por un flujo entrante de agua a una
tasa Q (volumen por unidad de tiempo) y con una concentración Cin (masa por
unidad de volumen). Hay un flujo de salida correspondiente a una tasa Q desde
el lago, y esta salida tiene la misma concentración C de contaminante que en el
lago (como es el caso para un lago de mezcla completa). C y Cin dependerán del
tiempo. Tenemos en cuenta una reacción química, con constante de velocidad k,
en la cual el contaminante en el lago se descompone en otras sustancias que no
son de ninguna preocupación.
Aquí hay algunos escenarios para lo que ocurre en el lago,
conjuntamente con las elecciones que deberemos hacer para simular cada
escenario. Seleccionamos "No Reacción [k(t ) = 0] " si la reacción de
descomposición es insignificante, y escogemos "Constante de velocidad de
reacción de Primer Orden [k(t ) =k, para la constante k]" si se tienen
cualesquiera de los dos casos en las simulaciones.
4.3.2 Modelamiento del sistema con SIMULINK
SIMULINK es un entorno gráfico para usar con MATLAB en modelado,

simulación y análisis de sistemas dinámicos. Simulink puede simular cualquier
sistema que pueda ser definido por ecuaciones diferenciales continuas y
ecuaciones diferenciales discretas. Esto significa que se puede modelar sistemas
continuos en el tiempo, discretos en el tiempo o sistemas híbridos.
dC (t ) Q Q
= ⋅ C in (t ) − ⋅ C (t ) − k (t ) ⋅ C (t ) (4.25)
dt V V

Q : Flujo volumétrico a través del lago: 10

V : Volumen del lago : 898,800 gal
k (t ) : Coeficiente de velocidad de reacción del contaminante
C (t ) : Concentración del contaminante tanto dentro como en la salida del
lago
Cin(t ) : Concentración del contaminante entrando al lago 1.0
Figura. 4.15 Modelo en SIMULINK de la Ecuación. 4.25
4.3.3 Caso 1: Vertido instantáneo de contaminantes
Un pescador participaba de su actividad favorita (la pesca, por supuesto!

) en su lugar favorito el lago local, donde la única corriente de salida va a un río.
Desafortunadamente, se quedo sin combustible y cuando llevaba el
combustible de repuesto para su motor fuera de borda, tropezó y dejó caer el
tanque por la borda. Como consecuencia, 10 galones de gasolina casi
instantáneamente fueron distribuidos en el lago que contiene 898,800 galones y
del cual salen 89,880 galones /día de agua pura hacia un río.
Cuando el pescador contactó las autoridades apropiadas, y cuando las
autoridades desconectan el flujo de salida del lago, han pasado cuatro días. Por
lo que las autoridades están preocupadas por la cantidad de gasolina que ha
salido del lago y cortaron el flujo de salida del lago mientras se toman las
acciones respectivas. Si se escaparón 1 000 000 mg o más de gasolina, entonces
la concentración en la corriente saliente será demasiado alta para los estándares
aceptables y medidas muy costosas tendrán que ser tomadas para limpiar la
corriente. Si escapó menos de eso, entonces sólo tienen que preocuparse por
limpiar el lago.

¿Cuánto de gasolina todavía se queda en el lago, y hará que la corriente

saliente tenga que ser remediada?
Solución
Para encontrar la respuesta, primero deberíamos decidirnos cómo
debemos modelar la entrada (el derramamiento de gasolina). Si lo modelamos
como
• Un Impulso,
• Un escalón
• O una función sinusoidal
La solución correcta en este caso es la función de impulso, ya que toda

la gasolina entra en el reservorio al mismo tiempo. En muchas aplicaciones,
puede ser más difícil decidir cuál modelo usar, pero en este caso debería ser
claro que un modelo de impulso es más conveniente.
También necesitamos decidir qué clase de reacción ocurre. (En este
ejemplo, consideramos solamente k = 0). Suponemos que la gasolina no
reacciona con el agua, sedimento o microorganismos en el
Tiempo final (tf). Una cantidad que necesitamos conocer es el tiempo final tf.
En el enunciado del problema, se dice que 10 galones fueron derramados en el
tiempo t = 0 (para nuestro propósito). También sabemos que las autoridades
fueron avisadas 4 días después para tomar las acciones respectivas, por lo que:
Tiempo final tf = 4 días
El caudal (Q). Otra cantidad que necesitamos saber es la tasa de flujo, Q. Esto
no fue dado en el enunciado del problema, pero podemos pretender que tal
información estaría disponible. Supongamos que encontramos que a la hora que
el flujo fue recortado, el lago tenía una de salida de 89,880 galones /día.
Si queremos mantener las unidades en términos de días y pies, cual
deberá ser el caudal en términos de miles de pies3/día ? (Use: 1 pie3 = 7.49
galones.)
Solamente necesitamos convertir el caudal dado de 89 880 galones por
día en miles de pies3/día. Por lo tanto:
89880 gal 1 pie 3 gal

× = 12000
día 7.49 gal día
Caudal en miles de pies3/día=12
Volumen del lago. Si el lago tiene 898 000 galones, el volumen en miles de
pies3 será:

1 pie 3
898000 galones × = 120000 pies 3
7.49 galones
Volumen en miles de pies3 = 120
Concentración inicial. Finalmente necesitamos conocer la concentración inicial

de gasolina en el lago.
Si suponemos que la mezcla fue instantánea y completa, podemos
encontrar la concentración inicial dividiendo la cantidad de gasolina derramada
por el volumen del lago.
Sin embargo, queremos saber cuanto de masa ha escapado, no la
concentración que permanece. El modelo calcula la concentración final dada la
concentración inicial. Si queremos saber cuánto de masa ha escapado,
necesitaremos multiplicar la concentración final por el volumen total del lago en
razón a calcular cuanto de masa de contaminante permanece.
Datos:
Densidad de la gasolina: 800,000 mg/litro
Litros en un galón: 3.79 litros/galón
Volumen de agua en el lago: 898,800 galones
Volumen de gasolina derramada: 10 galones
Usando esta información, calculamos la concentración inicial de gasolina

en el lago en mg/litro, de la manera siguiente:
(800 000 mg/litro)x(37.9 litrs/galón) = 30 320 000 mg de gasolina

derramada.
(898 800 galones de agua)x(3.79 litros/galon) = 3 406 572 litros de agua
Luego:
(30 320 000 mg de gasolina)/( 3 406 572 litros de agua) = 8.9
C(0) = 8.9 mg/litro
Efectuando la simulación. Los parámetros para la simulación son:
Tiempo final (tf): 4 días

Volumen (V): 120 miles de ft3
Concentración Inicial (C0): 8.9 mg/litro
Caudal (Q): 12 miles de ft3/día

Al efectuar la simulación se tiene la respuesta dad en la Figura (4.13):
Figura 4.16. Solución del modelo SIMULINK
De la Figura 4.16, vemos que la concentración al cabo de 4 días es

alrededor de 5.97 mg/litro.
Para calcular la cantidad de gasolina que permanece en el lago hacemos
los siguientes cálculos:
Volumen del lago en litros:

(898 800 galones)(3.79 litros/galón) = 3 406 452 litros
Cantidad de gasolina que permanece en el lago:

(5,97 mg/litro) (3 406 452 litros = 20 340 000 mg.
La cantidad inicial fue 10 galones o 37,9 litros
La cantidad derramada fue de 30 320 000 mg.
Por lo que la cantidad de gasolina que ha salido del lago es:

30 320 000 - 20 340 000 = 9 980 000 mg.
Se han escapado más de lo aceptable, por lo que debe proceder la limpieza.

Uso de UNTSIM
El simulador UNTSIM, posee una interfaz gráfica para resolver un

sistema de hasta 10 ecuaciones diferenciales ordinarias lineales y no lineales.
Para esto, ingresamos al Menú principal – Otros cálculos – Cálculos

matemáticos-Integración – de EDO´s – GUI para sistema de EDO’s
Ingresamos la Ecuación. (4.25)
Figura. 4.17 Interfaz del simulador UNTSIM
Al hacer clic en Resolver y graficar se tiene la siguiente Figura:

Figura. 4.18 Solución de la Ecuación 4.25
Y la tabla con los valores calculados

x y(1)
0.0000000e+000 8.9000000e+000
2.0000000e-001 8.7237682e+000
4.0000000e-001 8.5510260e+000
6.0000000e-001 8.3817043e+000
8.0000000e-001 8.2157355e+000
1.0000000e+000 8.0530530e+000
1.2000000e+000 7.8935919e+000
1.4000000e+000 7.7372883e+000
1.6000000e+000 7.5840797e+000
1.8000000e+000 7.4339049e+000
2.0000000e+000 7.2867037e+000
2.2000000e+000 7.1424173e+000
2.4000000e+000 7.0009880e+000
2.6000000e+000 6.8623591e+000
2.8000000e+000 6.7264753e+000
3.0000000e+000 6.5932822e+000
3.2000000e+000 6.4627264e+000
3.4000000e+000 6.3347559e+000
3.6000000e+000 6.2093193e+000
3.8000000e+000 6.0863665e+000
4.0000000e+000 5.9658484e+000

4.3.4. Caso2: Vertido continuo de contaminantes
Considerar un lago que contiene V litros de agua el cual está a %

contaminado. Una alcantarilla se vacía en el lago a una tasa de S litros al día. El
agua en la alcantarilla esta b% contaminado. Un río también se vacía en el lago
en una tasa de R litros al día. El agua en el río está c % contaminado. El lago
drena por otro río a razón de S +R litros al día lo cual hace que el volumen del
lago permanezca constante, es decir, el volumen del lago está en estado
estacionario. El problema luego es determinar el nivel de contaminación del
medio ambiente en el lago después un año (o algún otro período de tiempo, por
decir n días).
Los datos de muestra son: V = 1 000 000 000, a = 0.1, S = 30000, b =
10,
R = 70 000, c = 0.5, n = 365.
Análisis
Para cualquier día dado
La contaminación inicial en el lago es (a / 100) V, litros
La contaminación que entra en el lago desde de la alcantarilla es (b / 100) S,
litros
La contaminación que entra en el lago desde el primer río es (c / 100)R litros
Así, la contaminación total que desemboca en el lago es (bS + cR) /100.
La contaminación actual así se convierte en (aV + bS + cR) /100.
La contaminación que drena del lago en el segundo río equivale a la
contaminación actual del lago.
Modelamiento Matemático:
Ahora, tenemos dos corrientes de estrada y una corriente de salida, por lo que la
Ec. (4.25) se escribe como:
dC S R (S + R)
= ⋅ C alc + ⋅ C rio − C (4.26)
dt V V V
V : Volumen del lago : 1 000 000 000 litros

S : Caudal de entrada de la alcantarilla: 30 000 litros/día
R : Caudal de entrada del primer río: 70 000 litros/día
a : Porcentaje de contaminantes del lago : 0.1
b : Porcentaje de contaminantes en la alcantarilla : 10
c Porcentaje de contaminantes en el río : 0.5

Solución del modelo

Usando el simulador UNTSIM, se tiene la siguiente gráfica:
Figura. 14.19. Solución de la Ecuación (4.26)
Del archivo de datos se observa que al cabo de 365 días, la

contaminación en el lago alcanza 0.216 por ciento
Preguntas:
a. A que función corresponde el modelo de entrada de contaminantes?
b. se mantienen los mismos parámetros. Cuál será la contaminación
máxima que se alcanzará en el lago?
c. En que tiempo se alcanzará esta concentración máxima?
d. Hacer un programa para una solución determinista usando el algoritmo
dado a continuación, y comparar las respuestas encontradas

Algoritmo (pseudo-código)
(El símbolo compuesto := es usado para indicar "es asignado".)
1. entrada V, a, S, b, R, c, n
2. cont := a*V/100
3. contEntra := (b*S + c*R)/100
4. for i:1 to n
cont := cont + contEntra
contSale := (S+R)* cont /V
pollution := cont - contSale
Porcientocont := cont *100/V
4.4 MODELOS PARA LA SIMULACIÓN DE UNIDADES DE

PROCESO
4.4.1 Tanque dinámico

Uno de los principales problemas de contaminación en la industria se
debe a los derrames de líquidos. Estos derrames pueden deberse a fallas en el
sistema de control de nivel, rotura de las paredes del tanque o sobrepasar la
capacidad del tanque.
Al diseñar un tanque y no se tiene un sistema de control de nivel, se debe
determinar cuanto mas de flujo por encima de la capacidad actual puede soportar
el tanque antes de que se presente un derrame.
Considerando el tanque mostrado en la Figura. 4.20
Fo (t)
ρo (t)
V(t) F(t)
ρ(t) ρ(t)
Figura. 4-20 Tanque perfectamente mezclado
Balance de materiales:
F0 ρo – F ρ = velocidad de cambio de ρV =d(ρV)/dt
d ( ρV )
= F0 ρo - F ρ (4.27)
dt

dh
at =Fo - F (4.28)
dt
dh Fo F
= − (4.29)
dt at at
Balance de Momentum
La segunda Ley de movimiento de Newton dice que la fuerza es igual al

producto de la masa por la aceleración para un sistema de masa constante M.
Ma
F= (4.30)
gc
donde F = fuerza, N (lbf)
m = masa, Kg. (lbm)
gc = constante de conversión necesaria cuando se usan unidades Inglesas
de ingeniería, para mantener consistencia en las unidades = 32,2 lbm
pie/lbf seg2
Esta es la relación básica, la cual es usada para la ecuación de movimiento

para un sistema. En una forma más general, donde la masa puede variar con el
tiempo,
1 d ( Mvi ) N
= ∑ F ji (4.31)
gc dt j =1
donde vi = velocidad en la dirección i, m/s (pies/s)

Fji = j-ésima fuerza actuando en la dirección i
Asumiendo condiciones de flujo en pistón y de liquido incompresible, y
por lo tanto todo el liquido se está moviendo a la misma velocidad, mas o menos
similar a una varilla sólida. Si el flujo es turbulento esta no es una mala
asunción.
M = Ap L ρ (4.32)
F
v=
Ap
La dirección de interés en este problema es la horizontal, ya que se asume

que la tubería es horizontal. La fuerza actuando sobre el líquido en el extremo
izquierdo de la tubería es la fuerza de presión hidráulica del liquido en el tanque

g
Fuerza hidráulica = Ap ρ h (4.33)
gc
Las unidades de esta fuerza son N (lbf)

La única fuerza actuando en dirección opuesta, de derecha a izquierda y
oponiéndose al flujo es la fuerza de fricción debido a la viscosidad del liquido.
Si el flujo es turbulento, la fuerza de fricción será proporcional al cuadrado de la
velocidad y la longitud de la tubería.
Fuerza de fricción = KF L v2 (4.34)

Reemplazando esta fuerza en la Ecuación. 4.29, tenemos
1 d ( AP L ρ v ) g
= AP ρ h – KF L v2 (4.35)
gc dt gc
dv g K g
= h – F C v2 (4.36)
dt L ρAP
El signo de la fuerza de fricción es negativo debido a que actúa en la

dirección opuesta al flujo. Hemos definido de izquierda a derecha la dirección
positiva.
Las Ecuaciones. 4.33 y 4.36 representan el modelo matemático para el
tanque al ENE.
Al Estado Estacionario
g K g
0= h – F c v2 (4.37)
L ρAP
La Ecuación. (4.33) es una ecuación algebraica lineal simple la cual

podemos usar para determinar la velocidad de salida (v) en función del nivel de
líquido en el tanque (h), para lo cual hacemos la Ecuación. (4.33) explicita en v,
obteniendo:
 gρA p 
0.5
v =  h  (4.38)
K g
 F c L 
Con las Ecuaciones. (4.33) y (4.37) podemos evaluar las condiciones de

operación al estado estacionario.
% derrame.m Programa para simular un tanque dinámico

% (c) 2006 - L. Moncada
% 25 Mayo 2006
ht= input('Altura del tanque (pies): ');

dta=input('Diámetro del tanque (pies): ');

ro= input ('Densidad del liquido (lb/pie^3): ');
dt=input ('Diámetro de la tubería de salida (pies): ');
L=input('Longitud de la tubería de salida (pies): ');
g=32.1; % pies*seg^2
kf=0.0281; % Constante para fricción
gc=32.1; % pies*seg^2
ap=(pi*dt^2)/4; % área secc transversal del tubo: pies^2
at=(pi*dta^2)/4;% área secc transversal del tanque:pies^2
h = (0:1:ht)';
v = sqrt(ro*ap*h/(kf*L));
q = v*ap;
disp('**********************************************')
disp('1. OPERACION AL ESTADO ESTACIONARIO')
disp('**********************************************')
disp(' Nivel Velocidad Caudal')
disp(' (pies) pies/s pies^3/min')
disp([h,v,q])
disp('**********************************************')
disp('Verificar cuanto soporta de aumento en caudal de entrada ')
ho=input('Nivel actual operando el tanque(pies): ');%4.7
if ho>ht
disp('Nivel de liquido no puede ser mayor que altura de tanque')
else
end
vi = sqrt(ro*ap*ho/(kf*L));
qi = vi*ap;
disp('**********************************************')
disp('2. PARA ESTE NIVEL LAS CONDICIONES SON')
disp('**********************************************')
disp(' Nivel Velocidad Caudal de entrada = salida')
disp(' (pies) pies/s pies^3/min')
disp([ho,vi,qi])
fv=input('Aumento del caudal de entrada(fracción): ');
T= input('Tiempo de simulacion: ');
NP=ceil(T/h);
fo=vi*ap+vi*ap*fv;
t(1)=0;
vel(1)=vi;
niv(1)=ho;
for i=1:NP
t(i+1) = t(i) + h;
vel(i+1)=vel(i)+ h*(g*niv(i)/L-(kf*gc*(vel(i))^2)/(ro*ap));
niv(i+1)=niv(i)+ h*(fo/at-vel(i)*ap/at);
end
tt=0:T/50:T;
figure
plot(t,niv,tt,ht,'r*')
xlabel ('Tiempo')
ylabel ('Nivel')

title('NIVEL DE LIQUIDO EN UN TANQUE')

legend('Nivel de liquido','Altura del Tanque')
grid on
Al correr el programa se tiene:
>> derrame
Altura del tanque (pies): 7
Diametro del tanque (pies): 12
Densidad del liquido (lb/pie^3): 62.4
Diametro de la tuberia de salida (pies): 3
Longitud de la tuberia de salida (pies): 3000
**********************************************
1. OPERACION AL ESTADO ESTACIONARIO
**********************************************
Nivel Velocidad Caudal
(pies) pies/s pies^3/min
0 0 0
1.0000 2.2874 16.1688
2.0000 3.2349 22.8661
3.0000 3.9619 28.0051
4.0000 4.5748 32.3375
5.0000 5.1148 36.1545
6.0000 5.6030 39.6052
7.0000 6.0519 42.7786
**********************************************
Verificar cuanto soporta de aumento en el caudal de entrada
Nivel al que está operando el tanque(pies): 5
**********************************************
2. PARA ESTE NIVEL LAS CONDICIONES SON
**********************************************
Nivel Velocidad Caudal de entrada = salida
(pies) pies/s pies^3/min
5.0000 5.1148 36.1545
Aumento(escalón) en el caudal de entrada (fracción): 0.2

Tiempo de simulación: 500
**********************************************
Obteniéndose la gráfica dada en la Figura. 4.21

NIVEL DE LIQUIDO EN UN TANQUE

8.5
Nivel de liquido
Altura del Tanque
8
7.5
7
Nivel
6.5
5.5
5
0 100 200 300 400 500 600
Tiempo
Figura. 4.21 Simulación de un tanque dinámico para un aumento en el caudal

de entrada
Comentarios:
Del resultado de la simulación se observa lo siguiente:
1. Cuando el tanque opera al estado estacionario con un caudal de entrada
de 36.1545 pies3/min, el tanque alcanza un nivel de 5 pies.
2. Si partiendo de estas condiciones de operación, se eleva repentinamente
el caudal en 20% (36.1545*0.2 = 7.2309 pies3/min), el nivel de liquido
sobrepasa el nivel del tanque produciéndose por lo tanto un derrame de
liquido.
4.4.2 Tratamiento de efluentes
Una fábrica en construcción quiere descargar agua contaminada en un

río. El límite legal para la concentración de contaminante entrando en el río es
5x10-4 g/m3. Este límite plantea un problema para el gerente técnico de la
compañía Mr. Mamani, porque se sabe que la fábrica producirá una
concentración de descarga variando entre 10-3 y 10-2 g/m3 (siempre por encima
del límite legal). El asesor de la compañía Mr. Quispe, aconseja que un sistema

biológico de tratamiento usando un tanque de mezcla completa de volumen 104

m3 reducirá la concentración de contaminante a un nivel aceptable.
MAMANI no confía en QUISPE, por lo que pregunta al experto de
investigación y desarrollo de la compañía, Mr. SILVA, a contestar a las
siguientes preguntas:
a) el esquema propuesto siempre surtirá efecto?
b) puede ser un sistema más realista usando dos tanques más pequeños?
El modelo de un tanque discutido en la lectura conduce al sistema de ecuaciones
diferenciales:
dC
= Q (C f − C ) / V − R1 BC (4.39)
dt
dB
= B ( R2 C − D − Q / V ) (4.40)
dt
Donde
Cf = concentración de contaminante procedente de la fábrica: g/m3
(10-3 < Cf < 10 -2)
B = concentraciones de microorganismos biológicos en el tanque en el
tiempo t horas: g/m3
Q = caudal entrando y saliendo del tanque: 10 m3/hora
V = volumen del tanque: 104 m3
R1 = 0.1 m3/g.h
R2 = 1.2625 m3/g.h
D = 10-5
(R1, R2 y D son estimaciones empíricas de las constantes de velocidad
para digestión del contaminante, crecimiento del organismo y
mortalidad natural del organismo respectivamente)
Cleg = límite legal: 5x10-4 g/m3
Cf
Q
C, B
C, B Q
Figura. 4.22 Esquema del tanque de tratamiento biológico
Solución
a) Verificar que las dimensiones de las ecuaciones diferenciales sean correctas

b) Mostrar que en el estado estacionario donde dC/dt = dB/dt = 0 son posibles

dos soluciones (Cs, Bs)
(i) Cs = Cf y Bs = 0 esto corresponde a una completa evacuación (lavado)
del microorganismo desde el tanque
(ii) Cs = (D + Q/V)/R2 y Bs = Q(Cf – Cs)/(VCsR1)
Por lo que Cs < Cleg
c) Notar que el valor al estado estacionario Cs = (D + Q/V)/R2 es

independiente de la concentración de contaminante desde la fábrica. Sin
embargo un salto (elevación) de Cf producirá una elevación transitoria con
C(t) > Cleg. En el largo plazo por supuesto que el sistema regresaría a Cs =
(D + Q/V)/R2
Hacer V un parámetro de entrada.

Asumir que los valores iniciales de C y B están dados por sus valores
al estado estacionario para el caso Cf = 10-3. Notar que los valores iniciales
dependen del volumen V, así es que deberían calcularse en el programa
usando las fórmulas para Cs y Bs, usando el valor de 10-3 para Cf.
Considerar el caso extremo donde a t=0, la concentración de
contaminante desde la fabrica cambia a Cf =10-2 , y es mantenido
indefinidamente en este valor.
Debido a ste cambio, es de esperarse que la concentración de
contaminante en el tanque C(t) y la concentración de microorganismos B(t)
se elevarán en respuesta a este cambio en la salida de la fábrica, después
caerán a un nuevo estado estacionario.
Para investigar este estado transitorio escribimos un programa

MATLAB
% Programa minres.m para determinar concentración

% de contaminantes en un tanque de tratamiento
clear all
V=10e04;
Q=10;
D=10e-05;
R1= 0.1;
R2=1.2625;
Cmin=10e-02;
h= 1;% Tamaño de paso
NP=ceil(T/h);
Cs=(D+Q/V)/R2
Bs=Q*(10e-03 - Cs )/(V * Cs * R1 )
t(1)=0;
C(1)=Cs;
B(1)=Bs;

for i=1:NP
t(i+1) = t(i) + h;
C(i+1)=C(i) + h*(((Cmin-C(i))*Q/V)-R1*B(i)*C(i));
B(i+1)=B(i) + h*(B(i)*(R2*C(i)-D-Q/V));
end
plot(t,C)
xlabel ('Tiempo')
ylabel ('Concentración de Contaminante')
title('CONCENTRACION DE CONTAMINANTE VS. TIEMPO')
grid on
figure
plot(t,B)
xlabel ('Tiempo')
ylabel ('Contaminante más microorganimos')
title('CONCENTRACION TOTAL EN EL TANQUE')
grid on
La respuesta del programa es:
>> minres
Cs = 1.5842e-004 <-- Concentración de contaminante
en el tanque el EE
Bs = 0.0621 <-- Concentración de microorganismos
en el tanque el EE
-3
x 10 CONCENTRACION DE CONTAMINANTE VS. TIEMPO
1.4
1.2
Contaminante en el tanque: g/m3
0.8
0.6
0.4
0.2
0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
Tiempo: horas
Figura 4.23 Concentración de contaminante

CONCENTRACION DE MICROORGANISMOS EN EL TANQUE

0.7
0.6
Microorganimos en el tanque: g/m3
0.5
0.4
0.3
0.2
0.1
0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
Tiempo: horas
Figura. 4.24 Concentración de microorganismos
Con un tanque de 104 m3, la concentración máxima de contaminante

es 1.2x10-3 g/m3, la cual es mucho mayor que el límite legal permitido Cleg
= 5x10-4 g/m3.
Simular C(t) y B(t) para diferentes volúmenes de tanque V>Vmin ,
determinar la concentración máxima alcanzada y evaluar cual volumen es el
adecuado.
c) Un solo tanque de tratamiento de los contaminantes dados anteriormente es

definitivamente inadecuado. Mr. SILVA por lo tanto propone construir un
sistema de dos tanques como muestra la Figura 4.21:
Cf
Q
V1 Q V2
C 1 ,, B1 C 2 , B2 C2, B2
Q
Figura. 4.25 Planta de tratamiento con dos tanques

Donde Cj y Bj son las concentraciones de contaminante y

microorganismos y Vi es el volumen en el tanque j (j = 1; 2). Q = 10 m3/hora
es el flujo entrando y saliendo de cada tanque Cf es la concentración de
entrada de contaminante saliendo de la fábrica.
Usar los mismos valores dados anteriormente para R1, R2, etc
Las Ecuaciones diferenciales para C1, B1, C2, y B2 bajo la sunción de
mezcla completa son:
dC1
= Q (C f − C1 ) / V1 − R1 B1C1 (4.41)
dt
dB1
= B1 ( R2 C1 − D − Q / V1 ) (4.42)
dt
dC 2
= Q (C1 − C 2 ) / V 2 − R1 B2 C 2 (4.43)
dt
dB2
= B 2 ( R 2 C 2 − D − Q / V2 ) (4.44)
dt
(i) Suponer V1 = 10000 y que las concentraciones iniciales son:

C1(0) = C2(0) = 0.0, B1(0) = B2(0) = 0.005. Notar que C2(0) está
por debajo del límite legal Cleg = 0.0005.
Escribir un programa en MATLAB que simule C1(t), B1(t), C2(t)

y B2(t) con Cf = 0:001 para diferentes valores de entrada de V2 y
C1(0), C2(0), B1(0) y B2(0).
La salida C1(t), B1(t), C2(t), B2(t) y Cleg para un periodo de tiempo

de hasta 50 000 horas
Confirme que los valores al estado estacionario (es decir los
valores independientes del tiempo) para el caso donde V1 =
V2 = 10000, son C1 = 0.00080, C2 = 0.00049, B1 = 0.0025 y B2
= 0.0064.
Variando B1(0) y B2(0) muestre que este resultado al estado

estacionario es independiente de la concentración inicial de
microorganismo. Sin embargo el caso donde la concentración
inicial de microorganismo es cero es diferente. Explicar que pasa
en este caso especial.
(ii) Ahora podemos ocuparnos del caso donde el nivel de salida de

contaminación de la fábrica es aumentado de Cf = 0.001 a Cf =
0.01. Veremos el comportamiento transitorio para el caso Cf =

0.01 con resultados de salida sobre un tiempo total de 5000

horas. Use un cálculo de prueba y error para estimar el valor
mínimo de V2, de tal manera que C2 < 2xCleg para cualquier t.
Simular el sistema para esta elección de V2.
Por simplicidad asuma que las condiciones iniciales para
este caso son las dadas como la salida de la parte c(i) anterior, es
decir V1 = 10000, C1(0) = 0.00080, C2(0) = 0.00049, B1(0) =
0.0025 y B2(0) = 0.0064, aún cuando en la práctica desde luego
estos valores cambiarán con diferente V2.
4.4.3 Reactor “batch” para minimización de residuos
Una planta química de manufactura tiene pensado en una modificación del

producto que resultará en un cambio en el carácter de los residuos. De
significancia es la anticipada presencia de fenol, un producto químico orgánico
que no ha sido tratado por las facilidades de tratamiento de residuos de la
compañía. Consecuentemente, la habilidad de las facilidades existentes para
“tratar” fenol está en cuestión. En razón a predecir el desempeño del reactor
existente, es necesaria información de cinética y dispersión.
Los datos cinéticos de reacción han sido recolectados la destrucción
química de fenol a través de experimentos en un reactor batch (Tabla 4.1).
Tabla 4.1. Datos cinéticos de Reactor Batch.

Tiempo Fenol
(min.) (mg/L)
0 100
10 55
20 22
30 8
40 5
60 0.82
80 0.15
El flujo del residuo que contiene fenol es proyectado para ser 0.45 MGD
con una anticipada concentración de fenol de 95 mg/L. El reactor (un proceso
químico de oxidación) tiene un volumen total de líquido de 25,000 gal. (L = 35
ft., W = 12 ft., H = 8 ft.). Un análisis de dispersión del reactor ha sido realizado
inyectando un impulso de material poco reactivo en la corriente de alimentación
al reactor. La tasa de flujo fue monitoreada durante el estudio de dispersión y se
determinó a ser 0.45 MGD. Los datos del trazador en el reactor son presentados
en la (Tabla 4.2).
El límite permitido de descarga de fenol ha sido determinado en 0.1 mg/L
por la junta reguladora estatal. Estime la concentración de fenol en efluente

basado en la información disponible. Determine qué podría hacerse para

alcanzar el límite de descarga. Se podría mantener el reactor existente debido a
las razones económicas obvias. Sin embargo, cualquier opción de diseño
razonable puede considerarse. Justifique su recomendación final del diseño.
Muestre todos los cálculos en una forma clara y sucinta. Declare todas las
suposiciones que usted hace en el proceso del diseño. Deberá asumir que la
relación cinética (Tabla 4.1) es fija y no puede ser alterada. Esto es, los datos
cinéticos de la reacción representa condiciones óptimas.
Tabla 4.2. Datos de dispersión del reactor de escala de laboratorio.

t Conc.
(min.) (mg/L)
0 0
44.75 0.23
46 0.32
49.62 0.36
48 0.82
48.5 1.24
49 2.15
49.33 2.61
50 2.98
50.75 2.93
51.67 2.98
52.75 2.89
54 2.84
56 2.89
58 2.84
60 2.52
62 2.52
64 1.92
66 1.79
68 1.6
70 1.33
75 1.28
79 1.14
83 1.1
98 0.41
113 0.39
128 0.27
Solución
La solución se basa en la utilización de la información cinética (Tabla 4.1)
y la información de dispersión (Tabla 4.2) para estimar el desempeño del reactor

actual y para desarrollar alternativas para mejorar el proceso de tratamiento. El

acercamiento a la solución es presentado a continuación.
1. Determinar orden y velocidad de reacción

2. Determinar la varianza normalizada ( σ θ2 = σ 2 / tbar 2 )
3. Determinar el número (N) de CSTR’s en serie que simule la dispersión
calculada (σ θ2 = 1 / N )
4. Determinar la concentración actual del efluente del reactor
5. Desarrollar modificaciones alternativas de diseño del reactor.
a. Constante de velocidad y Orden de reacción. La constante de velocidad y

el orden son determinados usando los datos dados en la Tabla 4.1 del enunciado
del problema. La expresión general de velocidad (Ecuación. 4.35) es aplicada en
el análisis del proceso.
dC
= − kC n (4.45)
dt
donde
k = constante de velocidad de reacción
n = orden de reacción
Después de asumir un orden de reacción, la Ecuación 4.45 es integrada y

algebraicamente manipulada de tal manera que se desarrolla una relación general
dada por una línea recta (Ecuación. 4.46).
y = mx + b (4.46)
Por ejemplo, si asumimos n = 0, se aplica la siguiente solución
dC
= − kC 0 = −k
dt
dC = − kdt
Ct t
∫C0
dC = − k ∫ dt
0
C t − C 0 = − kt
C t = − kt + C 0 (4.47)
La Ecuación (4.47) es la relación de una línea recta e indica que si los

datos de rección son verdaderamente de orden cero, una gráfica de Ct vs. T

deberá resultar en una línea recta. Sin embargo, si los datos no corresponden a
una línea recta, debe asumirse otro orden y repetir los cálculos.
Por ejemplo, asumiendo n = 1, se tiene la siguiente solución a la ecuación:
dC
= − kC
dt
dC
= − kdt
C
Ct dC t
∫C0 C
= − k ∫ dt
0
ln C t − ln C 0 = − kt
ln C t = −kt + ln C 0
Uso de UNTSIM
Para determinar el orden de velocidad, usamos el simulador UNTSI, para lo cual
ingresamos al Menú principal – Cálculos de Ingeniería química – Sistema de
reacción – Datos de velocidad – Concentración versus tiempo
Copyright 2005 UNT

MSc. Luis Moncada
All rights reserved
29-May-2006
ANALISIS DE DATOS DE VELOCIDAD PARA REACCIONES EN
FUNCION DE CONCENTRACIONES VERSUS EL TIEMPO
****************************************************
La reacción es:
1. aA-------> Productos
2. A + bB ------>Productos
Tipo de reacción: 1
Ingrese los tiempos y concentraciones entre corchetes
de la forma [t1 t2 t3 ...]
Tiempo en minutos: [0 10 20 30 40 60 80]
Usar concentraciones (0) o Conversión (1): 0
Concentraciones de A [ ]: [100 55 22 8 5 0.82 0.15]
Método Integral (1) Método Diferencial (2): 1
----------------------------------------
METODO INTEGRAL
----------------------------------------
1. CASO DE PRIMER ORDEN

Coeficiente de velocidad: k = 0.0819281

La varianza es
0.9972
2. CASO DE SEGUNDO ORDEN

Coeficiente de velocidad k = 0.0702712
La varianza es
-2.5561
>>
El resultado de efectuar estos cálculos sobre los datos cinéticos dados en la

Tabla 4.1 son mostrados en la Figura. 4.26:
REACCION DE PRIMER ORDEN

5
2
ln CA
-1
-2
0 10 20 30 40 50 60 70 80
tiempo, min
Figura 4.26 ln(C) vs. tiempo para los datos dados en la Tabla 4.1.
Los datos en la Figura. 4.26 indican que para la asunción de primer orden
(n = 1) ln(C) vs t caen en una linea recta. La velocidad de reacción es por lo
tanto de primer orden contendiente igual a k = 0.08 min-1.
b. Determinación de la Dispersión del Reactor. Ahora conocemos que la

destrucción del fenol es de primer orden. El siguiente paso es utilizar los datos

del trazador en el reactor para determinar el actual HRT y el número de CSTR

en serie que simula la dispersión del reactor. Como los datos del trazador en el
reactor son obtenidos en incrementos desiguales de tiempo, las siguientes
ecuaciones tienen aplicación.
σ2 =
∑ t C ∆t i
2
i i
−t
2
(4.48)
∑ C ∆t i i
t=
∑ t C ∆ti i i
(4.49)
∑ C ∆t i i
σ2
σ θ2 = 2
(4.50)
t
Resolviendo las Ecuaciones. (4.48) y (4.50) se obtienen los siguientes valores:

t = 74.9 min
σ2 = 657.92
σ θ2 = 0.117
N = 8.52 ≈ 9
La siguiente ecuación es luego usada para efectuar la simulación mostrada

en la Figura. 4.27.
( Nt / t R ) N −1 − Nt / t R
C n = C0 e (4.51)
( N − 1)!
Aunque no es absolutamente necesario para graficar la simulación, ofrece

una manera de comprobación para ver qué tan adecuadamente la simulación
hace juego con los datos reales y es altamente recomendable

Figura 4.27. La posición de (t) y CSTR en serie, simulación basada en

incrementos iguales de tiempo y corresponden a la aplicación de
las ecuaciones 4.48 y 4.49.
Predicción de Ce para el reactor actual. Hasta aca esta todo bien, pero, ahora
qué que hacemos para determinar la concentración efluente para nuestro reactor
de escala?. Aplicamos la ecuación 4.52, la expresión para predecir desarrollada a
partir de un balance de masa alrededor de una serie de N CSTR’s de igual
volumen.
Ci
Ce = (4.52)
(1 + kVi / Q) N
95mg / L
Ce = 9
 23,406 gal / 9 
1 + 0.082 min −1 
 312.5 gpm 
95mg / L 95mg / L
Ce = =
(1 + 0.682) 9
108.7
Ce = 0.88 mg/L
Deberá notarse que el valor para V/Q, está basado en el volumen efectivo
(Veff), donde
Veff = θeff Q (4.53)

y
θeff = t
o
Veff = 74.9 min x (312.5 gpm) = 23406 gal
Alternativas del reactor. Basado en la concentración de descarga calculada (Ce)

de 0.88 mg/L, el reactor existente no alcanza los criterios estatales de 0.1 mg/L.
Las siguientes modificaciones alternativas del reactor se consideran aquí. No
incluyen todas las alternativas posibles, sólo dos representativas.
1. Adicionar un reactor en el efluente para el reactor existente.
2. Adicionar un reactor en paralelo igual al reactor existente.
Otra alternativa atractiva sería ir aguas arriba y ver si el residuo de fenol

podría ser minimizado (reducir el flujo y/o la concentración). Esta aproximación
siempre debería ser considerada como es a menudo más costoso y efectivo para
minimizar el contaminante en la fuente.
Para determinar el volumen requerido del reactor para cada alternativa,
debe hacerse una suposición relacionando las características de dispersión del
reactor nuevo. Éste es un resultado del impacto obvio de N, así definida por la
dispersión del reactor, sobre los requerimientos de volumen del reactor (ver
ecuación 4.52). La selección de N finalmente debería ser comprobada para su
validez antes de seguir con la implementación a escala total. Las características
de dispersión del reactor podrían ser comprobadas en el sistema existente sobre
un rango de flujos para probar la suposición en caso de la alternativa 2. Las
características de dispersión del reactor nuevo estaban especificadas en el diseño
y el logro del nivel deseado de dispersión se basaría en experiencia con
configuraciones diferentes del reactor.
Representaciones esquemáticas simplificadas de las dos alternativas son
mostradas en la Figura. 4.28.
Tanque actual Nuevo Tanque
Q1
Tanque actual
Q
Q2
Nuevo Tanque
Figura 4.28. Representaciones esquemáticas de las dos alternativas de

configuración del reactor.

El requerimiento de volumen de reactor en cada una de las dos

alternativas, puede determinarse usando la Ecuación. 4.52 en combinación con
las asunciones de dispersión. Las asunciones de diseño aplicadas aquí son:
• N = 9 para el tanque existente y nuevo

• La concentración de descarga para los propósitos del diseño es 0.07 mg/L.
Esto resulta en un coeficiente de seguridad que es incorporado en los
cálculos de volumen.
Diseño de reactores en serie. La manipulación de la Ecuación. 4.52 da como

resultado la Ecuación. 4.54
Q  C 
1/ N

Vi =  i  − 1
k  C e  

(4.54)
312.5 gpm  0.88mg / L 1 / 9 
Vi =   − 1
0.082 min −1  0.07mg / L  
Vi = 3811 gal [1.325 – 1]
Vi = 1238 gal
V = NVi
V = (9)1238 = 11,141 gal
Diseño de reactor en paralelo. La determinación del volumen mínimo

requerido para el reactor nuevo a ser colocado en paralelo requiere la
determinación del flujo necesario en el reactor existente para alcanzar una Ce de
0.07 mg/L. Este flujo (Q1) es usado para definir el flujo (Q2) al nuevo reactor
mediante un balance de materiales (flujo).
−1
 C 
1/ N

Q1 = KVi  i  − 1 = 169 gpm
 C e  
−1
23406 gal  95mg / L  
1/ 9
−1
Q1 = 0.082 min   − 1
9  0.07 mg / L  
-1
Q1 = 213.3[2.23 – 1]
Q1 = 173.4 gpm

Q2 = Q – Q1 = 312.5 – 173.4 = 139 gpm
El volumen del nuevo tanque es entonces calculado usando la Ecuación.

4.54
Q  C 
1/ N

Vi =  i  − 1 (4.54)
k  C e  

139 gpm  95mg / L  
1/ 9
Vi =    − 1
0.082 min −1  0.07mg / L  
Vi = 1695 gal [2.23 – 1]
Vi = 2083 gal
V = NVi
V = (9)2083 = 18,745 gal
El nuevo tanque para la opción de tanques en serie es aproximadamente

40 % más pequeño que el arreglo de tanque en paralelo. La adición de un tanque
a la descarga del tanque existente podría ser por lo tanto considerada.
4.5 MODELAMIENTO USANDO ECUACIONES DE

DIFERENCIA
4.5.1 Contaminación de un río
Considere un río que ha sido contaminado río arriba. La concentración

(cantidad por el volumen) decaerá y se dispersará corriente abajo. Nos gustaría
predecir en cualquier punto con el tiempo y el espacio la concentración del
contaminante. El modelo de la concentración tendrá la forma y(t+∆t) = Ay(t) +
b. La contaminación del medio ambiente en corrientes, lagos y acuíferos
clandestinos se ha convertido en una preocupación muy común y seria. Es
importante para poder entender las repercusiones de posible contaminación del
medio ambiente y poder hacer predicciones precisas concerniente a los
"derramamientos" y la política "ambiental" futura.
Quizá, el modelo más simple para contaminante químico se basa en
descomposición química, y un modelo el es similar a descomposición radiactiva.
Un modelo continuo es ut = - du donde d es la velocidad de descomposición
química. Una versión discreta es uk +1= uk + ∆t (- d ) uk, y para la estabilidad esto
requiere 1 – ∆t d > 0.

Aquí introduciremos un segundo modelo donde el contaminante cambia

de posición porque está en una corriente. Asumimos que la concentración
dependerá de ambos espacio y tiempo. La variable espacio sólo estará en una
dirección, lo cual corresponde a la dirección de flujo en la corriente. Si el
contaminante estuviera en un lago profundo, entonces el espacio debería tener
las tres direcciones.
Modelo. Discretizando tanto el espacio y el tiempo, e igualando la
concentración a u(i∆x, k∆t) será aproximado por uik donde ∆t = T/maxk, ∆x=L/n
y L es la longitud de la corriente. El modelo tendrá la forma general:
cambio en cantidad ≈ (cantidad entrando río arriba) - (cantidad saliendo rió

abajo) - (cantidad descomponiéndose en un intervalo de tiempo).
Esto es bosquejado en la figura debajo dónde el paso de tiempo no ha

sido indicado
Volumen entrando = A*vel*∆t
A
vel > 0
x – ∆x x
Figura. 4.29 Corriente contaminada
Asumiendo que la corriente está moviéndose de izquierda a derecha de

tal manera que la velocidad es positiva, vel > 0. Haciendo A como el área de
sección transversal de la corriente.
La cantidad entrando en el lado izquierdo del volumen A ∆x (vel > 0) es
A ∆t vel ui-1k
La cantidad saliendo en el lado derecho del volumen A ∆x (vel > 0) es
-A ∆t vel uik
Luego, el cambio en la cantidad a partir de la velocidad de la corriente es
A ∆t vel ui-1k -A ∆t vel uik
La cantidad de contaminante en el volumen A ∆x en el tiempo k∆t es
A ∆x uik

La cantidad de contaminante que se está descomponiendo, (dec es la

velocidad de descomposición) es
A ∆x ∆t dec uik
El cambio durante el intervalo de tiempo en la cantidad de contaminante

en el pequeño volumen A ∆x:
A ∆x uik+1 - A ∆x uik = A ∆t vel ui-1k - A ∆t vel uik - A ∆x ∆t dec uik
Ahora, dividiendo por A ∆x y resolviendo explícitamente para uik+1
Modelo Explicito de Diferencia Finita del flujo y descomposición de un

contaminante
uik+1 = vel (∆t/∆x)ui-1k + (1- vel (∆t/∆x) - ∆t dec) uik (4.55)
donde:
i = 1, …, n-1
k = 0, …, maxk-1
ui0 = dado para i = 1, …, n-1 (4.56)
uik = dado para i = 1, …, maxk (4.57)
La ecuación (4.56) es la concentración inicial, y (4.57) es la

concentración lejos río arriba.
La ecuación (4.55) puede ser colocada en la versión matricial del método
de diferencias finitas de primer orden. Por ejemplo, si la corriente es dividida en
cuatro partes iguales, entonces n = 4 y la ecuación(4.55) puede ser escrita ya sea
como tres ecuaciones escalares, o una ecuación vectorial de 3D:
Forma Escalar:
u1k+1 = vel (∆t/∆x)u0k + (1- vel (∆t/∆x) - ∆t dec) u1k
Foma Vectorial
u1k+1 = A uk + b
u1k+1 c u1 k duok
u2k+1 = d c u2 k + 0 (4.58)
u2k+1 d c u3 k 0

donde
d = vel (∆t/∆x) y c = 1 – d – dec ∆t
Una restricción sumamente importante en el paso de tiempo obliga a

asegurar la estabilidad del algoritmo. Por ejemplo, considerar el caso n = 2
donde lo antedicho es una ecuación escalar, y tenemos el modelo de diferencia
finita de primer orden más simple. Aquí a =1 – vel (∆t/∆x) – dec ∆t. Si a =1 –
vel (∆t/∆x) – dec ∆t > 0 y vel, dec > 0, por lo que esta condición simple
implicará que los productos de la matriz Ak convergen a la matriz cero. Esto
asegura que no haya inestabilidad.
Condición de estabilidad para la ecuación (4.55)
a =1 – vel (∆t/∆x) – dec ∆t y vel, dec > 0
En el caso donde dec = 0, entonces a =1 – vel (∆t/∆x) > 0 de manera que

el fluido que entra no debe viajar más que un paso en el espacio.
Método. En razón a computar todos los uik+1, lo cual de ahora en adelante se

denotara por u(i,k+1), debemos usar un lazo anidado donde el lazo i (espacio)
está adentro y el lazo k (tiempo) es el lazo exterior. En este modelo de flujo
u(i,k+1) depende directamente de dos valores previamente calculados u(i-1,k) y
u(i,k).
Implementación. Usamos un código Matlab para el modelo explicito de flujo y

la descomposición de una corriente contaminada. La primera gráfica es la
concentración versus el tiempo y el espacio. Aquí la concentración inicial fue
una función trigonométrica río arriba y cero corriente abajo. La posición más
lejana río arriba siempre tuvo concentración de cero. Se espera que la posición
de la concentración máxima vaya aguas abajo y decaiga.
Código MATLAB flujo1.m

% Flujo en una corriente
clear;
% Longitud de la corriente
L = 1.0;
% Duración de Tiempo
T = 20.;
K = 200;
dt = T/K;
n = 10.;
dx = L/n;
vel = .1;
decay = .1;
% Concentración Inicial

for i = 1:n+1
x(i) =(i-1)*dx;
u(i,1) =(i<=(n/2+1))*sin(pi*x(i)*2)+(i>(n/2+1))*0;
end
% Concentración Río arriba
for k=1:K+1
time(k) = (k-1)*dt;
u(1,k) = -sin(pi*vel*0)+.2;
end
% Lazo de Tiempo
for k=1:K
% Lazo de Espacio
for i=2:n+1;
u(i,k+1) =(1 - vel*dt/dx -decay*dt)*u(i,k) +
vel*dt/dx*u(i-1,k);
end
end
mesh(x,time,u')
xlabel('longitud')
ylabel('tiempo')
zlabel('concentración')
Figura: 4.30 Concentración como función de (t, x)
La segunda gráfica es una gráfica de contorno de la concentración en el

tiempo versus el espacio. Aquí uno puede ver regiones del espacio que tienen
concentración del contaminante entre ciertos niveles.

>>contour(x,time,u')
20
18
16
14
12
tiempo
10
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
longitud
Figura 4.31 Contornos de concentración
La siguiente archivo.m Matlab produce un marco el cual no requiere un

gran trato de memoria. Este código genera gráficas de la concentración versus
espacio para una secuencia tiempos. En el modelo de contaminación del medio
ambiente muestra el contaminante moviéndose a lo largo de corriente y
descomponiéndose.
flujo1;
lim =[0 11 0 1];
for k=1:5:150
plot(u(:,k))
axis(lim);
k = waitforbuttonpress;
end
Otra forma para mirar la salida es coleccionando graficas de

concentración versus el tiempo donde uno puede observar la concentración
elevada moviéndose corriente abajo.
>> plot(x,u(:,1),x,u(:,10),x,u(:,20),x,u(:,30),x,u(:,40),x,u(:,50))

0.9
0.8
0.7
0.6
concentración
0.5
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
tiempo
Figura 4.32 Concentraciones para incremento de tiempo
En el siguiente cálculo hacemos vel = 1.3, y esta, con las demas

constantes iguales, viola la condición de estabilidad. Para el paso de tiempo 1/10
y una velocidad de flujo igual a 1., hace que el nivel de contaminante sea 1.3/10
unidades en el espacio lo cual es mayor a un paso de espacio.

Figura 4.33 : Cálculo inestable con vel ∆t > ∆x
Discusión. El modelo discreto es preciso para adecuados tamaños de pasos

pequeños.
A ∆x uik+1 - A ∆x uik = A ∆t vel ui-1k - A ∆t vel uik - A ∆x ∆t dec uik.
Dividiendo por A∆x ∆t
(uik+1- uik)/∆t = vel (ui-1k - uik)/ ∆x - dec uik
Aproximando a derivadas parciales de primer orden
ut(i∆x, k∆t + ∆t/2) = -vel ux(i∆x - ∆x/2, k∆t) - dec u(i∆x, k∆t).
La dispersión de contaminante es un proceso continuo, el cual podría ser

modelado por una ecuación diferencial parcial y condiciones iniciales y de
contorno:
ut = -vel ux - dec u,
u(x, 0) = dado
u(0, t) = dado

Este es análogo al modelo discreto por las ecuaciones (4.55), (4.56) y

(4.57). En todos estos modelos, el tamaño de paso debe ser cuidadosamente
seleccionado.
A menudo es dificultoso determinar el valor exacto de las constantes vel
y dec. Exactamente cuál es el efecto que tiene los errores de medida, por decir de
10 %, sobre constante vel, dec o las condiciones inicial y límite? ¿Cual es la
interacción es de los errores de medida con los errores numéricos? La tasa de
flujo, vel, ciertamente no es siempre constante. Además, puede haber flujo de
fluido en más de una dirección.
4.5.2 Contaminación en un lago

En el caso anterior un contaminante fue modelado como este fue
dispersado bajo una corriente poco profunda. En este caso la concentración fue
una función del tiempo y solo una variable de espacio, x. Si el contaminante
fuese dispersado en un lago poco profundo, entonces la concentración sería una
función de la posición en la superficie del lago, y así, la concentración sería una
función de tiempo y dos variables de espacio, x e y.
Modelo. Fijando u(x,y,t) como la concentración de un contaminante. Suponer
que este se está descomponiendo a una velocidad igual a dec unidades por
tiempo, y está siendo dispersado a otra parte del lago por un viento conocido con
vector de velocidad constante igual a (v1, v2).
Lago
Superficie de
contaminante Velocidad
del viento
∆x
V1 ∆y
V2
Figura 4.34 Esquema del lago

Siguiendo las derivaciones en el caso previo, pero ahora considerando

ambas direcciones, obtenemos el modelo continuo y discreto. Hemos asumido
que ambos componentes de la velocidad son no negativos a fin de que las
concentraciones en los lados laterales contrarios al viento (el oeste y el sur)
deben ser dadas. La cantidad entrando a la cara izquierda de la región
rectangular es dada por
(T ∆y) (v1 ∆t) ui-1,jk
donde T es la profundidad, el volumen entrando es is (T ∆y) (v1 ∆t), y la

concentración es ui-1,jk. El cambio total en la cantidad dentro de esta región
rectangular sobre un intervalo de tiempo ∆t es:
(T ∆x ∆y) (ui,jk+1 – ui,jk) = (T ∆y) (v1 ∆t) ui-1,jk - (T ∆y) (v1 ∆t) ui,jk
+ (T ∆x) (v2 ∆t) ui,j-1k - (T ∆x) (v2 ∆t) ui,jk
∆t dec (T ∆x ∆y) ui,jk (4.59)
En la ecuación diferencial parcial en el modelo continuo 2D los términos

-v2 uy modelan la cantidad de contaminante entrando y saliendo por el tope y el
fondo de la región rectangular
Modelo continuo 2Dpara el contaminante.

ut = - v1 ux - v2 uy - dec u, (1.1)
u(x,y,0) = dado (1.2)
u(x,y,t) = dado en el límite contrario al viento del lago. (1.3)
Modelo explicito en diferencia finita 2D para el contaminante

ui,jk+1 = v1 (∆t/∆x) ui-1,jk + v2 (∆t/∆y) ui,j-1k +
(1 - v1 (∆t/∆x) - v2 (∆t/∆y) - ∆t dec)ui,jk (2.1)
ui,j0 = dado (2.2)
u0j y ui0 = dados (2.3)
Condición de Estabilidad.
1 - v1 (∆t/∆x) - v2 (∆t/∆y) - ∆t dec > 0.

Metodo. Para ejecutar el modelo discreto, debe haber tres bucles anidados. El
lazo exterior debe ser el lazo de tiempo (usar k), y los dos lazos interiores son
para la cuadrícula del espacio (usando i y j). La orden i (la dirección x) y la j (la
dirección y) no son importantes siempre que ambos esten dentro de la k (lazo de
tiempo).
Implementación. El siguiente código Matlab simula un derramamiento grande

de un contaminante a lo largo del límite sudoeste de un lago. La fuente del
derramamiento se controla después de que 25 pasos de tiempo a fin de que la
"nube" de contaminante que se mueve a través del lago sea bosquejado por la
gráfica de contorno diferentes tiempos. El de código Matlab flujo2 genera el
arreglo 3D de las concentraciones, y el código Matlab en mov2d.m genera una
secuencia de gráficas de contorno.
% Modelo de flujo 2D en el archivo flujo2d.m

clear;
L = 1.0;
W = 4.0;
T = 10.;
K = 200;
dt = T/K;
n = 10.;
dx = L/n;
m = 20.;
dy = W/m;
velx = .1;
vely = .4;
decay = .1;
for i = 1:n+1
x(i) =(i-1)*dx;
for j = 1:m+1
y(j) =(j-1)*dy;
u(i,j,1) = 0.;
end
end
for k=1:K+1
time(k) = (k-1)*dt;
for j=1:m+1
u(1,j,k) = .0;
end
for i=1:n+1
u(i,1,k)=(i<=(n/2+1))*(k<26)*5.0*sin(pi*x(i)*2)+...
(i>(n/2+1))*.1;
end
end
for k=1:K
for i=2:n+1;
for j=2:m+1;

u(i,j,k+1) =(1 - velx*dt/dx -vely*dt/dy-...

decay*dt)*u(i,j,k)+velx*dt/dx*u(i-...
1,j,k)+vely*dt/dy*u(i,j-1,k);
end
end
end
mesh(x,y,u(:,:,K)')
% Codigo en mov2d.m
flujo2;
lim =[0 1 0 4];
for k=1:5:200
contour(x,y,u(:,:,k)')
title('Concentración versus espacio a diferentes
tiempos')
grid on
axis(lim);
k = waitforbuttonpress;
end
Concentración versus espacio a diferentes tiempos

4
3.5
2.5
1.5
0.5
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Figura 4.35 Simulación de la contaminación de un lago

Al hacer clic sobre la Figura 4.36, se desplaza la mancha de contaminante

Concentración versus espacio a diferentes tiempos
4
3.5
2.5
1.5
0.5
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Figura 4.36 Concentración de contaminante versus tiempo

Comentario. Aquí hemos asumido que el único mecanismo para transferencia
de contaminante es vía el movimiento del agua en el lago. Las partículas también
pueden moverse en una manera similar como el flujo de calor moviéndose de
regiones de concentraciones altas para las regiones de concentraciones
inferiores. La contaminación del medio ambiente de agua subterránea es otro
modelo relacionado. Aquí la velocidad del flujo será proporcional a la gradiente
de la presión, así como la tasa de flujo de calor es proporcional a la gradiente de
temperatura. Debido a que la constante de proporcionalidad depende del terreno
subterráneo, esta no puede ser explícitamente conocida o considerarse constante!
Problemas
1. Se desea determinar cuanto tiempo pasará para que los niveles de

contaminación en un lago caigan al 5 % del nivel medido cuando los
controles de contaminación entraron en afecto.
Suponga que 1000 toneladas del contaminante están en el lago
cuando se inician los controles.

Los controles recientes han reducido la concentración de

contaminante en el caudal de entrada a 0.01 toneladas de contaminante por
cada km3 de agua de entrada
Datos:
V : Volumen del lago : 2900 km3

Q : Caudal de entrada al lago: 15 km3/año
mi : cantidad inicial de contaminante en el lago: 1000 toneladas
Cin : Concentración de contaminante en la corriente de entrada : 0.01
ton/km3
2. El lago del ejemplo anterior es el lago Superior del conjunto de lagos

mostrado en la Figura.
Lago Volumen: Flujo de entrada

km3 km3/año
1: Superior 2900 15
2: Michigan 1180 38
3: Huton 850 15
4: Erie 116 17
5: Ontario 393 14

Flujo entre Flujo

lagos km3/año
1-3 15
2-3 38
3-4 15
4-5 17
5-6 14
a. Si el lago Michigan (2) no tiene problemas de contaminación. Cual será

la concentración de contaminantes en los lagos Huton, Erie y Ontario
antes de iniciar el control.
b. Al iniciar el control de la contaminación. Cual será la mínima

concentración de contaminantes en los lagos Huton, Erie y Notario que
se alcanzará y cuanto tiempo tardará en alcanzar esta concentración.
c. Repetir los pasos a y b si inicialmente existen en el lago Michigan (2),

500 toneladas de contaminante y también al igual que en el lago
Superior, los controles reducen la concentración de contaminante en el
caudal de entrada a 0.01 toneladas de contaminante por cada 1 000 000
m3 de agua de entrada
3. La temperatura en un cuarto se asume a ser gobernada por la Ley de

enfriamiento de Newton, es decir:
dθ
= −k (θ − θ m (t ))
dt
Donde θ es la temperatura en el cuarto, k es una constante de

proporcionalidad positiva y θm(t) la temperatura externa, (dada en ºC) por
θ m (t ) = 20 + 5e −t sen t
a) Determine la solución al estado estacionario para este problema, es decir,

encuentre la temperatura en el cuarto después de un periodo de tiempo
largo.
b) Si la temperatura del cuarto es 30 ºC y la temperatura externa es ahora

dada (en grados) por:
θ m (t ) = 20 + 5 sen t

Provea un boceto de la temperatura externa y (en los mismos ejes) una

gráfica aproximada del comportamiento de θ (la temperatura en el cuarto).
Discuta las principales características de la gráfica para θ.
4. Considerar una extensión del modelo en el problema anterior para incluir un

acondicionador de aire, donde la ecuación de la temperatura ahora es:
dθ
= −k (θ − θ m ) − k a (θ − θ a )
dt
Aquí ka = 0,1 es una constante de proporcionalidad asociada con el
acondicionador de aire, k = 0.03 y θa es la temperatura del medio de
enfriamiento del acondicionador de aire (5 ºC). Asumir que la temperatura
externa es fijada a 35 ºC. La temperatura inicial en el cuarto es 20 ºC.
a) Con ka dada como cero, encuentre la solución para θ, esto sucede cuando
el acondicionador de aire es desconectado.
b) Para ka = 0,1 (es decir el acondicionador de aire está operando), resolver

para la temperatura cuando el cuarto se enfría desde 35 ºC.
c) Muestre como las soluciones anteriores pueden ser usadas para encontrar
la solución para el caso cuando el acondicionador de aire se enciende
cuando la temperatura del cuarto excede 25 ºC y se apaga cuando la
temperatura cae por debajo de 20 ºC.
5. Hacer S e I sean medidas del nivel de azúcar en la sangre y nivel de insulina

en la sangre en un individuo dado. Hacer F y D las medidas de la tasa de
entrada de comida y la tasa de la dosis de insulina para ese individuo.
Explicar el significado físico de cada término en las siguientes ecuaciones.
dI
= a 3 ( S − S eq ) H ( S − S eq ) − a 4 I + b2 D
dt
dS
= − a1 SI + a 2 ( S eq − S )[ H ( S eq − S )] + b1 F
dt
6. Para las ecuaciones del modelo de la pregunta anterior, dar diagramas

mostrando cómo el nivel de azúcar S (t) y el nivel de insulina I (t) de una
persona sin diabetes varía después de una sola comida, dado que el azúcar
nivel está inicialmente en el equilibrio y que I (0) = 0.
7. En las ecuaciones modelo dado citado anteriormente, considere el caso de un

diabético (a3 = 0), sin inyecciones de insulina (b2 = 0), muestre que si I(0) =

0, entonces I(t) = 0 para cualquier t y encuentre una expresión explícita para

S (t) si S (0) = 100.
8. Dibuje una gráfica simple de la función escalón H(S - Seq), como una
función de S. Escriba un programa MATLAB para calcular esta función.
9. Escriba un programa MATLAB para la función de la toma de comida F(t)

para tres comidas, desayuno, almuerzo y cena, donde, por ejemplo, la toma
del desayuno Fb(t) es dada por como:
Fb(t) = rb exp(-kbt)
Si t>0 y la toma es cero para t≤0. Aquíe rb y kb son constantes y hay formas
funcionales similares para almuerzo y cena.
10. Para el caso de contaminantes modelado por Ecuaciones de Diferencia
1. Escribir un programa de computadora y observar las consecuencias de

no satisfacer la condición de estabilidad.
2. Experimentar con el “mesh size” y observar la convergencia a medida
que el “mesh size” disminuye.
3. Variar la velocidad de flujo, vel, y la velocidad de descomposición,
dec. Explicar sus resultados computados.
k
4. Considerar la matriz A 3x3 en (4). Observe A para diferentes valores
de vel a fin de que la condición de estabilidad esté o no.

CAPITULO
5
MODELOS DE CALIDAD DEL AIRE
En el análisis de la estimación de las consecuencias de las emisiones

accidentales a la atmósfera de contaminantes procedentes de actividades
industriales, uno de los aspectos clave a considerar es su dispersión en el medio
ambiente.
Los modelos de dispersión se basan en algoritmos matemáticos y se
utilizan en todo el mundo para pronosticar concentraciones de agentes
contaminantes y para prevenir el posible daño en el Medio Ambiente.
Un modelo matemático para la calidad del aire es un sistema que une las
emisiones lanzadas a la atmósfera con concentraciones de agentes contaminantes
a nivel del suelo mediante el uso de leyes físicas y químicas y de modelos
matemáticos de simulación.
En primer lugar es necesario definir los requisitos a imponer a los
modelos para poder así considerar a éstos como una herramienta válida para la
evaluación de la calidad del aire. Así, debe ser definido qué modelo o conjunto
de modelos pueden ser empleados y proceder a su utilización.
Esto significa que hay que especificar las condiciones y los requisitos
bajo los cuales los modelos son útiles y se deben ejecutar. Debido a la alta
variedad de modelos existentes en el mercado, la selección no es fácil ni directa.
Además, una vez que se haya hecho esta elección, la gran cantidad de
condiciones bajo las cuales el modelo se pueda ejecutar, junto con la importancia
de los datos de entrada para la obtención de los datos obtenidos, hace muy difícil
establecer una regla única para el funcionamiento apropiado.
La opción del modelo a seguir para cada proyecto se debe justificar

conforme a:
• Ajuste para el propósito

• Basado en principales científicos establecidos

• Validado y repasado independientemente
Una de las características principales que condiciona la evolución de un

gas/vapor en la atmósfera es su densidad, distinguiéndose tres posibilidades:
• Gases ligeros. Densidad inferior a la del aire.
• Gases pasivos o neutros. Densidad similar a la del aire.
• Gases pesados. Densidad mayor que la del aire.
A efectos prácticos no se puede hablar, en la mayoría de los casos, de un

comportamiento puro de gas ligero neutro o pesado, ya que los factores que
influyen en él son múltiples y variables en el tiempo y una mezcla gas/aire puede
evolucionar como un gas pesado sin serlo debido a:
• Peso molecular del gas.
• Temperatura del gas.
• Temperatura y humedad del aire ambiente.
• Presencia de gotas líquidas arrastradas en la emisión.
• Reacciones químicas en la nube, etc.
Otra característica es la duración del escape, que puede da lugar a:

• Escapes continuos sin depender del tiempo, formando un penacho
("plume").
• Escapes instantáneos formando una bocanada ("puf").
• Escapes continuos dependiendo del tiempo.
La mayoría de los incidentes por escape empiezan con una descarga de

un producto peligroso desde su continente normal. Estos incidentes se pueden
originar por orificios o roturas de recipientes de proceso, por juntas de unión en
bridas, o por válvulas, chimeneas y venteos de emergencia, por destacar las
causas más frecuentes.
5.1 MODELOS DE DISPERSION

Los modelos de dispersión proporcionan la información y las
herramientas que muchos gestores necesitan a la ahora de tomar una decisión
que responda a las regulaciones medio ambientales y a las demás cuestiones que
afectan un negocio.
El primer paso para el cálculo de la dispersión es establecer las
condiciones de la fuga del producto, especialmente su duración en el tiempo.
Según el tiempo de fuga del producto las emisiones se clasifican en:

Continuas: Cuando el tiempo de emisión es mayor que el tiempo necesario para

que la nube llegue a un determinado punto.
Instantáneas. Cuando el tiempo necesario para que la nube llegue a un punto

determinado es mayor que el tiempo de emisión del producto.
5.1.1 Fuentes continuas
5.1.1.1 La dispersión de las plumas
Los contaminantes ingresan a la atmósfera de diversas maneras. Por

ejemplo, cuando las plantas se descomponen, liberan metano. Los automóviles,
los camiones y los autobuses emiten contaminantes por el escape del motor y
durante el abastecimiento de combustible. Las centrales eléctricas y los hornos
de las viviendas también.
El tipo de descarga de contaminación que ha recibido más atención es la
que se libera desde fuentes puntuales como las chimeneas. Las chimeneas son de
diferentes tamaños, puede tratarse de una pequeña chimenea en el techo de un
edificio o de una chimenea elevada. Su función es descargar los contaminantes a
suficiente altura desde la superficie terrestre para que estos puedan dispersarse
bien en la atmósfera antes de llegar al suelo. Si bien todas son iguales, las
chimeneas más altas dispersan mejor los contaminantes que las más pequeñas
debido a que la pluma tiene que viajar a través de una capa atmosférica más
profunda antes de llegar al nivel del suelo. A medida que la pluma viaja, se
extiende y dispersa.
5.1.1.2 Elevación de la pluma
Los gases emitidos por las chimeneas muchas veces son impulsados por
abanicos. A medida que los gases de escape turbulentos son emitidos por la
pluma, se mezclan con el aire del ambiente. Esta mezcla del aire ambiental en la
pluma se denomina arrastre. Durante el arrastre en el aire, la pluma aumenta su
diámetro mientras viaja a sotavento. Al entrar en la atmósfera, estos gases tienen
un momentum. Muchas veces se calientan y se vuelven más cálidos que el aire
externo. En estos casos, los gases emitidos son menos densos que el aire exterior
y, por lo tanto, flotantes. La combinación del momentum y la flotabilidad de los
gases hace que estos se eleven. Este fenómeno, conocido como elevación de la
pluma, permite que los contaminantes emitidos al aire en esta corriente de gas
se eleven a una altura mayor en la atmósfera. Al estar en una capa atmosférica
más alta y más alejada del suelo, la pluma experimentará una mayor dispersión
antes de llegar a este.
La altura final de la pluma, conocida como altura efectiva de chimenea
(H), es la suma de la altura física de la chimenea (hs) y la elevación de la pluma

(∆h). En realidad, la elevación de la pluma se estima a partir de la distancia

existente hasta la línea central imaginaria de la pluma y no hasta el borde
superior o inferior de esta (Figura 5-1). La elevación de la pluma depende de las
características físicas de la chimenea y del efluente (gas de chimenea). La
diferencia de temperatura entre el gas de la chimenea (Ts) y el aire ambiental
(Ta) determina la densidad de la pluma, que influye en su elevación. Además, la
velocidad de los gases de la chimenea, que es una función del diámetro de la
chimenea y de la tasa volumétrica del flujo de los gases de escape, determina el
momentum de la pluma.
Figura 5-1. Elevación de la pluma
5.1.1.3 Momentum y flotabilidad
La condición de la atmósfera, incluidos los vientos y el perfil de la

temperatura a lo largo del recorrido de la pluma, determinará en gran medida la
elevación de la pluma. Dos características de esta influyen en su elevación: el
momentum y la flotabilidad. La velocidad de salida de los gases de escape
emitidos por la chimenea contribuyen con la elevación de la pluma en la
atmósfera. Este momentum conduce el efluente hacia el exterior de la chimenea a
un punto en el que las condiciones atmosféricas empiezan a afectar a la pluma.
Una vez emitida, la velocidad inicial de la pluma disminuye rápidamente debido
al arrastre producido cuando adquiere un momentum horizontal. Este fenómeno
hace que la pluma se incline. A mayor velocidad del viento, más horizontal será
el momentum que adquirirá la pluma. Por lo general, dicha velocidad aumenta
con la distancia sobre la superficie de la Tierra. A medida que la pluma continúa
elevándose, los vientos más fuertes hacen que se incline aún más. Este proceso
persiste hasta que la pluma parece horizontal al suelo. El punto donde la pluma

parece llana puede ser una distancia considerable de la chimenea a sotavento. La

velocidad del viento es importante para impulsar la pluma. Mientras más fuerte,
más rápido será el serpenteo de la pluma.
La elevación de la pluma causada por su flotabilidad es una función de la
diferencia de temperatura entre la pluma y la atmósfera circundante. En una
atmósfera inestable, la flotabilidad de la pluma aumenta a medida que se eleva,
lo cual hace que se incremente la altura final de la pluma. En una atmósfera
estable, la flotabilidad de la pluma disminuye a medida que se eleva. Por último,
en una atmósfera neutral, permanece constante.
La pluma pierde flotabilidad a través del mismo mecanismo que la hace
serpentear, el viento. Como se muestra en la Figura 5-2, la mezcla dentro de la
pluma arrastra el aire atmosférico hacia su interior. A mayor velocidad del
viento, más rápida será esta mezcla. El arrastre del aire ambiental hacia la pluma
por acción del viento, le "quita" flotabilidad muy rápidamente, de modo que
durante los días con mucho viento la pluma no se eleva muy alto sobre la
chimenea.
Figura 5-2. Influencia de la velocidad del viento en el arrastre.
5.1.1.4 Efectos de la fuente en la elevación de la pluma
Debido a la configuración de la chimenea o a los edificios adyacentes, es

posible que la pluma no se eleve libremente en la atmósfera. Algunos efectos
aerodinámicos causados por el modo en el que se mueve el viento alrededor de
los edificios adyacentes y de la chimenea pueden impulsar a la pluma hacia el
suelo en lugar de permitir que se eleve en la atmósfera.

El flujo descendente de la chimenea puede producirse cuando la razón

entre la velocidad de salida de la chimenea y la del viento es pequeña. En este
caso, la presión baja en la estela de la chimenea puede hacer que la pluma
descienda detrás de la chimenea. Cuando esto sucede, la dispersión de los
contaminantes disminuye, lo que puede determinar concentraciones elevadas de
contaminantes inmediatamente a sotavento de la fuente.
A medida que el aire se mueve sobre y alrededor de los edificios y otras
estructuras, se forman olas turbulentas. Según la altura de descarga de una pluma
(altura de la chimenea), es probable que esta sea arrastrada hacia abajo en esta
área de la estela. Esto se conoce como flujo descendente aerodinámico o entre
edificios de la pluma y puede conducir a concentraciones elevadas de
contaminantes inmediatamente a sotavento de la fuente. La Figura 5-3 ilustra
estos efectos.
Figura 5-3. Dos ejemplos de flujo descendente
5.1.1.5 Fórmulas matemáticas para elevación de la pluma
La elevación de la pluma (∆h) se define como la diferencia entre la altura

de la línea central final de la pluma y la altura inicial de la fuente. Esta elevación
está originada por la fuerza ascensional y el impulso vertical del efluente.

La temperatura de salida del efluente en el caso de que supere en más de

50 ºC la temperatura ambiental, tiene mayor influencia que el impulso vertical
en la determinación de la altura que alcanzará la pluma.
Como regla general la elevación de la pluma es directamente
proporcional al contenido calorífico del efluente y a la velocidad de salida del
mismo, e inversamente proporcional a la velocidad local del viento.
a) Modelo para chimeneas.
La elevación de las plumas ha sido tema de estudio durante muchos años.

Las fórmulas más usadas son las desarrolladas por Gary A. Briggs. La ecuación
5-1 incluye una de estas, la que se aplica a las plumas dominadas por la
flotabilidad. Las fórmulas de la elevación de la pluma se usan en plumas con
temperaturas mayores que la del aire ambiental. La fórmula de Briggs para la
elevación de la pluma es la siguiente:
1,6 F 1 / 3 x 2 / 3
∆h = (5.1)
u
Donde: ∆h = Elevación de la pluma (sobre la chimenea) (m)

F = Flujo de flotabilidad (véase a continuación)
u = Velocidad promedio del viento (m/s)
x = Distancia a sotavento de la chimenea/fuente (m)
g = Aceleración debido a la gravedad (9,8 m/s2)
V = Tasa volumétrica del flujo del gas de la chimenea (m3/s)
Ts = Temperatura del gas de la chimenea (K)
Ta = Temperatura del aire ambiental (K)
g  Ts − Ta 
Flujo de flotabilidad = F = V  (5.2)
π  Ts 
b) Fórmula de Holland
Una de las fórmulas más empleadas para el cálculo de esta elevación

para diferentes contaminantes es la de Holland:
Vs d  T − Ta 
∆h = 1,5 + 2,68 ∗ 10 −3 ⋅ P s d  (5.3)
u  Ts 
Donde: Vs = velocidad de salida del contaminante (m/s)

d = diámetro interior del conducto de emisión (m)

u = Velocidad promedio del viento
P = presión atmosférica (mbar)
Ts = Temperatura del contaminante (K)
Ta = Temperatura del aire ambiental (K)
2,68.10-3 es una constante expresada en mbar-1 m-1
Los valores de ∆h obtenidos con esta fórmula deben corregirse (Tabla

5.1) multiplicando por un factor, establecido por Pasquill-Gifford-Turner, que es
función de las condiciones meteorológicas, que se describen más adelante.
Tabla 5.1
Categorías de Factor de corrección
estabilidad aplicado al ∆h, calculado por
(clases) la fórmula de Holland
A, B 1,15
C 1,10
D 1,00
E, F 0,85
La velocidad del viento se acostumbra a medir a 10 metros de altura. Esta

velocidad, a niveles más bajos de 10 metros, se ve reducida notablemente debido
a los efectos de rozamiento. Para niveles distintos de este valor, la velocidad del
viento debe corregirse según la relación
P
H
u H = u10   (5.4)
 10 
Donde:uH = Velocidad del viento a la altura de la fuente emisora (m/s)

u10 = Velocidad del viento a la altura de 10 m (m/s)
H = Altura de la fuente emisora (m)
p = Coeficiente exponencial
Los valores de p son función de la estabilidad atmosférica y la rugosidad

del suelo. En la Tabla 5.2 se presentan tales valores.

Tabla 5.2: Coeficientes de corrección de la velocidad del viento

Estabilidad Coeficiente exponencial atmosférico
Urbano Rural
A 0,15 0,07
B 0,15 0,07
C 0,20 0,10
D 0,25 0,15
E 0,40 0,35
F 0,60 0,55
Como se dijo anteriormente, las fórmulas de elevación de la pluma sirven

para determinar la línea central imaginaria de esta. La línea central está donde se
producen las mayores concentraciones de contaminantes. Existen varias
técnicas para calcular las concentraciones de contaminantes lejos de la línea
central.
En la siguiente sección se tratan los principios que se deben considerar
para obtener estimados cuantificables de dispersión.
5.1.1.6 Estimados de dispersión
Como se mencionó en la sección anterior, las fórmulas de la elevación de

la pluma se usan para determinar la línea imaginaria de esta. Si bien la
concentración máxima de la pluma existe en esta línea central, las fórmulas
mencionadas no permiten obtener información sobre cómo varían las
concentraciones de contaminantes fuera de esta línea central. Se deberán
efectuar, entonces, estimados de dispersión para determinar las concentraciones
de contaminantes en un punto de interés.
Los estimados de dispersión se determinan mediante ecuaciones de
distribución y/o modelos de calidad del aire. Estos estimados generalmente son
válidos para la capa de la atmósfera más cercana al suelo, donde se producen
cambios frecuentes de la temperatura y de la distribución de los vientos. Estas
dos variables tienen un importante efecto en la forma de dispersión de las
plumas. Por lo tanto, las ecuaciones de distribución y los modelos de calidad del
aire mencionados anteriormente deben incluir estos parámetros.
5.1.1.7 Modelos de dispersión de calidad del aire
Los modelos de dispersión de calidad del aire consisten en un grupo de

ecuaciones matemáticas que sirven para interpretar y predecir las
concentraciones de contaminantes causadas por la dispersión y por el impacto de
las plumas. Estos modelos incluyen los estimados de dispersión mencionados
anteriormente y las diferentes condiciones meteorológicas, incluidos los factores

relacionados con la temperatura, la velocidad del viento, la estabilidad y la

topografía. Existen cuatro tipos genéricos de modelos: gausiano, numérico,
estadístico y físico. Los modelos gausianos emplean la ecuación de distribución
gausiana (véase la discusión sobre distribución gausiana a continuación) y son
ampliamente usados para estimar el impacto de contaminantes no reactivos. En
el caso de fuentes de áreas urbanas que presentan contaminantes reactivos, los
modelos numéricos son más apropiados que los gausianos pero requieren una
información extremadamente detallada sobre la fuente y los contaminantes, y no
se usan mucho. Los modelos estadísticos se emplean cuando la información
científica sobre los procesos químicos y físicos de una fuente están incompletos
o son vagos. Por último, están los modelos físicos, que requieren estudios de
modelos del fluido o en túneles aerodinámicos del viento. La adopción de este
enfoque implica la elaboración de modelos en escala y la observación del flujo
en estos. Este tipo de modelos es muy complejo y requiere asesoría técnica de
expertos. Sin embargo, en el caso de áreas con terrenos complejos y condiciones
del flujo también complejas, flujos descendentes de la chimenea, y edificios
altos, esta puede ser la mejor opción.
La selección de un modelo de calidad del aire depende del tipo de
contaminantes emitidos, de la complejidad de la fuente y del tipo de topografía
que rodea la instalación. Algunos contaminantes se forman a partir de la
combinación de contaminantes precursores. Por ejemplo, el ozono en el nivel del
suelo se forma cuando los compuestos orgánicos volátiles (COV) y los óxidos de
nitrógeno (NOx) actúan bajo la acción de la luz solar. Los modelos para predecir
las concentraciones de ozono en el nivel del suelo emplearían la tasa de emisión
de COV y NOx como datos de entrada. Además, algunos contaminantes
reaccionan fácilmente una vez que son emitidos en la atmósfera. Estas
reacciones reducen las concentraciones y puede ser necesario considerarlas en el
modelo. La complejidad de la fuente también desempeña un papel en la
selección. Algunos contaminantes y pueden ser emitidos desde chimeneas bajas
sujetas a flujos descendentes aerodinámicos. Si este es el caso, se debe emplear
un modelo que considere el fenómeno. En la dispersión de las plumas y los
contaminantes, la topografía es un factor importante que debe ser considerado al
seleccionar un modelo. Las plumas elevadas pueden tener un impacto en áreas
de terrenos altos. Las alturas de este tipo de terrenos pueden experimentar
mayores concentraciones de contaminantes debido a que se encuentran más
cerca de la línea central de la pluma. En el caso que existan terrenos elevados, se
debe usar un modelo que considere este hecho.
a) Distribución gausiana
De los cuatro tipos de modelos de dispersión mencionados

anteriormente, el gausiano, que incluye la ecuación de distribución gausiana
(Ecuación 5-5) es el más usado. La ecuación de distribución gausiana emplea
cálculos relativamente simples, que sólo requieren dos parámetros de dispersión

(σy y σz) para identificar la variación de las concentraciones de contaminantes

que se encuentran lejos del centro de la pluma, (D.B. Turner, 1970).
Esta ecuación determina las concentraciones de contaminantes en el nivel
del suelo sobre la base de las variables atmosféricas de tiempo promedio (por
ejemplo, la temperatura y la velocidad del viento). Por lo tanto, no es posible
obtener un "cuadro" instantáneo de las concentraciones de la pluma. Sin
embargo, cuando se emplean promedios de tiempo de diez minutos a una hora
para estimar las variables atmosféricas de tiempo promedio necesarias en la
ecuación, se puede asumir que las concentraciones de contaminantes en la pluma
están distribuidas normalmente, como se señala en la Figura 5-4.
(5.5)
Donde:
C = concentración del contaminante en el punto x, y, z (kg/m3)
Q = masa emitida por unidad de tiempo (kg/seg)
σy = coeficientes de dispersión de contaminantes en dirección y (horizontal)
(m)
σz = coeficientes de dispersión de contaminantes en dirección z (vertical) (m)
u = velocidad del viento (m/s).
y = distancia en dirección horizontal
z = distancia en dirección vertical
H = Altura de la fuente emisora sobre el nivel del suelo más la elevación de la
pluma (m).
Figura 5-4. Distribución gausiana

La distribución gausiana determina el tamaño de la pluma a sotavento de

la fuente. La Figura 5-5 muestra una representación esquemática de la pluma
gausiana. El tamaño de la pluma depende de la estabilidad de la atmósfera y de
su propia dispersión en dirección horizontal y vertical. Los coeficientes de la
dispersión horizontal y vertical (σy y σz, respectivamente) sólo representan la
desviación estándar de la normal en la curva de distribución gausiana en las
direcciones y y z. Estos coeficientes de dispersión, σy y σz, son funciones de la
velocidad del viento, de la cubierta de nubes y del calentamiento de la superficie
por el sol. Para la distribución gausiana es necesario que el material en la pluma
se mantenga. En otras palabras, se debe dejar que el borde de la pluma se refleje
desde el suelo sin perder ninguna contaminación. Además, la distribución
gausiana y la elevación de la pluma dependen de que el suelo sea relativamente
plano a lo largo del recorrido. Como se expuso anteriormente, la topografía
afecta el flujo y la estabilidad atmosférica del viento. Por consiguiente, un
terreno desigual debido a la presencia de cerros, valles y montañas afectará la
dispersión de la pluma y la distribución gausiana deberá ser modificada.
Figura 5-5. Representación esquemática de la pluma gausiana (Fuente: Turner

1970).
Para obtener el modelo de una pluma mediante la distribución gausiana,
es necesario que:
• La dispersión de la pluma tenga una distribución normal (esto es, una
distribución campanada, como se muestra en la figura 5-4)
• La tasa de emisión (Q) sea constante y continua
• La velocidad y la dirección del viento sean uniformes
• La reflexión total de la pluma se produzca en la superficie

b) Clasificaciones de estabilidad
Como se señaló anteriormente, la estabilidad de la atmósfera depende de

la diferencia de temperatura entre una porción de aire y el aire que la rodea. Por
consiguiente, se pueden producir diferentes niveles de estabilidad según cuán
grande o pequeña sea la diferencia de temperatura entre la porción de aire y el
aire circundante. La atmósfera puede ser estable, condicionalmente estable,
neutra, condicionalmente inestable o inestable.
Las clases de estabilidad atmosférica definidas por Pasquill dependen de
la velocidad del viento medida a 10 metros sobre el terreno; de la radiación solar
durante el día y de la nubosidad durante la noche y se han clasificado en 9
identificadas por las letras A a la F con combinaciones de ellas.
Estos tipos de estabilidad se denominan clases de estabilidad Pasquill-
Gifford, incluidas en el la Tabla 5-3. Como puede verse en el cuadro, las
estabilidades A, B y C representan las horas diurnas con condiciones inestables.
La estabilidad D, los días o noches con cielo cubierto con condiciones neutrales.
Las estabilidades E y F, las condiciones nocturnas estables, y se basan en la
cantidad de cobertura de nubes. Por consiguiente, la clasificación A representa
condiciones de gran inestabilidad y la clasificación F, de gran estabilidad.
Tabla 5-3. Clave para las categorías de estabilidad

Viento Insolación Noche
superficial
Velocidad (a Fuerte Moderada Ligera Cobertura Cobertura
10 m sobre de de nubes
el terreno) nubes ≥3/8
(m/s) bajas*
≥4/8
<2 A A-B B - -
2-3 A-B B C E F
3-5 B B-C C D E
5-6 C C-D D D D
>6 C D D D D
* Ligeramente cubierto
Nota: Se deben asumir clases neutrales D para condiciones de cielo cubierto durante el día o la
noche
c) Coeficientes de dispersión
Los coeficientes de dispersión (σx , σy y σz) son las desviaciones tipo en

los ejes x, y, z. Las ecuaciones usadas para calcular σy son:

σ y = 465 . 11628 ⋅ ( x ) ⋅ tan( TH ) (5.6)
TH = 0.017453293·[c – d ln(x)] (5.7)
σz = a·xb (5.8)
donde :
σx = desviación tipo en el eje x, en metros (usado para fuents instantáneas)
σy = desviación tipo en el eje y, en metros
σz = desviación tipo en el eje z, en metros
x = distancia en la dirección del viento (kilómetros)
c y d = coeficintes que se obtienen de la Tabla 5-4
a y b = coeficientes que se obtienen de la Tabla 5-5.
Las Ecuaciones 5-6 y 5-8 son usadas para determinar σy y σz para la

opción urbana. Estas expresiones fueron determinadas por Briggs (1976) y
representan una mejor aproximación para los datos de difusión vertical urbana
expuestos por McElroy y Poole (1968).
Tabla 5-4 Parámetros usados para el cálculo según PASQUILL-GIFFORD de σy

Clase de estabilidad Pasquill c d
A 24.1670 2.5334
B 18.3330 1.8096
C 12.5000 1.0857
D 8.3330 0.72382
E 6.2500 0.54287
F 4.1667 0.36191
donde σy está expresada en metros y x en kilómetros.

Tabla 5-5 Parámetros usados para el cálculo según PASQUILL-GIFFORD de

σz
Clase de estabilidad Pasquill x (km) a b
<0.10 122.800 0.94470
0.10 - 0.15 158.080 1.05420
0.16 - 0.20 170.220 1.09320
0.21 - 0.25 179.520 1.12620
A* 0.26 - 0.30 217.410 1.26440
0.31 - 0.40 258.890 1.40940
0.41 - 0.50 346.750 1.72830
0.51 - 3.11 453.850 2.11660
> 3.11 ** **
B* <0.20 1.0857 0.93198
0.21 - 0.40 98.483 0.98332
> 0.40 109.300 1.09710
C* A11 61.141 0.91465
<0.30 34.459 0.86974
0.31 - 1.00 32.093 0.81066
D 1.01 - 3.00 32.093 0.64403
3.01 - 10.00 33.504 0.60486
10.01 - 30.00 36.650 0.56589
> 30.00 44.053 0.51179
< 0.10 24.260 0.83660
0.10 - 0.30 23.331 0.81956
0.31 - 1.00 21.628 0.75660
E 1.01 - 2.00 21.628 0.63077
2.01 - 4.00 22.534 0.57154
4.01 - 10.00 24.703 0.50527
10.01 - 20.00 26.970 0.46713
20.01 - 40.00 35.420 0.37615
> 40.00 47.618 0.29592
< 0.20 15.209 0.81558
0.21 - 0.70 14.457 0.78407
0.71 - 1.00 13.953 0.68465
1.01 - 2.00 13.953 0.63227
F 2.01 - 3.00 14.823 0.54503
3.01 - 7.00 16.187 0.46490
7.01 - 15.00 17.836 0.41507
15.01 - 30.00 22.651 0.32681
30.01 - 60.00 27.074 0.27436
> 60.00 34.219 0.21716
donde σz está expresada en metros y x en kilómetros
* Si el valor calculado de σz excede 5000m, σz se toma igual a 5000m
**σz es igual a 5000m

d) Correcciones según la rugosidad del terreno
Existen métodos en bibliografía especializada para tener en cuenta la

rugosidad del terreno y su efecto en particular sobre el eje vertical, z.
La rugosidad incluye la vegetación, los cultivos y los edificios.. En la
Tabla 5-6 se muestran algunos de los valores representativos para z0.
Tabla 5-6.Valores de la rugosidad z0 para diversos tipos de zonas

TERRENO LLANO CON POCOS ÁRBOLES 0,03 m
TERRENO AGRÍCOLA (árboles abundantes, tierra arable...) 0,10 m
TERRENO CULTIVADO (cultivos, vegetación, casas aisladas...) 0,30 m
ÁREA RESIDENCIAL (construcción densa de poca altura...) 1,0 m
ÁREA URBANA (edificios altos e industriales con estructuras 3,0 m
altas...)
Los valores de σz que se obtienen de los coeficientes c y d, dados en la

Tabla 5.4 pueden usarse como tales para un valor de z0 = 0,1 m. Para otros
valores es necesario introducir una corrección de acuerdo con:
σz = c · xd (10 · z0 )m (5.9)
m = 0,53 · x-0,22 (5.10)
Los valores de σy no están afectados por la rugosidad del terreno.

Los valores de estos coeficientes de dispersión son fruto de
determinaciones, en parte teóricas y en parte experimentales. A la vista de las
limitaciones de los datos existentes se considera aceptable tomar las que aquí se
han indicado.
Ejemplo 5.1 Resolución de un caso práctico
Calcular la concentración de cloro de un escape de 0,3 kg/s situado a 1 m

sobre el suelo, que afectaría a un punto localizado a 120 m en la dirección del
viento, a 10 m en dirección transversal del mismo y 2 m de altura.
Las condiciones meteorológicas corresponden a estabilidad D, velocidad
del viento 5 m/s (a 10 m de altura).
Datos:
Rugosidad del suelo equivalente a urbana y estabilidad meteorológica D,
Temperatura ambiente Ta = 20 ºC (293 K)
Presión atmosférica P = 1 atm absoluta

Peso molecular CI2 M0 = 71

Constante de los gases, R = 0,082 (m3 · atm)/(kmol·K)
Solución
Se puede aplicar el modelo de dispersión gaussiano, ya que a pesar de

ser el cloro un gas más denso que el aire (densidad relativa del gas respecto al
aire = 2,5), la intensidad de descarga es pequeña y la zona de dispersión como
gas pesado afectará a distancias cortas.
Seleccionando del Menú Principal: Modelización Ambiental – Dispersión de

Gases – Fuente continua
ESTE PROGRAMA CALCULA LA CONCENTRACION DE UN CONTAMINANTE

EN UN PUNTO (x,y,z) PARA UNA FUENTE CONTINUA
*****************************************************
Altura de fuente emisora (m): 1
Velocidad del viento (m/seg): 5
Altura de medida de velocidad del viento (m): 10
Masa emitida kg/seg: 0.3
Ingrese Número correspondiente a categoría de Estabilidad
1=A, 2=B, 3=C, 4=D, 5=E, 6=F: 4
Punto x,y,z para determinar la concentración
Distancia longitudinal x (m): 120
Distancia transversal y (m): 10
Altura desde el suelo z (m): 2
Ubicación Urbano(1) Rural(2): 1
--------------------------------------------
La concentración del contaminante
en el punto dado es: 0.00029256 Kg/m3
--------------------------------------------
Desea calcular concentración en ppm Si(1) No(0): 1
Temperatura del ambiente (K): 293
Presión (atm): 1
Peso molecular del Gas: 71
----------------------------------------------
La concentración es: 99.0007 ppm
>>
El programa calcula un concentración de 99.0007 partes por millón.

5.1.2 Fuentes puntuales instantáneas
La emisión instantánea, llamada también, “puff” o soplido, forma una

nube que se va dispersando con el tiempo. Gráficamente puede asimilarse a una
nube casi esférica que se dispersa trasladando su centro de emisión en la
dirección del viento. Fig. 5.6.
Figura. 5.6. Representación gráfica de la evolución de una nube de gas (“puff”)

proveniente de una fuente instantánea
A efectos prácticos la división en emisión continua o discontinua es

artificial y subjetiva, porque la mayoría de emisiones son un estado intermedio,
dado que el tiempo de fuga es finito, asumiendo un estado estacionario durante
un cierto tiempo y dispersándose finalmente.
La elección entre los métodos de cálculo para una emisión instantánea o
continua puede establecerse de la siguiente forma. Si la emisión dura 100
segundos y se establece un estado estacionario de forma rápida, en las cercanías
de la fuente de emisión, p.e. a unos 30 metros, se trata en este caso como
continua. Para la misma emisión, si no se establece un estado estacionario hasta
una distancia muy superior, p.e. de 10 kilómetros, la duración de la emisión se
convierte en despreciable en relación al tiempo de paso de la nube, de forma que
puede considerarse como instantánea.
Un criterio empleado para decidir si la fuga puede ser considerada
continua o instantánea se muestra a continuación:
Tipo de fuga Valor

Instantánea x > 1,8 · u · te
Continua x < 1,8 · u · te
donde,
x = distancia de la coordenada en la dirección del viento (m)

u = velocidad del viento (m/s)
te= duración de la emisión (s)
Para una emisión instantánea los cálculos se establecen de la misma

forma que para una emisión continua, es decir, asumiendo que la nube tiene una
distribución gaussiana en las direcciones de los ejes x, y, z.

Las mismas limitaciones que se expusieron para las emisiones continuas

son válidas para el modelo gaussiano aplicado a fuentes instantáneas, excepto el
concepto tiempo promedio (o medio) que no debe aplicarse a una emisión
instantánea.
5.1.2.1 Concentración debida a una fuente instantánea
En el caso de una fuga instantánea, la concentración en un punto dependerá

sólo de sus coordenadas de posición (x, y, z) y del tiempo t, transcurrido desde la
fuga.
Empleando el modelo gaussiano, la concentración en el punto x, y, z, en el
tiempo t, después del escape del producto, viene dado por la siguiente expresión:
M
C ( x, y , z , t ) = ⋅ A⋅ B ⋅C (5.11)
(2π ) 3/ 2
σ xσ y σ z
( x −u ⋅t ) 2
−
2σ x2
A=e (5.12)
y2
−
2σ y2
B=e (5.13)
( z −h) 2
( z + h) 2
− −
2σ z2 2σ z2
C =e +e (5.9)
Donde:
C = concentración (kg/m3)
M = masa de la emisión (kg)
h = altura efectiva de la fuente de emisión (m). (h = 0 para una emisión a
ras de suelo)
5.1.2.2 Coeficientes de dispersión
En el caso de fugas instantáneas coeficientes de dispersión (σx , σy y σz)

siguen las ecuaciones siguientes:
σx = 0,13 · x (5.14)
σy = 0,5 · σyc (5.15)
σz = σzc (5.16)

donde los significados son:

σx = desviación tipo en el eje x, en metros
σy = desviación tipo en el eje y, en metros
σz = desviación tipo en el eje z, en metros
σyc = desviación tipo en el eje y, calculada para fugas continuas, en metros
(Ec. 5.6)
σzc = desviación tipo en el eje z, calculada para fugas continuas, en metros
(Ec. 5.8)
Ejemplo 5.2
Dada una fuente de emisión instantánea de 1 000 kg de metano con una

densidad de 0,665 kg/m3, siendo las condiciones meteorológicas neutras (clase
D), la velocidad del viento 5 m/s y la rugosidad del terreno de 0,1 m, calcular la
concentración a 500 m de distancia en dirección del viento, a nivel del suelo, a
los 100 segundos de la emisión. Las condiciones son 1 atm y 20 °C.
Solución:
Seleccionando del Menú Principal: Modelización Ambiental – Dispersión de

Gases – Fuente instantánea:
ESTE PROGRAMA CALCULA LA CONCENTRACION DE UN CONTAMINANTE

EN UN PUNTO (x,y,z) PARA UNA FUENTE INSTANTANEA
*********************************************************
Altura de fuente emisora (m): 0
Velocidad del viento (m/seg): 5
Altura de medida de velocidad del viento (m): 0
Masa emitida kg/seg: 1000
Tiempo de emisión (seg): 100
Ingrese Número correspondiente a categoría de Estabilidad
1=A, 2=B, 3=C, 4=D, 5=E, 6=F: 4
Punto x,y,z para determinar la concentración
Distancia longitudinal x (m): 500
Distancia transversal y (m): 0
Altura desde el suelo z (m): 0
Ubicación Urbano(1) Rural(2): 1
--------------------------------------------
La concentración del contaminante
en el punto dado es: 0.00590795 Kg/m3
--------------------------------------------
Desea calcular concentración en ppm Si(1) No(0): 1

Temperatura del ambiente (K): 293

Presión (atm): 1
Peso molecular del Gas: 18
----------------------------------------------------
La concentración es: 7885.8 ppm
>>
Estas 7885.8 ppm son equivalentes a una concentración, expresada en

tanto por ciento en volumen del 0,79 %.
El límite inferior de explosividad del metano es del 5 %; por lo tanto la

concentración calculada está en este caso por debajo del citado límite.
Problemas
1. Modelamiento del ozono a gran altitud. Los filtros de ozono a una

elevada altitud filtran la mayor parte de la radiación ultravioleta del sol que
podría ser dañina para carbón base de la vida. Hagamos las suposiciones
razonables que la atmósfera de la tierra representa un sistema cerrado
mantenido a temperatura y volumen constantes. El modelo considera las
interacciones simultáneas de tres productos químicos, oxígeno libre O, ozono
O3, y oxígeno molecular O2.
Las reacciones químicas son expresadas como las siguientes reacciones

bimoleculares:
O + O2 k1 O3
O + O2 k2 2O2
O2 k3(t) 2O
O2 k4(t) O + O2
Las constants son: k1 = 1,63x10-16 y k2 = 4,66x10-6. Las constantes de

velocidad k3(t) y k4(t) describen el efecto fotodisociativo de la luz solar y por
lo tanto cambian con el tiempo
e-ci/seno ωt , seno ωt > 0

ki(t) = i = 3, 4
0, seno ωt < 0
Con ω = π/43200 seg-1, c3 = 22,62, c4 = 7,601

Como la concentración de oxígeno molecular, u = [O2] es muchos órdenes de

magnitud más grande que el oxígeno libre u ozono, se asume a ser constante
para cualquier tiempo. Haciendo que x(t) represente a [O], y y (t) represente a
[O3]. El proceso puede ser reducido a las siguientes dos ecuaciones.
dx
= − k1 xu − k 2 xy + 2k 3 (t )u + k 4 (t ) y
dt
dy
= k1 xu − k 2 xy − k 4 (t ) y
dt
Las condiciones iniciales a la salida del sol son
x(0) = 106 cm-3

y(0) = 1012 cm-3
u = 3,7x1016 cm-3
Simular el sistema para un día y medio (36 x 3600sec) de reducción drástica

de ozono y graficar las concentraciones de ozono y oxígeno libre en una
escala logarítmica.
5.2 EL “SMOG” FOTOQUIMICO
El “smog” fotoquímico es una condición atmosférica que produce

irritación severa del ojo y una visibilidad escasa, para nombrar simplemente dos
de los efectos. Tres ingredientes - energía de una fuente de luz (ultravioleta),
hidrocarburos, y los óxidos de nitrógeno - son necesarios para que se forme
“smog” fotoquímico. Dos de esos componentes son producidos a través del
quemado de combustibles fósiles, más especificamente automoviles. El “smog”
fotoquímico es también algunas veces conocido como "smog oxidante", ya que
tiene una concentración alta de agentes oxidantes. El ozono es un agente
oxidante común encontrado en el “smog” fotoquímico. Otro tipo de “smog”,
"smog reductor", tiene concentraciones altas de dióxido de azufre, el cual es un
agente reductor. Su presencia tiene significado histórico en los estudios hechos
en lugares como Londres, que usaron carbón con contenido de azufre como su
fuente principal de energía.
La figura 5.7 es útil para entender la química de producción de “smog”
en la troposfera.Este gráfico es relativamente obvio. Comienza en el fondo con
la producción de NO y los hidrocarburos reactivos por el quemado de
combustible fósil (como un automóvil). En el lado izquierdo, el NO reacciona
con ozono troposférico o un radical de hidrocarburo (RO2) para producir NO2
(un radical es un fragmento de la molécula que tiene un electrón no apareado).
Esto absorbe energía solar (representado por las letras hv) para crear NO (el cual

propaga el sistema) y oxígeno atómico. El oxígeno atómico reacciona para

formar ozono troposférico, el cual se alimenta de vuelta al sistema del NOx (la
"x" aquí se refiere al número de oxígenos, y sirve como término de notación
general para los óxidos de nitrógeno). El oxígeno atómico también puede
reaccionar con radicales de hidroxilo, OH, y ozono para formar los radicales de
hidrocarburo reactivos utilizados en el sistema del NOx. Estos radicales también
reaccionan para formar otros componentes de “smog, tales como PAN
(peroxiacetil nitrato) y aldehídos (RC = OH, donde R es alguna cadena de
hidrocarburo).
Figura 5.7 Esquema generalizado para la formación de “smog” fotoquímico.
A continuación se tiene un gráfico que muestra el trabajo esencial del

sistema del NOx, con las interacciones entre NO y NO2 en la izquierda y la
producción /deslave de HNO3 a la derecha:

HOO● + NO → NO2 + HO●

ROO● + NO → NO2 + RO●
NO + O → NO2 + O2 NO2
NO NO + O → NO2 + hv
HO● + NO2 → HNO3

HNO3 + hv → NO2 + HO●
HNO3
Lavado con precipitación
Figura 5.8 Interacciones entre NO y NO2
También podemos considerar la formación de smog fotoquímico desde

una perspectiva cinética. A continuación se muestran las nueve ecuaciones
principales de producción de smog, y la constante de velocidad que afecta la
velocidad (o la tasa) a la cual se llevan a cabo las reacciones:
Reacción Constante de velocidad

1. NO2 + hv → NO + O Depende de la intensidad de luz
2. O + O2 + M → O3 + M 6.03x10-34(T/300)-23 cm6 mol-2 seg -1
3. O3 + NO → NO2 + O2 2.2x10-12 exp(-1430/T) cm3 mol -1 seg -1
4. O3 + hv → O(1D) + O2 0.0028k1
5. O(1D) + M → O + M 2.9x10-11 cm3 mol -1 seg -1
6. O(1D) + H2O → 2 OH● 2.2x10-10 cm3 mol -1 seg -1
7. CO + OH● → CO2 + HO2● 2.2x10-13 cm3 mol -1 seg -1
8. HO2● + NO → NO2 + OH● 3.7x10-12 exp(240/T) cm3 mol -1 seg -1
9. OH● + N2 → HNO3 1.1x10-11 cm3 mol -1 seg -1
En las ecuaciones anteriores, vemos el sistema del NOx y la producción

de ozono. Las cuales se describen a continuación:
• Reacción 1: NO2, reacciona con energía luminosa, hv, para formar NO y
un átomo de oxígeno. ¡La tasa de esta reacción depende de
la cantidad de energía luminosa presente - un día soleado
versus un día nublado!
• Reacción 2: El átomo de oxígeno reacciona con la molécula de oxígeno
(lo que usted respira) en presencia de un catalizador "M"

para formar ozono, O3. ¡La M de catalizador permanece

igual (la cuál es la definición de un catalizador!). La tasa de
esta reacción depende de la temperatura en la atmósfera.
• Reacción 3: El ozono reacciona con NO para producir más NO2 y O2.
¡Estos productos retroalimentan en reacciones 1 y 2,
asegurando así una constante producción de ozono! La tasa
de esta reacción también depende de la temperatura en la
atmósfera.
• Reacción 4: El ozono es degradado (rotura de molécula) por la energía
luminosa, formando una forma cargada de oxígeno atómico,
O (1D), y más oxígeno molecular. Notar que esta reacción
procede en una tasa mucho más lenta que la primera
reacción (aproximadamente de uno cuatro a uno por ciento
tan lento!)
• Reacción 5: El oxígeno cargado reacciona con un catalizador regresando
a su condición normal de oxígeno de oxígeno simple (cuál
es, a propósito, venenoso para respirar!)
• Reacción 6: Una parte del oxígeno cargado reacciona con agua en la
atmósfera para formar un radical hidroxilo, OH● . Los
radicales son fragmentos de moléculas que tienen al menos
un electrón no apareado, y son altamente reactivos. El
radical de hidroxilo, por ejemplo, es responsable de la
mayoría de las reacciones químicas que ocurren en la
atmósfera durante el día. Otros radicales toman el control
durante la noche cuando no hay energía del sol.
• Reacción 7: El monóxido de carbono en la atmósfera, producido por el
quemado de combustible fósil como autos, reacciona
fuertemente con radicales hidroxilo para formar dióxido de
carbono y radicales HO2●.
• Reacción 8: Los radicales HO2● formardos en la Reacción 7 reaccionan
con el NO adicional en la atmósfera para formar más NO2 y
más radicale OH●. La tasa de esta reacción es dependiente
de la temperatura en la atmósfera.
• Reacción 9: Los radicales de hidroxilo reaccionan con NO2 para formar
ácido nítrico, HNO3, el cual eventualmente será uno de los
culpables en la formación de lluvia ácida, pero ese es otro
modelo!
Producción de PAN (Peroxiacetilnitrato)
Luz solar
NO2(g) + O2(g) + hidrocarburos ---------->
CH3CO-OO-NO2(g)

En resumen: El desarrollo del smog fotoquímico es dependiente de emisiones

de la radiación solar, de la fuente de hidrocarburos y óxidos de nitrógeno, y la
estabilidad atmosférica (por las concentraciones elevadas). Temprano por la
mañana, el tráfico interurbano lanza NO e hidrocarburos. Al mismo tiempo, el
NO2 puede decrecer a porque la luz del sol lo puede destruir a NO y O. El O está
luego libre para reaccionar con O2 para formar O3. Poco tiempo después, los
hidrocarburos oxidados reaccionan con NO para aumentar NO2 a la mitad de la
mañana. Esta reacción causa que el NO disminuya y el O3 aumente,
produciendo un pico meridiano en O3 y el mínimo en NO. A medida que el smog
madura, la visibilidad puede acortarse debido a la luz esparciéndose por todos
lados por aerosoles. Primordialmente debido a la dependencia en el tráfico
interurbano.
Algoritmo: Las matemáticas del SMOG fotoquímico

Podemos considerar el cambio en concentraciones de NO, NO2, y CO
con el paso del tiempo con este sistema de ecuaciones diferenciales de primer
orden dado a continuación, las cuales representan a las reacciones mostradas
anteriormente. Por ejemplo, R1 representa la reacción fotoquímica en la cual la
energía ligera golpea una molécula de NO2 para formar NO y oxígeno atómico:
En las ecuaciones que siguen sustituimos los componentes cinéticos para

cada uno de los valores de R:

En estas ecuaciones, el término "k" se refiere a las constants de

velocidad, y son numeradas siguiendo los números de las reacciones.
Desarrollamos un algoritmo para evaluar la fotooxidación de CO en
presencia de NOx. Las ecuaciones pueden estar derivadas para [NO2], [NO], y
[CO], dónde los corchetes [ ] significa concentración de los especies. Una vez
que se desarrolla, necesitamos integrar estas ecuaciones numéricamente para las
condiciones dadas y graficar [NO2], [NO], [CO], y [O3] en partes por el billón
(ppb) como una función del tiempo de t = 0 hasta t = 180 minutos con un paso
de tiempo de alrededor de 0.1 min para una solución estable. La integración de
estas ecuaciones diferenciales precisa el uso de algún método numérico, como el
método de Euler o uno de de los varios métodos de Runge-Kutta, como Runge-
Kutta 2 o 4. Como en todos los modelos, comenzamos con algunas condiciones
iniciales y parámetros. Para este modelo, asumiremos una temperatura T de 298
Kelvin.
Como en todos los modelos. Necesitamos algunas condiciones iniciales:

Condiciones iniciales (ppb)

SUPUESTO 1 2 3 4
[NO2]o 10 100 200 1000
[NO]o 10 500 500 500
[CO]o 50 10000 10000 10000
En cada caso asumimos que la constante de velocidad de la fotolisis para

NO2 (R1 anterior) is:
kNO2 = 0.533 min-1
Alguna otra información útil para usar:

[H2O] = 0.3x1018 [moleculas/cm3]
[M] = 0.2x1020 [moleculas/cm3]
k5=2.9x10-11 cm3/moleculas-seg
k6=2.2x10-10 cm3/molecule-seg
Factor de conversión: 1 molecula/cm3 = 4.08x10-11 partes por billion (ppb)

Todos los demás valores de k necesarios -- k4, k7, k8, y k9 – pueden ser
encontrados en la tabla de reacciones.
Uso de UNTSIM
Usando el simulador UNTSIM para el primer supuesto tenemos:
ESTE PROGRAMA CALCULA LA CONCENTRACION DE

GASES QUE FORMAN EL SMOG FOTOQUIMICO
*****************************************************
Conncentración inicial de CO (ppb): 50
Conncentración inicial de NO (ppb): 10
Conncentración inicial de NO2 (ppb): 10
Temperatura (K): 298
Tiempo de simulación (min): 180
-------------------------------------------------
LA LAS CONCENTRACIONES AL CABO DE 180 MINUTOS SON
-------------------------------------------------
COppb : 49.8923 partes por billon
NOppb : 10.3929 partes por billon
NO2ppb: 8.60587 partes por billon
O3ppb : 16.5759 partes por billon
-------------------------------------------------
>>
Y las gráficas:

10
9.5
NO2 ppb
8.5
0 20 40 60 80 100 120 140 160 180
Tiempo (minutos)
50
49.95
CO ppb
49.9
49.85
0 20 40 60 80 100 120 140 160 180
Tiempo (minutos)
10.6
10.4
NO ppb
10.2
10
0 20 40 60 80 100 120 140 160 180
Tiempo (minutos)
22
20
O3 ppb
18
16
0 20 40 60 80 100 120 140 160 180
Tiempo (minutos)
Figura 5.9. Concentraciones de gases formadores de smog fotoquímico en

función del tiempo

CAPITULO
6
OPTIMIZACION DE SISTEMAS
Un modelo ofrece al analista una herramienta que puede manipular en su

análisis del sistema en estudio, sin afectar al sistema en sí.
Lo ideal sería que si el modelo matemático es una representación válida
del rendimiento del sistema, mediante la aplicación de las técnicas analíticas
adecuadas, la solución obtenida a partir del modelo debería ser también la
solución para el problema del sistema. Así, la efectividad de los resultados de la
aplicación de cualquier técnica operativa es en gran medida una función del
grado en el cual el modelo representa al sistema en estudio.
A fin de definir las condiciones que nos conducirán a la solución del
problema del sistema, el analista primero debe identificar un criterio según el
cual se podrá medir el sistema. Este criterio a menudo se denomina medida del
rendimiento del sistema o medida de efectividad. En aplicaciones
medioambientales, la medida de efectividad generalmente es el grado de
eliminación de la contaminación.
El modelo matemático que describe el comportamiento de la medida de
efectividad se denomina función objetivo. Si la función objetivo es describir el
comportamiento de la medida de efectividad, debe capturar la relación entre esa
medida y aquellas variables que hacen que dicha medida fluctúe. Las variables
del sistema pueden categorizarse en variables de decisión y parámetros.
Una variable de decisión es una variable que puede ser directamente
controlada por el decisor. También existen algunos parámetros cuyos valores
pueden ser inciertos para el decisor. Esto requiere un análisis de sensibilidad
después de descubrir la mejor estrategia. En la práctica, resulta casi imposible
capturar la relación precisa entre todas las variables del sistema y la medida de
efectividad a través de una ecuación matemática. En cambio, el analista debe
tratar de identificar aquellas variables que afectan en mayor grado la medida de

efectividad y luego debe intentar definir de manera lógica la relación matemática

entre estas variables y la medida de efectividad. Esta relación matemática es la
función objetivo que se emplea para evaluar el rendimiento del sistema en
estudio.
Todo el proceso de selección y rechazo de variables puede requerir
reiteraciones múltiples hasta desarrollar una función objetivo satisfactoria. Este
proceso se denomina optimización.
6.1 LA PROGRAMACION LINEAL

6.1.1 El problema de la dieta
El problema de la dieta, conocido por este nombre, fue uno de los primeros
problemas sobre optimización, motivado por el deseo del ejercito americano de
asegurar unos requerimientos nutricionales al menor coste. El problema fue
analizado y resuelto por George Stigler usando la programación lineal en 1947.
Vamos a ver un ejemplo muy sencillo de este tipo de problema.
Un medico receta a una de sus pacientes una dieta especial basada en tres
productos (arroz, pescado y verduras frescas) que han de combinarse de manera
que cumplan una serie de requisitos mínimos en cuanto a proteínas y calorías.
Estos mínimos se sitúan en 3 unidades de proteínas y en 4000 calorías.
Los productos que componen la dieta tienen las siguientes unidades por
kilogramo: el arroz contiene 1 unidad de proteína y 2000 calorías, el pescado
tiene 3 unidades de proteínas y 3000 calorías y, por ultimo, las verduras frescas
poseen 2 unidades de proteínas y 1000 calorías.
a) Si los precios de los tres productos básicos son respectivamente de 55, 125 y
55 pesetas el kilogramo, ¿ Cuál debe ser la combinación de productos que
cubriendo las necesidades mínimas suponga un menor coste?.
b) Si aumenta el precio del pescado, y este pasa a ser de 140 pesetas. ¿La
solución seguirá siendo optima?. Si la respuesta es negativa, cual será la
nueva solución?
c) Si disminuye el precio del pescado, y este pasa a ser de 105 pesetas. ¿La
solución seguirá siendo optima?. Si la respuesta es negativa, cual será la
nueva solución?
d) Si el medico recomienda aumentar el numero de calorias por dia, pasando a
4500 calorias diarias. ¿La solución seguirá siendo optima?. Si la respuesta es
negativa, cual será la nueva solución?

Solución
Proteinas Calorias Precio

unidades/kg unidades/kg pesetas/kg
Arroz 1 2000 55
Pescado 3 3000 125
Verduras 2 1000 55
1. Las variables son:

X1: cantidad de arroz
X2: cantidad de pescado
X3: cantidad de verduras
2. La función objetivo es Z:
MINIMIZAR Z = 55X1 + 125X2 + 55X3
3. Las restricciones son:
Calorias
2000X1 + 3000X2 + 1000X3 ≥ 4000
Proteinas
X1 + 3X2 + 2X3 ≥ 3
Debemos cambiar el signo de las restricciones para poder ingresarlas en código

Matlab, con lo cual el enunciado del problema será:
a) Minimizar
Z = 55X1 + 125X2 + 55X3
Sujeta a las restricciones
Calorías
-2000X1 - 3000X2 - 1000X3 ≤ -4000
Proteínas
-X1 - 3X2 - 2X3 ≤ - 3
Uso de UNTSIM
El simulador UNTSM posee una rutina para minimizar una función objetivo,
para ingresar seleccionamos del Menú Principal: Cálculos de Ingeniería
Química- Optimización – Programación lineal

ESTE PROGRAMA EJECUTA CALCULOS DE PROGRAMACIÓN LINEAL

*****************************************************
Adecue el problema para ejecutarlo con MATLAB
ver Optimización Capítulo 5, Ejemplo 5.6
Ingresar Coeficientes de la función [a; b;..]: [55 125 55]
Si existen restricciones ingresar lo que pide el programa
Si no existen escribir simplemente []
RESTRICCIONES DE DESIGUALDAD
Ingresar Matriz de Coeficientes de las restricciones [ ]
: [-2000 -3000 -1000; -1 -3 -2]
Ingresar vector del lado derecho de las restricciones [ ]
: [-4000; -3]
RESTRICCIONES DE IGUALDAD
: []
: []
Limites inferiores de las variables (vector): [0; 0; 0]
Limites superiores de las variables (vector): []
Optimization terminated.
RSPUESTA DEL PROGRAMA

*********************************************
Los valores óptimos de las variables son:
x =
1.6667 <-- kg de arroz
0.0000 <-- kg de pescado
0.6667 <-- kg de verduras
El valor óptimo de la función es:
fval =
128.3333 <-- Costo de la dieta
c) La solución sigue siendo óptima
d) Para este caso la solución es:
x =
fval =
125 <-- Costo de la dieta

e) Para este caso la solución es:

x =
fval =
137.5000 <-- Costo de la dieta
6.1.2 Evaluación de alternativas
La empresa XZT, S.A., se dedica a la pintura de tableros y cajas

metálicas suministrados por otros proveedores-clientes. La propia empresa
fabrica sus pinturas, y en el proceso de pintura que se realiza diariamente, se
desprenden una serie de productos que son contaminantes del medio
ambiente.
La empresa dispone de un almacén donde guardar los productos que
se pintan diariamente. El almacén dispone de 2000 metros cuadrados de
superficie útil. Todos los elementos pintados diariamente se retiran al final
de la jornada laboral, con lo que al inicio de la siguiente está disponible la
totalidad de la superficie útil.
La pintura de cada tablero desprende 0,02 metros cúbicos de materia
contaminante, mientras que la pintura de cada caja desprende 0,03 m3 de
aire contaminado. La normativa europea aplicable a este tipo de empresas
establece un máximo de emisiones contaminante de 1 m3 diario.
Cada tablero, una vez pintado, ocupa en el almacén un equivalente a
20 m2, aproximadamente, es decir, incluidos pasillos de acceso y otros. Las
cajas una vez pintadas ocupan un equivalente a 10 m2 (téngase en cuenta que
no se pueden apilar para facilitar el secado de la pintura).
La empresa percibe de los proveedores-clientes por cada tablero
pintado 100 dólares, mientras que el precio de las cajas es de 50 dólares.
Con esta información, el gerente de la empresa debe determinar la
cantidad de elementos metálicos (tableros y cajas) que debe pintar
diariamente la empresa con el fin de maximizar los ingresos de la firma.
Además de esto, el gerente de la empresa tiene una oferta verbal del
director de planta de una fábrica adyacente, que estaría dispuesto a cederle
una parte de su almacén a un precio unitario de 0.7 $/m2. ¿ Le interesaría al
gerente de la empresa XZT entrar a negociar una oferta en firme sobre el
almacén de la empresa adyacente?.
El Departamento de Medio Ambiente está estudiando una nueva
normativa para restringir los agentes contaminantes del medio ambiente. Ello
repercutiría en la empresa XZT en que el máximo de emisión diaria

permitida se situaría en 0.9 m3. Si la empresa mantiene el actual nivel de

emisiones (1 m3) recibiría una sanción de 70 dólares diarios. Ante la entrada
en vigor de la nueva normativa: ¿Le interesaría a la empresa seguir
manteniendo el actual nivel de emisiones contaminantes?. ¿Seria
económicamente posible?, en el supuesto de que fuera económicamente
factible, ¿Seria ético?.
Solución
Planteo
Cantidad Precio Almacenamiento Contaminación
Tableros X1 100 20 0.02
Cajas X2 50 10 0.03
1.- Variables:
X1 = Cantidad de tableros (X1 ≥ 0)

X2 = Cantidad de cajas (X2 ≥ 0)
2.- Función objetivo: INGRESOS Z
Maximizar: Z = 100 X1 + 50 X2
3.- Las restricciones son:

Facilidades de almacenamiento
20 X1 + 10 X2 ≤ 2000
Emisiones máximas
0.02 X1 + 0.03 X2 ≤ 1
4.- Enunciado:
Maximizar Z = 100 X1 + 50 X2
20 X1 + 10 X2 ≤ 2000
0.02 X1 + 0.03 X2 ≤ 1
Uso de UNTSIM
El simulador UNTSM posee una rutina para minimizar la función objetivo, por
lo que para usar en maximización debemos cambiar los signos a la función
objetivo con lo cual el enunciado será:
Minimnizar Z = -100 X1 - 50 X2


20 X1 + 10 X2 ≤ 2000
0.02 X1 + 0.03 X2 ≤ 1
X1 ≥ 0
X2 ≥ 0
Para acceder al programa, seleccionamos del Menú Principal: Cálculos de

Ingeniería Química – Optimización – Programación lineal
ESTE PROGRAMA EJECUTA CALCULOS DE PROGRAMACION LINEAL

*****************************************************
ver Optimización Capitulo 5, Ejemplo 5.6
Ingresar Coeficientes de la función [a; b;.. ]: [-100; -50]
: [20 10; 0.02 0.03]
: [2000; 1]
: []
: []
Limites inferiores de las variables (vector): [0; 0]

*********************************************
x =
50.0000
0.0000
fval =
-5.0000e+003
De la respuesta del programa se tiene que la utilidad máxima satisfaciendo todas

las restricciones se tiene cuando se pintan 50 tableros y 0 cajas.
La Utilidad máxima es 5000,00 (volvemos a cambiar el signo )

6.2 COSTO DE TRATAMIENTO DE EFLUENTES: Contaminación de

un rió
Problema. Las descargas de aguas de desecho de las grandes ciudades son con
frecuencia, la causa principal de la contaminación en un rió. La Fig. 1 ilustra el
tipo de sistema que un ingeniero ambiental podría enfrentar. Varias ciudades
están localizadas sobre un río y sus afluentes.
El problema es determinar el nivel de tratamiento que satisfaga los
estándares de calidad del agua a un costo mínimo.
P1 P2
WWTP2 W2
WWTP1 •2
W1
1•
23
P4
13 3
• WWTP4
W3 34
W4
WWTP3 •
4
P3 45
Fig. 6.1 Cuatro plantas de tratamiento de aguas de desecho que descargan

contaminantes a un sistema de ríos. Los segmentos del río entre las
ciudades están indicados con números dentro de un círculo
1. Modelamiento del sistema
Cada ciudad genera contaminación a una razón de carga P que tiene unidades de
miligramos por día (mg/día). La carga contaminante está sujeta al tratamiento de
desechos que resulten de una remoción fraccional x. Así, la cantidad descargada
al río es el exceso no removido por el tratamiento,
Wi = (1 – xi)Pi (1)
donde
Wi = descarga de desechos desde la ciudad i-ésima.
Pi = generación de contaminantes por la ciudad i (mg/día)
x = fracción de contaminantes removida

Cuando las descargas de desechos entran en la corriente, se mezclan con la

contaminación de las fuentes corriente arriba. Si se supone un mezclado
completo en el punto de descarga, la concentración resultante en el punto de
descarga se puede calcular con un simple balance de masa,
Wi + Qu Cu
ci = (2)
Qi
donde
Qu = flujo (litros/día),
cu = concentración (mg/litro) en el río inmediatamente corriente arriba de la
descarga
Qi = flujo corriente abajo del punto de descarga (litro/día).
Después que se establece la concentración en el punto de mezclado, los

procesos de descomposición químicos y biológicos pueden removerse algo de la
contaminación cuando fluye corriente abajo. Para el presente caso, se supone
que esta remoción se puede representar por una simple reducción fraccional R.
Suponiendo que los cabezales de agua (por ejemplo las ciudades 1 y 2 en el
río mostrado antes) están libres de contaminantes, las concentraciones en los
cuatro nodos se pueden calcular como:
(1 − x1 ) P1
c1 =
Q13
(1 − x 2 ) P2
c2 = (3)
Q23
R Q c + R23 Q23 c 2 + (1 − x3 ) P3
c3 = 13 13 1
Q34
R34Q34 c3 + (1 − x4 ) P4
c4 =
Q45
Después se observa que el tratamiento de aguas tiene un costo

diferente, di ($1 000/mg removido) en cada una de las localidades. Así, el costo
total de tratamiento (sobre una base diaria) se puede calcular como
Z = d1P1x1 + d2P2x2 + d3P3x3 + d4P4x4 (4)
donde
Z = es el costo diario de tratamiento ($ 1 000/día).
La pieza final en la “decisión rompecabezas” involucra regulaciones
ambientales. Para proteger los usos benéficos del río (por ejemplo, paseos en

bote, pesca, tomar un baño), las regulaciones indican que la concentración del
río no debe exceder un estándar de calidad cs.
En la tabla 1. se resumen los parámetros para el sistema del río de la Fig.
1. Advierta que hay una diferencia en los costos de tratamiento entre las
ciudades corriente arriba (1 y 2) y corriente abajo (3 y 4) por la naturaleza
impredecible de las plantas corriente abajo.
La concentración se puede calcular con la ecuación (3) y el resultado se
enlista en la columna sombreada para el caso donde no se implementó
tratamiento de aguas (es decir, donde todas las x = 0). Observe que el estándar de
20 mg/litro se viola en todos los puntos de mezclado.
Tabla 1. Parámetros para las cuatro plantas de tratamiento de aguas de desecho

que descargan contaminantes a un sistema de ríos, junto con los
resultados de concentración (ci) para tratamiento cero. También se
enlista el flujo, el factor de remoción y los estándares para los
segmentos del río
Ciudad Pi(mg/día) di($10- ci(mg/litro) Segmento Q(litros/día) R cs(mg/litro)

6
/mg)
1 1.0x109 2 100 1–3 1.00x107 0.50 20
2 2.0x109 2 40 2–3 5.00x107 0.35 20
3 4.0x109 4 47.3 3–4 1.10x108 0.60 20
4 2.5x109 4 22.5 4–5 2.50x108 20
2. Simulación (resolución del modelo)
Hemos optado por usar la programación lineal para determinar los niveles de
tratamiento que satisfacen los estándares de calidad del agua un mínimo costo.
También, se evaluará el impacto al hacer el estándar más restringido debajo de la
ciudad 3. esto es, el mismo caso pero ahora con los estándares para los
segmentos 3 – 4 y 4 – 5 disminuidos a 10 mg/litro.
Todos los factores antes mencionados se pueden combinar en el siguiente
problema de programación lineal:
Minimizar: Z = d1P1x1 + d2P2x2 + d3P3x3 + d4P4x4 (5)
Sujeto a las siguientes restricciones:
(1 − x1 ) P1
≤ c S1
Q13
(1 − x 2 ) P2
≤ cS 2
Q23
(6)

R13 Q13 c1 + R23 Q23 c 2 + (1 − x3 ) P3

≤ cS 3
Q34
R34 Q34 c3 + (1 − x 4 ) P4
≤ cS 4
Q45
0 ≤ x1 , x 2 , x3 , x4 ≤ 1 (7)
De esta forma, la función objetivo es minimizar el costo de tratamiento

[véase ecuación (5)] sujeto a la restricción de los estándares de calidad del agua
que se deben satisfacer para todas las partes del sistema [véase ecuaciones(6)].
Además el tratamiento no debe ser negativo o mayor que el 100 % de remoción
[véase ecuación (7)].
El problema se puede resolver por una variedad de paquetes tales como

LINDO, MATLAB, EXCEL, etc.
Reemplazando valores se tiene:
Minimizar: Z = 2.0x109x1 + 4.0x109x2 + 1.6x1010x3 + 1.0x1010x4
100 - 100 x1 ≤ 20 - 100 x1 ≤ -80

40 - 40 x2 ≤ 20 - 40 x2 ≤ -20
47.2727- 36.3636x3 ≤ 20 - 36.3636x3 ≤ -27.2727
22.4872 -10x4 ≤ 20 -10x4 ≤ -2.4872
0 ≤ x1 , x 2 , x3 , x4 ≤ 1
O lo que es lo mismo:
Minimizar: Z = 2.0x1 + 4.0x2 + 16x3 + 10x4
- 100 x1 ≤ -80
- 40 x2 ≤ -20
- 36.3636x3 ≤ -27.2727
-10x4 ≤ -2.4872
con
0 ≤ x1 , x 2 , x3 , x4 ≤ 1

Ciudad Pi(mg/día) di($10- ci(mg/litro) Segmento Q(litros/día) R cs(mg/litro)

6
/mg)
1 1.0x109 2 100 1–3 1.00x107 0.50 20
2 2.0x109 2 40 2–3 5.00x107 0.35 20
3 4.0x109 4 47.3 3–4 1.10x108 0.60 20
4 2.5x109 4 22.5 4–5 2.50x108 20
>> untsim
ESTE PROGRAMA EJECUTA CALCULOS DE PROGRAMACION LINEAL

*****************************************************
ver Optimizacion Capitulo 5, Ejemplo 5.6
Ingresar Coeficientes de la funcion [a; b;.. ]: [2; 4;
16;10]
: [-100 0 0 0; 0 -40 0 0; 0 0 -36.3636 0; 0 0 0 -10]
: [-80; -20; -27.2727; -2.4872]
: []
: []
Limites inferiores de las variables (vector): []

*********************************************
x =
0.8000
0.5000
0.7500
0.2487
El valor optimo de la función es:
fval =
18.0872

El número de iteraciones fue:
output =
iterations: 4
algorithm: 'large-scale: interior point'
cgiterations: 0
message: 'Optimization terminated.'
**********************************************
Hacer análisis de sensibilidad si(1) no(0): 0
De la respuesta del programa se tiene que el costo mínimo de tratamiento

satisfaciendo las restricciones impuestas es de :
Zmin = 18.0872 *(1 000/día) = 18087,2 $/día
Este costo mínimo se consigue cuando las fracciones de remoción son las
siguientes:
x1 = 0.8000
x2 = 0.5000
x3 = 0.7500
x4 = 0.2487
Problemas
1. Recientemente los ingenieros químicos se han involucrado en el área

conocida como minimización de desechos. Esto comprende la operación de
una planta química de un modo tal que el impacto sobre el ambiente sean
minimizados. Suponga que una refinería desarrolla un producto, Z1, hecho
de dos materias primas X y Y. La producción de una tonelada métrica del
producto involucra 1 tonelada de X y 2,5 toneladas de Y y produce 1
tonelada de un liquido de desecho, W. Los ingenieros tienen que enfrentar
esto con tres formas alternas para el manejo de los desechos:
Producir una tonelada de un producto secundario, Z2, al agregar una

tonelada adicional de X por cada tonelada de W.
Producir una tonelada de otro producto secundario, Z3, al agregar 1

tonelada de Y por cada tonelada de W.
Tratar los desechos de tal forma que su descarga sea permisible.

Los productos dan utilidades de $2 500, – $50 3 y $200 por tonelada para
Z1, Z2 y Z3 respectivamente. Observe que al producir Z2 se obtiene de
hecho una pérdida. El costo del proceso de tratamiento es de $300 por
tonelada. Además, la compañía tiene acceso a un límite de 7 500 y 10 000
toneladas de X y Y durante el periodo de producción. Determine qué
cantidad de productos y desechos se deben crear para maximizar las
utilidades.

CAPITULO
7
MODELOS DE RECICLO
7.1 VALORACION DEL CICLO DE VIDA
7.1.1 Introducción
La valoración del ciclo de vida (LCA) es un acercamiento holístico que
analiza las consecuencias medioambientales asociadas con el ciclo de vida de un
proceso o el producto. Enfoca los flujos de materiales y energía desde la
extracción de materias primas hasta la fabricación del producto y al manejo de
residuos. Mediante la aplicación de estas valoraciones, puede mejorarse la
actuación medioambiental de la industria
Allen y Rosselot1 dan un buen resumen sobre este campo de crecimiento
rápido, y los distintos medios de comunicación también se han consagrado a
estos asuntos (vea las referencias). Como fuera indicado por Allen y Rosselot,
la LCA consiste de tres componentes: (1) la valoración del inventario (para las
basuras, emisión, los materiales crudos, y uso de energía), (2) la valoración de
impacto medioambiental, y (3) el análisis de mejora (para reducir el impacto
medioambiental). En las condiciones más familiares, significa (1) hacer un
balance de materia y energía en un contexto más grande (el ambiente biofísico)
y (2) buscar modelos para el uso eficaz de los recursos. El libro por Allen y
Rosselot1 ofrece varios ejemplos buenos, por ejemplo, envases de comestibles de
papel versus de polietileno, etc.
Cualquier uso eficaz de los recursos implica producción de material de
reciclo por consiguiente, estamos tratando con una variedad de reciclos en la
LCA, y es importante rastrear los flujos de materiales en la valoración del
inventario del ciclo de vida. Es más, desde la perspectiva ecológica industrial la
meta final para el desarrollo sustentable es cerrar los ciclos de materiales, lo cual
permita el reciclo total (por ejemplo, se recicla 100%). Es importante reconocer
las implicaciones de tal tendencia sobre los negocios y las prácticas de diseño.

Recursos naturales
Energía, materiales
Adquisición de materias primas
Ej. minerales, crudo de petróleo,

Las emisiones aéreas, los extracción de madera
residuos sólidos, residuos
líquidos
Manufactura de materiales
Ej Acero delos automóviles en forma de lingotes, madera del mobiliario usado en papel
Ej. pigmentos de minerales, solventes
Las emisiones aéreas, los y plásticos de derivados del petróleo,
residuos sólidos, residuos papel y madera de los árboles
líquidos
Manufactura de productos
RECICLO DE MATERIAL
Ej. cuerpos de automóvil del acero,
REMANUFACTURA DEPRODUCTO
Las emisiones aéreas, los pinturas de pigmentos y solventes,
residuos sólidos, residuos muebles de madera
líquidos
Ej Papel periódico
Ej Botellas de vidrio recambiadas
RECICLO DE PRODUCTO
Usos del producto
Ej. aplicación de pintado y secado,

Las emisiones aéreas, los manejo de un automóvil
residuos sólidos, residuos
líquidos
Disposición del producto
Las emisiones aéreas, los Ej. residuos de plástico y papel, los

automóviles dados de baja las latas
residuos sólidos, residuos vacías de pintura, inmobiliario
líquidos desechado
Figura 7.1 Sistema de reciclo típico

Debe enfatizarse que el material de reciclo no siempre es favorable para

todos los productos y, nuevamente, la LCA proporciona la evaluación
apropiada.
La mayoría de las LCA tratan con el aspecto estático de reciclado. Los
aspectos dinámicos de la LCA han recibido pequeña atención hasta no hace
poco. La naturaleza del material reciclado da como resultado lazos positivos de
reciclo (retroalimentación). Esto, a su vez, da una muy única conducta
dinámica. La retroalimentación positiva se observa en muchas disciplinas de
ciencia e ingeniería. Los reciclos de material e integración de energía en los
procesos químicos son típicamente ejemplos de retroalimentación positiva.
Es muy conocido que la dinámica de un sistema de retroalimentación
positiva puede ser drásticamente diferente de la dinámica del sistema original
(sin la retroalimentación). Los objetivos de este trabajo son estudiar la conducta
dinámica de ciclos de vida de producto, en particular el inventario de ciclo de
vida, y sus implicaciones a la ingeniería de procesos del sistema. Se pone énfasis
sobre el diseño y operación del proceso.
7.1.2 Comportamientos dinámicos de ciclos de vida
7.1.2.1 Estructuras de Reciclo

Allen y Rosselot1 establecieron un armazón para la valoración del
inventario del ciclo de vida (LCIA) donde el reciclando puede tener lugar en
diferentes etapas de producción. Como se muestra en la Figura 7.1, dependiendo
de los tipos de productos, los residuos pueden reciclarse para reusarlos producto
remanufacturado y/o material remanufacturado y estos son materias primas a
diferentes etapas de manufactura. Entonces, puede existir más de un lazo de
reciclo, y es obvio que todos son lazos de retroalimentación positivos (por
ejemplo adición de material a una etapa anterior del proceso como resultado de
un reciclo). Cuando se disponen de las relaciones de reciclo, podemos proceder a
computar la asociada demanda de energía y la generación de residuos. Esto es
exactamente la esencia de la (LCIA). Sin la pérdida de generalidad, nos
restringimos a un tipo específico de materia prima en la práctica industrial, y se
pone énfasis en el reciclo de tal material.
La Figura. 7.1 generalmente describe el aspecto del estado estacionario
de la LCIA y la conducta dinámica puede ser lejos diferente de lo esperado
como resultado de la retroalimentación positiva. Por motivos de claridad,
permítanos tomar un simple ejemplo, una botella de bebida suave que se recicla
al proceso, para ilustrar esto. La Figura. 7.2 muestra un sistema de reciclo de una
botella de vidrio (por ejemplo, similar al saco del papel que recicla Allen y
Rosselot1) donde nosotros tenemos solamente un lazo de reciclo qué regresa a la
fabricación del producto. Si 80% de las botellas producidas usan botellas
recicladas y 20% son botellas nuevas, desde la perspectiva del estado

estacionario, las plantas que manejan el material reciclado (por ejemplo,

lavando, limpiando, y etiquetando) y las materias primas (por ejemplo,
producción de nuevas botellas) simplemente quedan a capacidades de 80/20.
Sin embargo, durante el transito, la demanda para ambos materiales
puede ser significativamente diferente al correspondiente al estado estacionario.
7.1.2.2 Dinámica de Reciclo

Los aspectos de la dinámica de la LCA pueden ser bien representados
usando el diagrama de bloques. Es una herramienta estándar de modelamiento
como aparece en muchos libros de control de procesos. Permitámonos de nuevo
usar la Figura.7.2 para ilustrar como se puede incluir la dinámica en los ciclos de
vida del producto. En lugar de mostrar solamente los valores del estado
estacionario, pueden ser incluidos elementos dinámicos simples (por ejemplo
sistemas de primer orden, o retardos de primer orden) en las rutas principal y de
reciclo.
Figura 7.2 Reciclo de Botella de vidrio

Considerar un ejemplo de reciclo de producto bien definido; por ejemplo,

botellas de vidrio reusadas como muestra la Figura.2, en donde las botellas para
envasar una bebida provienen de botellas nuevas y de reciclo, el lazo simple de
reciclo del producto puede transformarse en un diagrama de bloques equivalente
como muestra la Figura. 7.3, donde F(s) denota al material fresco (botellas
nuevas), R(s) tolerancia para el material de reciclo (botellas recicladas), P(s)
representa al producto (botellas de bebida), y W(s) son los desechos. Notar que
en el análisis de diagrama de bloques normalmente tomamos la transformada de
Laplace de las variables de desviación (por decir desviación de su valor normal).
Por ejemplo, F(s) puede obtenerse de
F(s) = ∠[Fd(t)] = ∠[F(t) – F ] (7.1)
Aquí el operador∠ denota la transformación de Laplace, el superíndice d

denota la variable de desviación y F es el valor nominal de materias primas. La
función de transferencia describe la relación entrada/salida por ejemplo R(s) =
GR(s) P(s) como se muestra en la Figura 7.3. GP(s), GR(s) y GW(s) representan la
dinámica de manufactura del producto, dinámica en el lazo de reciclo y dinámica
de generación de desperdicios respectivamente, se debe dejar claro que la
dinámica (GR(s)) en el lazo de reciclo es de especial importancia.
GR(s)
R(S)
F(S) + + P(S) W(S)

GP(s) GW(s)
GP(s) = Dinámica de manufacture del producto

GR(s) = Dinámica del lazo de reciclo
GW(s) = Dinámica de la generación de residuos.
Figura 7.3 Diagrama de bloques para el sistema de reciclo de producto
Haremos uso de un ejemplo para ilustrar la construcción de las funciones

de transferencia. Una compañía produce 100 000 botellas de bebida gaseosa por
mes (en botellas de vidrio). Si el 80 % de las botellas provienen del reciclo, de
un balance de materiales tenemos P = 106, R = 0.8 x 106, F = 0.2 x 106 y W =
0.2 x 106. Notar, que aquí asumimos que solamente una fracción despreciable de
botellas se pierden durante la etapa de manufactura. Inmediatamente, también
obtenemos la ganancia al estado estacionario para estas tres funciones de

transferencia, las cuales son GP(0) = 1, GR(0) = 0.8 y GW(0) = 0.2. Definiendo la
razón de reciclo como:
KR = GR(0) = razón de reciclo (7.2)
Esta es la fracción de producto (botellas) que se reciclan en el sistema.

Notar que la razón de reciclo, KR, falla entre 0 (no hay reciclo) y 1 (reciclo total)
y, en este caso, tenemos KR = 0.8. Es también claro que la ganancia al estado
estacionario de la generación de la dinámica de generación de residuos (GW(s))
es simplemente 1 – KR. Así, tenemos toda la información para las funciones de
transferencia (actualmente toda la información que necesitamos es la relación de
reciclo).
Para un sistema de primer orden, la única información de la dinámica que
necesitamos es la constante de tiempo (τ). Para la dinámica de reciclo (GR(s)),
significa cuanto tiempo demora en recolectar el 63.2 % de botellas de reciclo.
Para un producto dado, esto es a menudo referido como el tiempo del ciclo, es
decir, el promedio de tiempo transcurrido cuando las botellas son recogidas en
una fecha específica. Si toma 6 meses para recolectar el 63.2 % de los materiales
reciclados, entonces tenemos la siguiente función de transferencia para la
dinámica en el lazo de reciclo.
KR 0 .8
GR(s) = = (7.3)
τs + 1 6 s + 1
La constante de tiempo del ciclo, τ, depende del mecanismo de reciclo, así

como de los incentivos proporcionados. Generalmente esta es la constante de
tiempo dominante en la estructura del reciclo (Figura 7.3). La dinámica de
producción es relativamente rápida comparada a la dinámica de reciclo, debido a
que los cambios de producción pueden hacerse en horas comparado a la
constante de tiempo de meses en el reciclo. Por lo tanto es razonable asumir la
siguiente dinámica de producción:
GP(s) = 1 (7.4)
La constante de tiempo (τW) de la dinámica de generación de residuos

(GW(s)) generalmente es más pequeña que la del lazo de reciclo.
La función de transferencia puede expresarse como:
1− KR
GW(s) = (7.5)
τW s + 1
Debido a que estamos interesados en los efectos de la dinámica de reciclo

sobre el sistema de producción la influencia de GW sobre el medio ambiente
puede no ser explorada posteriormente. Con los elementos dinámicos

correspondientes podemos evaluar rápidamente la dinámica del reciclo. A partir

del diagrama de bloques tenemos:
P(s) = GP(s) (F(s) + R(s)) = GP(s) (F(s) + GR(s) P(s)) (7.6)
Rearreglando la Ecuación. 7.6 tenemos
P(s) = GP(s) F(s) + GR(s) GP(s) P(s)
P(s) – GR(s) GP(s) P(s) = GP(s) F(s)
P(s) [1 – GR(s) GP(s)] = GP(s) F(s)
P(s) G P ( s)
= (7.7)
F ( s ) 1 − G P ( s )G R ( s )
Sustituyendo las funciones de transferencia (Ecuaciones. 7.3 y 7.4) en la

Ecuación. 7.7, tenemos:
P(s) 1 τs + 1 τs + 1
= = (7.8)
F ( s) 1 − K R τ τs + (1 − K R )
s +1
1− KR
Para un cambio en la unidad de escalón de F(s), se puede escribir un

programa MATLAB para la Ecuación. 7.8 de la siguiente manera:
» ta=0.5;
» kr=0;
» num=[ta, 1];
» den=[ta, (1-kr)];
» step(num,den);
» xlabel ('Años');
» ylabel('P');
En el programa anterior se puede variar KR = 0.5 y KR = 0.9, obteniéndose

las Figuras. 7.4A, 7.4B y 7.4C respectivamente

KR = 0
2
1.5
1
P
0.5
0
0 5 10 15 20
Años
(a)
KR = 0.5
2
1.8
1.6
P
1.4
1.2
1
0 2 t 95 4 6 8 10
Años
(b)

KR = 0.9
10
6
P
2
t95
1
0 5 10 15 20 25 30
Años
(c)
Figura 7.4 Respuestas ante cambio en la demanda
Dos observaciones pueden hacerse inmediatamente:

1. La retroalimentación positiva en el lazo de reciclo hace que la ganancia al
estado estacionario entre el material nuevo (F) y el producto (P) sea grande.
Esto indica que podemos hacer más producto usando menos materias primas.
Así como estamos cerrando el ciclo del material (KR →1) la ganancia al
estado estacionario tiende al infinito (1/(1 – KR)→∞). Ciertamente este es el
lado positivo de reciclar, y es exactamente la esencia de cerrar el ciclo del
material como se enfatiza en la ecología industrial.
2. El reciclo hace que la constante de tiempo entre las materias primas

suministradas (F) y la producción completa (P) sea grande. Esto significa
que tendremos una fabricación de producto lenta como consecuencia de usar
materiales reciclados. En otras palabras, se hace más y más difícil alcanzar la
demanda de los consumidores ( tal como un incremento arbitrario en P). La
razón por la cual el proceso de reciclo toma un tiempo que no puede
acelerarse por ningún mecanismo de producción. Es más, como estamos
cerrando el ciclo de (KR → 1), la constante de tiempo tiende al infinito
(τ/(1 – KR) → ∞) por decir, esto toma un tiempo extremadamente grande
para satisfacer la demanda). Este es el lado negativo del uso de material
reciclado que no puede ser previsto a menos que sea considerado el aspecto
dinámico.

Nuevamente haremos uso del ejemplo del material reciclado para

ilustrar esto. Recordando que la constante de tiempo del reciclo es 6 meses (τ
= 6). Si estaríamos en un mundo primitivo donde no se recicla, KR = 0, las
materias primas suministradas pueden inmediatamente satisfacer la demanda
del mercado. La Figura. 7.4a muestra que un incremento en escalón de F es
directamente reflejado en la producción (P). Sin embargo la Fig. 4B indica
que si el 50 % de botellas provienen de reciclo, toma casi 27.6 meses en
conseguir el 95 % del valor al estado estacionario (t95). Aun, peor, cuando
nos acercamos al cierre del ciclo de material (tal como KR = 0.9 en la Figura.
4C toma casi 15 años para reflejar este cambio ( para alcanzar el 95% del
valor al estado estacionario).
7.1.3. IMPLICACIONES A PROCESOS INDUSTRIALES
Nosotros hemos visto solamente la parte superior e inferior de cerrar el

ciclo del material. Parece bastante obvio el aumento en la utilización de
materiales de reciclo lo cual indica un aumento en KR, lo cual será la norma para
muchos procesos industriales en el futuro. Como pueden las industrias cubrir tal
tendencia?. Una posible solución para cubrir la demanda es usar un inventario
extra.
7.1.3.1 Aumento del inventario: Materias primas. Un esquema de producción

debe estar siempre orientado a cubrir la demanda del mercado. En términos del
sistema feedback negativo, en la Figura. 7.3, esto significa que P(s) ha
respondido a un cambio arbitrario instantáneamente. En otras palabras como lo
hace el sistema [por ejemplo el suministro de materias primas F(s)] para que
responda a un cambio en escalón de la producción P(s)?. Esto puede ser
derivado directamente del diagrama de bloques. Considerando un aumento de la
unidad de escalón en la demanda, de la Ecuación. 7.8 tenemos:
τ
s +1
1− KR
F(s) = (1 – KR) P( s) =
τs + 1
τ
s +1
1− KR 1 1− KR K τ
(1 – KR ) = + R (7.9)
τs + 1 s s τs + 1
La Ecuación. 7.9 indica que el suministro de materias primas está

compuesto por dos partes: la parte de suministro continuo [tal como (1 – KR)/s] y
la parte se suministro por inventario [tal como KRτ / (τs +1)]. Nosotros podemos
averiguar cuanto inventario es necesario para un incremento en la unidad de
escalón de la demanda (por ejemplo un aumento en una unidad de P). La

transformada inversa de Laplace de la parte correspondiente al inventario en la

Ecuación. 7.9 da:
 K Rτ 
F(t) = ∠-1  τs + 1  = KR e -t/τ (7.10)
Para las materias primas, el inventario para satisfacer la demanda está dado
por:
∞
FI = ∫ F (t )dt = KRτ (7.11)
0
El resultado muestra que para satisfacer los cambios en el mercado,

necesitamos un inventario extra de KRτ para un aumento en la unidad de escalón
en P. Debido a que el flujo al estado estacionario del suministro es 1 – KR, el
inventario puede ser expresado en términos del tiempo.
KR
τF = τ (7.12)
1− KR
Esto muestra que para cada aumento de una unidad de escalón en P,

necesitamos un stock de materias primas para el tiempo de τF con respecto a su
valor al estado estacionario. Para la compañía de gaseosas del ejemplo con KR =
0.8 y τ = 6, a 20 por ciento de incremento en las ventas, implica que deben
hacerse 20 000 botellas más ( ∆P = 0.2 P = 20 000) y esto implica un
inventario extra de 96 000 botellas nuevas (FI = KRτ∆P). Debido a que el
suministro al estado estacionario de botellas nuevas para este incremento es
solamente de 4000 botellas nuevas [∆F = (1 – KR)∆P), esto corresponde a un
inventario de “24 meses” (τF = F1/∆F = 96 000/4000 = 24) de tal manera que
pueda cubrirse la demanda instantánea del mercado. Es obvio que esto no es
práctica común. A medida que cambia el suministro de materias primas (F) para
satisfacer la demanda del mercado y el reciclo del material (R) va en aumento
lento hasta alcanzar el valor al estado estacionario. Notar también que, para F, la
razón del máximo valor al valor final al estado estacionario es 5 [1/(1 – KR)] lo
cual excede lejos a la razón de retorno de la mayoría de plantas de
procesamiento continuo.
7.1.3.2 Incremento de Inventario: Material Reciclado

Una alternativa para satisfacer la demanda del mercado es aumentar el
inventario de material reciclado. Nuevamente el análisis dinámico es una
poderosa ayuda. Con undiagrama de bloques similar a la Figura. 7.3. Si el
inventario del material reciclado [RI(s)] es la única manera para satisfacer la
diferencia. Del diagrama de bloques y asumiendo GP(s) = 1 tenemos

RI(s) = P(s) (1 – GR) – F(s) (7.13)
Para un incremento de P(s) en una unidad de escalón [por ejemplo P(s) =

1/s] y asumiendo que F(s) permanece con el valor al nuevo estado estacionario
[por ejemplo F(s) = (1 – KR )/s] obtenemos:
K Rτ
RI(s) = (7.14)
τs + 1
De manera similar al caso previo, se usa la transformada inversa de

Laplace para encontrar el inventario para el material reciclado.
RI = KRτ (7.15)
Cuando la Ecuación. 7.15 es comparada con la Ecuación. 7.11 queda

completamente claro que necesitamos un inventario de KRτ para compensar la
baja dinámica del reciclo, y esta es la cantidad total de materiales de proceso sin
considerar de donde provengan (por ejemplo de materias primas o de reciclo de
materiales). El análisis muestra como el inventario en el lazo de reciclo
proporciona bastante material de proceso para satisfacer la demanda del
mercado. Nuevamente, el inventario puede ser expresado en términos de del
tiempo de residencia.
τ R = KRτ /KR = τ (7.16)
El resultado muestra que el tiempo de residencia es exactamente el mismo

que la constante de tiempo del reciclo. Esto indica que para un aumento en una
unidad de escalón en P, necesitamos un stock de material reciclado para el
tiempo de τ con respecto a su valor al estado estacionario. Nuevamente para el
caso de un 80 % de razón de reciclo (KR = 0.8) y una constante de reciclo de 6
meses, necesitamos tener un inventario de “6 meses” de manera que pueda
cubrirse la demanda instantánea del mercado. El análisis revela además los
flujos de materias primas, material de reciclo, y el producto. La razón del
máximo valor para el procesamiento del material reciclado a su valor al estado
estacionario, es la unidad como muestra. Eso implica que la planta de
procesamiento de material reciclado debe ser operada a una capacidad constante.
En otros términos prevemos pequeños problemas en la razón de retorno para las
plantas de procesamiento de material reciclado.
7.1.3.3 Aumento de Inventario: Materias primas/material reciclado.

Los dos casos previos asumen que las plantas de procesamiento de materiales
pueden ser operadas bajo diferentes razones de materias primas /materias
recicladas durante el estado transitorio. Este puede no ser el caso para algunas

industrias. Entonces es razonable asumir que la razón de materiales utilizados

permanece igual para el tiempo considerado. Esto significa que la razón de
materias primas a material reciclado es mantenido a un valor constante , (1 –
KR)/KR. Bajo estas circunstancias cual deberá ser la cantidad de inventario para
ambos tipos de material?. En la dinámica LCA, esto implica que F(s)/[RI(s) +
R(s)] = (1 – KR)/KR . Nuevamente, tanto F(s) como RI(s) pueden ser recalculados
asumiendo un incremento en una unidad de escalón en P(s). Con lo cual tenemos
1 − K R (1 − K R ) K Rτ
F(s) = + (7.17)
s τs + 1
K R K Rτ
RI(s) = (7.18)
τs + 1
Nuevamente, la transformada inversa de Laplace es usada para computar

los inventarios de materias primas y material reciclado, y obtenemos:
FI = (1 – KR)KRτ (7.19)
RI = K R2 τ (7.20)
Probablemente una mejor medida del inventario es el tiempo de residencia.

Dividiendo los inventarios correspondientes por los flujos de material, tenemos:
τF = τR = KR τ (7.21)
La Ecuación 7.21 muestra que los tiempos de residencia para el inventario

extra son el producto de la razón de reciclo y la constante de tiempo del reciclo,
y estos son los mismos para ambos casos. Debido a que la razón de reciclo
siempre es menor que 1, para el extremo, el tiempo de residencia se aproxima a
la constante de tiempo del reciclo. Notar que esto es probablemente lo mas
necesario para la mayoría de plantas de procesamiento. Nuevamente para el
ejemplo de reciclo de producto, una razón de reciclo de 80 % y una constante de
tiempo de reciclo de 6 meses, necesitamos tener inventarios de “4,8 meses” tanto
para materias primas como para materiales reciclados, para conseguir satisfacer
la demanda del mercado. El análisis muestra que el flujo de materia prima rebasa
su valor al estado estacionario, mientras que el flujo de material reciclado no
alcanza su valor al estado estacionario. La razón de la demanda máxima al valor
final al estado estacionario es 1.8 ( por ejemplo, 1 + KR ) para las materias
primas. Para el material reciclado, la demanda inicial es 80 % de su valor al
estado estacionario (por ejemplo KR). Para el procesamiento de material

reciclado la razón de retorno es “1,25”, lo cual es bastante aceptable. Sin

embargo para el suministro de materias primas, la razón alcanzará
eventualmente un valor de “2” cuando nos aproximamos a cerrar el ciclo del
material (cuando KR → 1). Nuevamente este es un límite alto para la mayoría de
diseños de ingeniería.
7.1.4. Implicancias de políticas de reciclo
La razón para inventarios extras grandes y/o grandes razones de retorno

se debe al bajo suministro de materiales reciclados (debido a que la velocidad de
reciclado depende del consenso de nuestra sociedad). El problema igualmente se
pondrá mas difícil cuando nos acerquemos a nuestra meta final: cerrando el ciclo
del material (cuando KR → 1). Esto mismo lleva a una práctica muy
desfavorable en las industrias de proceso, y eventualmente, el precio deberá ser
pagado por el consumidor. La perdida de inventario para un incremento en la
unidad de escalón en la demanda del mercado, puede ser expresado
analíticamente como “KRτ”. En otras palabras, este inventario adicional es
necesario para proporcionar sensibilidad al sistema de retroalimentación
positiva (por ejemplo respuesta instantánea a cambios en la producción). Es
interesante notar que esto es simplemente el producto de la razón de reciclo (KR)
y la constante de tiempo del reciclo (τ).
Debido a que el reciclo de materiales es siempre una política importante
en muchos gobiernos locales y nacionales, nos anticipamos a un aumento en la
cantidad de reciclo (por ejemplo la fracción de producto reciclado).
Desafortunadamente como se ha notado, esto hace que la dinámica del sistema
disminuya y se necesite mayores inventarios en el futuro. Sin embargo, en este
trabajo, damos un hecho menos conocido que la velocidad de reciclo es también
importante, es decir, cuan pronto puso Ud. Las botellas, los periódicos, etc. en
el sistema de reciclo. En particular la constante de tiempo del reciclo, τ, es una
buena medida de la velocidad de reciclado. Acortando la constante de tiempo del
reciclo puede efectivamente aumentar la velocidad de la dinámica del sistema
total, y, subsecuentemente puede aliviar los problemas de inventario. Considerar
un producto industrial como ejemplo de reciclo. Las ventas de la bebida XY en
el verano son 2 700 000 botellas/mes con una razón de reciclo de 86,8 %.
Normalmente la constante de tiempo del reciclo es de alrededor de 2,5 meses (τ
= 2.5). Para satisfacer un incremento de 20 % en la demanda, necesitamos,
necesitamos 1 200 000 botellas nuevas como inventario adicional, dado de FI =
KRτ∆P = (0.868)(2.5)[(0.2)(2 700 000)] = 12 x 106. de otro lado si el tiempo del
ciclo es reducido a 1 mes, el inventario adicional es solamente 40 % de la figura
original, por lo que FI = 4.7 x 105. Este ejemplo muestra claramente la
importancia de la reducción de la constante de tiempo de reciclo en el alivio de
los problemas de retroalimentación positiva. Es mas, hay forma suficiente de
mejorar (por ejemplo τ → 0). Con tal de que con los incentivos, puedan darse

políticas de tal manera que podamos acercarnos al cierre del ciclo del material
manteniendo la sensibilidad del mecanismo de producción.
Nomenclatura
F(t) = Velocidad de consumo de materias primas (crudas) en el dominio del

tiempo
F(s) = Transformada de Laplace de la velocidad de consumo de materias primas
F = Valor nominal de la velocidad de consumo de materias primas
GP(s) = Función de transferencia de la dinámica de producción
GR(s) = Función de transferencia de la dinámica de reciclo
GW(s) = Función de transferencia de la dinámica de generación de residuos
KR = Razón de reciclo o ganancia al estado estacionario de GR(s)
KW = Ganancia al estado estacionario de GW(s)
P(t) = Velocidad de producción en el dominio del tiempo
P(s) = Transformada de Laplace de la velocidad de producción
P = Valor nominal de la velocidad de producción
R(t) = Velocidad del material reciclado en el dominio del tiempo
R(s) = Transformada de Laplace de la velocidad de reciclo de material
R = Valor nominal de la velocidad de reciclo de material
RI = Inventario adicional de material reciclado
t95 = Tiempo para alcanzar el 95 % del valor al estado estacionario
W(t) = Velocidad de generación de residuos en el dominio del tiempo
W(s) = Transformada de Laplace de la velocidad de generación de residuos
W = Valor nominal de la velocidad de generación de residuos
Símbolos griegos
τ = Constante de tiempo del reciclo o tiempo de ciclo

τw = constante de tiempo para la generación de residuos

CAPITULO
8
USO DE LOS SIMULADORES
8.1 MODELOS DE CALIDAD DEL AIRE

Los modelos de calidad de aire usan las técnicas numéricas y
matemáticas para simular los procesos físicos y químicos que afectan a los
contaminantes y como se dispersan y reaccionen en la atmósfera. Basado en
meteorológicos de entrada e información de la fuente así como las tasas de
emisión y la altura de la fuente, estos modelos son diseñados para caracterizar
contaminantes primarios que son emitidos directamente en la atmósfera y, en
algunos casos, los contaminantes secundarios que se forman como resultado de
reacciones químicas complejas dentro de la atmósfera. Estos modelos son
importantes para nuestro sistema de gestión de calidad de aire porque están
ampliamente usados por agencias que tienen relación con el control de la
contaminación del aire para identificar las contribuciones de la fuente a los
problemas de calidad y asistir en el diseño de estrategias efectivas para reducir
los contaminantes dañinos del aire. Por ejemplo, los modelos de calidad del aire
pueden ser usados durante el proceso para comprobar que una fuente nueva no
excederá las normas ambientales de calidad de aire o, si es necesario, determinan
requisitos adicionales apropiados de control. Además, los modelos de calidad de
aire también pueden usarse para predecir concentraciones futuras de
contaminante de fuentes múltiples después de la implementación de un
programa regulador nuevo, para estimar la efectividad del programa en las
exposiciones dañinas reductoras para la humanidad y el ambiente.
Los modelos de calidad de aire más comúnmente usados incluyen lo
siguiente:
Modelos de dispersión
Modelos fotoquímicos

Modelos receptores
8.1.1 Modelos de Dispersión

Estos modelos son típicamente usados para estimar la concentración de
contaminantes en receptores de niveles del suelo especificados rodeando una
fuente de emisiones.
Los modelos de dispersión usan formulaciones matemáticas para
caracterizar los procesos atmosféricos que dispersan un contaminante emitido
por una fuente. Basado en datos de emisiones y metereologicos, un modelo de
dispersión puede usarse para predecir concentraciones del receptor seleccionado
en posiciones a favor del viento. Estos modelos de calidad de aire se usan para
determinar las regulaciones de conformidad con la "Nacional Ambient Air
Quality Standards" (NAAQS), y otros requisitos reguladores como la "Nuevo
Source Review" (NSR) y "Prevention of Significativas Deterioration" (PSD).
Los principales modelos de dispersión recomendados por la EPA son:
AERMOD, CALCPUFF, BLP, CALINE3, CAL3QHC/CAL3QHCR,
CTDMPLUS, y OCD.
8.2 SIMULADORES DE PROCESOS

Los simuladores de procesos facilitan el modelado, la evaluación y la
optimización de procesos integrados en una gran variedad de industrias. La
combinación de modelos de operación manufacturera y ambiental en el mismo
paquete faculta al usuario a concurrentemente diseñar y evaluar el proceso de
manufactura y fin de implementar procesos de tratamiento de efluentes y
minimización residual para el control de contaminación del medio ambiente.
Consecuentemente, pueden ser usados para diseñar y evaluar tecnologías
efectivas para el control de contaminación del medio ambiente de forma que se
cumplan con las normas reguladoras. También pueden usarse para evaluar
opciones de minimización de residuos a través del reciclaje y aprovechamiento
en el proceso.
Los simuladores más usados son ASPEN PLUS, CHEMCAD, HYSYS,
PRO II, DESIGN II, SuperPro Designer, etc
Por razones de espacio y tiempo solamente nos ocuparemos de SuperPro
Designer.
8.2.1 SuperPro Designer

SuperPro Designer incluye una variedad de modelos de unidad de
operaciones para evaluar el tratamiento y la purificación de aire y corrientes
gaseosas en general , calculando emisiones de compuestos orgánicos volátiles
(VOCs) de operaciones "batch" de manufactura de productos químicos, así como
purificación de agua, y disminución de vertido de contaminantes sólidos. Para
mayor detalle ver el tutorial sobre Simuladores de Procesos del mismo autor.
Para mayor información sobre el uso de este simulador ver: “Diseño de
Plantas Químicas: Simuladores de Procesos”

Caso de Estudio:
Este caso de diseño modela una secuencia de tres unidades para remover
partículas de sólido (Polvo) y un compuesto orgánico volátil (Acetona) de una
corriente de aire con un flujo volumétrico de alrededor de 8,500 m3/h.
La mayor parte de las partículas grandes son removidas usando un ciclón
(CY-101). Un filtro de manga (BHF-101) se usa para quitar las partículas
restantes. La acetona es capturada usando a un "scrubber". El agua fue
seleccionada como el líquido de lavado porque la acetona es altamente soluble
en agua. Un "scrubber" con un diámetro de 1.8 m y una altura de 5.58 m es
requerido para remover 99.95 % de acetona.
Noto que el absorbedor puede estimar eficiencia de extracción si está de
moda Evaluar a Mode y usted especifica sus dimensiones (el diámetro y la
altura).
Solución
1. Inicializar el flowsheet usando los tres ítems del menú Tasks: Set Mode of
Operation, Register Components & Mixtures, y si el modo de operación
es batch, Recipe Scheduling Information.
En este caso seleccionamos: Operación continua
2. Construir un flowsheet seleccionando las adecuadas unidades de

procedimientos del menú Unit Procedures. Pasar a Connect Mode para
dibujar las corrientes y conectar las etapas de proceso.

3. Adicionar operaciones, tales como Charge, Agitate, Heat, React, etc. A cada
unidad de procedimiento (esto se aplica a procedimientos batch solamente). La
diferentes unidades de procedimientos tienen diferentes operaciones disponibles
para ellas. Después que se han adicionado las operaciones deseadas, inicializar
todas las operaciones y corrientes.
4. Complete el análisis del flowsheet usando los ítems restantes del menú Tasks:
Solve M&E Balances, entrada de datos Stream Classification, Perform
Economic Calculations, etc. Otros análisis pueden ser opcionalmente
efectuados.
6. Generar y ver las reportes usando los ítems del menú Reports. Use el menú
View par ver los resultados del análisis y gráficos.
Para un primer análisis podemos ver los reportes de las corriente:
1. Reporte de balance de materiales: Tabla de resumen
Del balance de materiales podemos ver que la corriente S-107 contiene

0.0005 % de acetona (5 en masa)
De igual manera podemos ver los componentes de las demás corrientes y
tomar acciones sobre el diseño de las unidades de procedimiento para obtener
los resultados deseados.

2. Reporte de impacto ambiental

ENVIRONMENTAL IMPACT REPORT
**** LUMPED ENVIRONMENTAL STREAM PROPERTIES Section *****

====================================================================
STREAM NAME Alimentación S-102 S-104 S-106 S-107
SOURCE INPUT P-1 P-2 INPUT P-3
DESTINATION P-1 OUTPUT OUTPUT P-3 OUTPUT
====================================================================
STREAM PROPERTIES
ACTIVITY U/ml 0.0 0.0 0.0 0.0 0.0
TEMP °C 25.0 25.0 25.0 25.0 25.0
PRES bar 1.0 1.0 1.0 1.0 1.0
TOC mg C/l 7.3 0.0 0.0 0.0 0.0
COD mg O/l 26.0 0.0 0.0 0.0 0.0
ThOD mg O/l 26.0 0.0 0.0 0.0 0.0
BODu mg O/l 23.1 0.0 0.0 0.0 0.0
BOD5 mg O/l 20.8 0.0 0.0 0.0 0.0
TKN mg N/l 0.0 0.0 0.0 0.0 0.0
NH3 mg N/l 0.0 0.0 0.0 0.0 0.0
NO3/NO2 mg N/l 0.0 0.0 0.0 0.0 0.0
TP mg P/l 0.0 0.0 0.0 0.0 0.0
TS mg Slds/l 0.0 0.0 0.0 0.0 0.0
TSS mg Slds/l 0.0 0.0 0.0 0.0 0.0
VSS mg Slds/l 0.0 0.0 0.0 0.0 0.0
DVSS mg Slds/l 0.0 0.0 0.0 0.0 0.0
TDS mg Slds/l 0.0 0.0 0.0 0.0 0.0
VDS mg Slds/l 0.0 0.0 0.0 0.0 0.0
DVDS mg Slds/l 0.0 0.0 0.0 0.0 0.0
DAILY THROUGHPUTS
TOC kg C/d 74400.0 0.0 0.0 0.0 37.2
COD kg O/d 264480.0 0.0 0.0 0.0 132.2
ThOD kg O/d 264480.0 0.0 0.0 0.0 132.2
BODu kg O/d 235387.2 0.0 0.0 0.0 117.7
BOD5 kg O/d 211848.5 0.0 0.0 0.0 105.9
TKN kg N/d 0.0 0.0 0.0 0.0 0.0
NH3 kg N/d 0.0 0.0 0.0 0.0 0.0
NO3/NO2 kg N/d 0.0 0.0 0.0 0.0 0.0
TP kg P/d 0.0 0.0 0.0 0.0 0.0
TS kg Slds/d 0.0 0.0 0.0 0.0 0.0
TSS kg Slds/d 0.0 0.0 0.0 0.0 0.0
VSS kg Slds/d 0.0 0.0 0.0 0.0 0.0
DVSS kg Slds/d 0.0 0.0 0.0 0.0 0.0
TDS kg Slds/d 0.0 0.0 0.0 0.0 0.0
VDS kg Slds/d 0.0 0.0 0.0 0.0 0.0
DVDS kg Slds/d 0.0 0.0 0.0 0.0 0.0
===========================================
STREAM NAME S-108
SOURCE P-3
DESTINATION OUTPUT
===========================================
STREAM PROPERTIES
ACTIVITY U/ml 0.0
TEMP °C 25.0
PRES bar 1.0
TOC mg C/l 6119.5
COD mg O/l 21753.8

ThOD mg O/l 21753.8

BODu mg O/l 19360.9
BOD5 mg O/l 17424.8
TKN mg N/l 0.0
NH3 mg N/l 0.0
NO3/NO2 mg N/l 0.0
TP mg P/l 0.0
TS mg Slds/l 0.0
TSS mg Slds/l 0.0
VSS mg Slds/l 0.0
DVSS mg Slds/l 0.0
TDS mg Slds/l 0.0
VDS mg Slds/l 0.0
DVDS mg Slds/l 0.0
DAILY THROUGHPUTS
TOC kg C/d 74362.8
COD kg O/d 264347.8
ThOD kg O/d 264347.8
BODu kg O/d 235269.5
BOD5 kg O/d 211742.6
TKN kg N/d 0.0
NH3 kg N/d 0.0
NO3/NO2 kg N/d 0.0
TP kg P/d 0.0
TS kg Slds/d 0.0
TSS kg Slds/d 0.0
VSS kg Slds/d 0.0
DVSS kg Slds/d 0.0
TDS kg Slds/d 0.0
VDS kg Slds/d 0.0
DVDS kg Slds/d 0.0
**** OVERALL BALANCE Section ****
ENVIRONMENTAL LOAD (per Hour)

======================================================================
Environmental Property IN OUT (IN-OUT)/IN
(kg/h) (kg/h) (% Reduction)
======================================================================
TOC 3100.000000 3100.000000 0.000000
COD 11020.000000 11020.000000 0.000000
ThOD 11020.000000 11020.000000 0.000000
BODu 9807.800000 9807.800000 0.000000
BOD5 8827.020000 8827.020000 0.000000
TKN 0.000000 0.000000 0.000000
NH3 0.000000 0.000000 0.000000
NO3/NO2 0.000000 0.000000 0.000000
TP 0.000000 0.000000 0.000000
TS 0.000000 0.000000 0.000000
TSS 0.000000 0.000000 0.000000
VSS 0.000000 0.000000 0.000000
DVSS 0.000000 0.000000 0.000000
TDS 0.000000 0.000000 0.000000
VDS 0.000000 0.000000 0.000000
DVDS 0.000000 0.000000 0.000000
CaCO3 0.000000 0.000000 0.000000
======================================================================

ENVIRONMENTAL LOAD (per Year) Hours per Year = 7920.0

======================================================================
Component Name IN OUT (IN-OUT)/IN
(kg/year) (kg/year) (% Reduction)
======================================================================
TOC 24552000.000 24552000.000 0.000
COD 87278400.000 87278400.000 0.000
ThOD 87278400.000 87278400.000 0.000
BODu 77677776.000 77677776.000 0.000
BOD5 69909998.400 69909998.400 0.000
TKN 0.000 0.000 0.000
NH3 0.000 0.000 0.000
NO3/NO2 0.000 0.000 0.000
TP 0.000 0.000 0.000
TSS 0.000 0.000 0.000
VSS 0.000 0.000 0.000
DVSS 0.000 0.000 0.000
TDS 0.000 0.000 0.000
VDS 0.000 0.000 0.000
DVDS 0.000 0.000 0.000
CaCO3 0.000 0.000 0.000
======================================================================
**** COMPONENT FATE Section ****

Component Allocation (Per Hour)
=====================================================================
Component Name TOTAL OUT AS OUT AS OUT AS
IN SOLID WASTE LIQUID WASTE EMISSION
(kg/h) (kg/h) (kg/h) (kg/h)
=====================================================================
Acetone 5000.000000 0.000000 0.000000 0.000000
Dust 5000.000000 0.000000 0.000000 0.000000
Nitrogen 383558.937891 0.000000 0.000000 0.000000
Oxygen 116441.062109 0.000000 0.000000 0.000000
Water 500000.000000 0.000000 0.000000 0.000000
--------------- ------------- ------------ ------------
Plant Totals 1010000.000000 0.000000 0.000000 0.000000
======================================================================
Component Allocation (Per Year) Hours per Year = 7920.0
=====================================================================
Component Name TOTAL OUT AS OUT AS OUT AS
IN SOLID WASTE LIQUID WASTE EMISSION
(kg/yr) (kg/yr) (kg/yr) (kg/yr)
======================================================================
Acetone 39600000.000 0.000 0.000 0.000
Dust 39600000.000 0.000 0.000 0.000
Nitrogen 3037786788.098 0.000 0.000 0.000
Oxygen 922213211.902 0.000 0.000 0.000
Water 3960000000.000 0.000 0.000 0.000
--------------- ------------- ------------ ------------
Plant Totals 7999200000.000 0.000 0.000 0.000
======================================================================
**** SARA 313 CHEMICALS Section ****

======================================================================
Component Name IN OUT AS WASTE (IN-OUT)
(kg/h) (kg/h) (kg/h)
======================================================================
Acetone 5000.000000 0.000000 5000.000000
------------- ------------- -------------
Plant Totals 5000.000000 0.000000 5000.000000

======================================================================

======================================================================
(kg/year) (kg/year) (kg/year)
======================================================================
Acetone 39600000.000 0.000 39600000.000
--------------- ---------------- ----------------
Plant Totals 39600000.000 0.000 39600000.000
======================================================================
**** 33/50 CHEMICALS Section ****

======================================================================
(kg/h) (kg/h) (kg/h)
======================================================================
Dust 5000.000000 0.000000 5000.000000
Water 500000.000000 0.000000 500000.000000
------------- ------------- -------------
Plant Totals 505000.000000 0.000000 505000.000000
======================================================================
=======================================================================
=
(kg/year) (kg/year) (kg/year)
=======================================================================
Dust 39600000.000 0.000 39600000.000
Water 3960000000.000 0.000 3960000000.000
---------------- ---------------- ----------------
Plant Totals 3999600000.000 0.000 3999600000.000
======================================================================
**** SOLID WASTE Section ****
Part 1 : Stream By Stream

======================================================================
Composition Component Flow Annual Comp.Flow
% (kg/h) (kg/year)
-------------- ----------------
Plant Totals 0.000000 0.000
=======================================================================
Part 2 : Component By Component

======================================================================
Stream Component Flow Annual Comp.Flow Prct
(kg/h) (kg/year) %
-------------- -----------------
======================================================================
**** LIQUID WASTE Section ****

======================================================================
% (kg/h) (kg/year)
-------------- -----------------
=======================================================================


======================================================================
(kg/h) (kg/year) %
-------------- -----------------
=====================================================================
**** EMISSIONS Section ****

=====================================================================
% (kg/h) (kg/year)
-------------- ----------------
=====================================================================

======================================================================
(kg/h) (kg/year) %
-------------- -----------------
=======================================================================
**** HAZARDOUS STREAMS Section ****

======================================================================
% (kg/h) (kg/year)
-------------- -----------------
=======================================================================

======================================================================
(kg/h) (kg/year) %
-------------- -----------------
=====================================================================
**** POLLUTION INDICES Section ****

****************************************
* *
* Waste-to-Main-Revenue-Stream Indices *
* *
****************************************
Main Revenue : S-107
Total Waste
------------------- = 0.000
Main Revenue Stream
Solid Waste
------------------- = 0.000
Main Revenue Stream

Liquid Waste
------------------- = 0.000
Main Revenue Stream
Emissions
------------------- = 0.000
Main Revenue Stream
****************************************
* *
* Waste-to-Raw-Materials Indices *
* *
****************************************
Total Waste
--------------- = 0.000
Raw Materials
Solid Waste
--------------- = 0.000
Raw Materials
Liquid Waste
--------------- = 0.000
Raw Materials
Emissions
--------------- = 0.000
Raw Materials
3. Reporte de emisiones. Definiendo a la acetona como COV, tenemos el

reporte de emisiones:
OVERALL PROCESS DATA

=======================================================
Operating Days Per Year = 330.00
=======================================================
Page 1
========================================
Source P-3
Designation C-101
kg/h
CATEGORY Actual Permit
SUB-CATEGORY Maximum Allowable
Total Particulate 0.000 0.227

Biological 0.000 0.000

Radionuclide 0.000 0.000

Cr6 0.000 0.000
Metal 0.000 0.000
Asbestos 0.000 0.000
Dioxin 0.000 0.000
LOC 0.000 0.000
HAP-Particulate 0.000 0.000
Other Particul. 0.000 0.000
Total VOC 2.500 0.000

VCM 0.000 0.000
TVOS 0.000 0.000
EVOS 0.000 0.000
HAP-VOC 0.000 0.000
Other VOC 2.500 0.000
Acid Gases 0.000 0.000
HAP-Acid 0.000 0.000
Acid 0.000 0.000
ETG 0.000 0.000

HAP-Gas 0.000 0.000
Non-HAP 0.000 0.000
CO 0.000 0.000
NOx 0.000 0.000
SO2 0.000 0.000
BASE 0.000 0.000
========================================
Page 2
===========================================
CATEGORY TOTAL ACTUAL FROM
SUB-CATEGORY EXPERIMENT (kg/day)
Total Particulate 0.000

Biological 0.000
Radionuclide 0.000
Cr6 0.000
Metal 0.000
Asbestos 0.000
Dioxin 0.000
LOC 0.000
HAP-Particulate 0.000
Other Particulate 0.000
Total VOC 60.000

VCM 0.000
TVOS 0.000
EVOS 0.000
HAP-VOC 0.000
Other VOC 60.000
Acid Gases 0.000

HAP-Acid 0.000
Acid 0.000
ETG 0.000
HAP-Gas 0.000
Non-HAP 0.000

CO 0.000
NOx 0.000
SO2 0.000
BASE 0.000
===========================================
En este reporte las emisiones estan clasificadas según la EPA y nos

indica la cantidad individual y total de emisiones así como la unidad de
procedimientos de la cual provienen.
BIBLIOGRAFIA
1. Allen, D. T.; Rosselot, K. S. Pollution Prevention for Chemical Processes;

Wiley: New York, 1997.
2. American Institute of Chemical Engineers "Guidelines for Chemical Process

Quantitative Risk Analysis” Nueva York, AL Ch. E., 1989, 585 págs.
3. Batschelet, Edward. 1976. “Introduction to mathematics for life scientists”.

2nd ed. New York: Springer-Verlag
4. Brown, D. and P. Rothery. 1993. “Models in biology: mathematics, statistics,

and computing”. New York: Wiley.
5. Cartwright, T. J. 1993. “Modeling the world in a spreadsheet”. Baltimore,

Md. : John Hopkins University Press.
6. D.M. Himmeblau and K. Bischoff, “ Process Analysis and Simulation” ,

Edit. Prentice Hall, 1972.
7. Doucet, P. and P.B. Sloep. 1992. “Mathematical modeling in the life

sciences. Ellis Horwood series in mathematics and its applications”. New
York: E. Horwood.
8. Edelstein-Keshet, Leah. 1988. “Mathematical models in biology. 1st ed”.

New York: McGraw-Hill.
9. Eisen, Martin M. 1988. “Mathematical methods and models in the biological

sciences”. Vol 1. N.J.: Prentice Hall.
10. Eisen, Martin M. 1988. “Mathematical methods and models in the biological
sciences”. Vol 2. N.J.: Prentice Hall.
11. Ford, A. 1999. “Modeling the Environment”. Island Press, Washington, DC.
401pp.

12. Fogler, H.Scott. “Elements of Chemical Reaction Engineering”. 3 rd Ed.

Prentice Hall PTR, Upper Saddle River, NJ, USA, 1999.
13. Gow, Tracy and Pidwirny, Michael. “Photochemical Smog.” October 17,
1996
14. Hoppensteadt, F. C. 1982. “Mathematical methods of population biology”.

New York: Cambridge University Press.
15. Lees, F.P. “Loss Prevention in the Process Industries” Londres, Butterworth
& Co. Ltd., 1980, 2 Vo/s., 1316 págs.
16. Maynard Smith, John, 1982. “Mathematical Ideas in Biology”. Cambridge;

17. Mazumdar, J. 1989. “An introduction to mathematical physiology and

biology”. New York: Cambridge Univ. Press.
18. Moncada, A.L. "Modelamiento y Simulación de Procesos," U.N.T (2004).
19. N. Amundson, R. Aris, J. Deinfeld and L. Lapidus, Serie “ Mathematical

Methods in Chemical Engineering”, vol 1,2 y 3, Edit. Prentice Hall, 1980.
20. Pagano, R.N. 1990. “Minitab in Understanding statistics in the behavioral

sciences”. West: St. Paul.
21. Pielou, E. C., 1977. “Mathematical ecology”. New York : Wiley.
22. Pielou, E. C., 1969. “An introduction to mathematical ecology”. New York:
Wiley-Interscience.
23. Renshaw, Eric. 1991. “Modelling biological populations in space and time”.
24. Sax, N. I., “Industrial Pollution” Nueva York, Van Nostrand Reinhold
Company, 1974, 702 págs.
25. Vandermeer, J. 1990. Elementary Mathematical Ecology. Kreiger

Publishing, Malabar, FL. 294 pp.
26. Zolman, J.F. 1993. Biostatistics. New York, Oxford University Press.

Modelización Ambiental Texto

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

Modelización Ambiental Texto

Uploaded by

Copyright:

Available Formats

MODELIZACION AMBIENTAL 1

La parte mas difícil a1 usar las matemáticas para estudiar una

1.1 CONCEPTOS BÁSICOS: SISTEMA Y MODELO

MSc. Luis Moncada Albitres

dispone sobre éste. El perfeccionamiento de esta imagen se produce mediante un

Figura 1.1. Ciclo observación-representación-corrección en la representación

1.1.1 Que es un modelo?

Es importante recordar que los modelos matemáticos son como otros

MSc. Luis Moncada Albitres

De hecho, los sistemas del mundo real pueden ser notoriamente

1.2 ELEMENTOS DE UN MODELO

MSc. Luis Moncada Albitres

2. Reconocimiento de las características del entorno que afectan al sistema

3. Especificación del objeto y alcance del modelo: identificación del

4. Asignación de los elementos modelo que caracterizan el estado del

5. Descripción matemática de la estructura del modelo. En definitiva, el

6. Verificación del modelo, ajuste a las mediciones preliminares de que se

7. Validación del modelo a partir de nuevas observaciones del sistema y

Con todo esto, podemos agrupar los elementos de un modelo matemático

1.2.1 Variables de estado y externas

En el desarrollo de un modelo, se deberán especificar tanto las variables

MSc. Luis Moncada Albitres

fundamental sobre la evolución del sistema y, en consecuencia, sobre el estado

• Variables de estado (internas). Determinan el estado o situación del sistema

• Variables de control (externas). Son variables que influyen en las variables

MSc. Luis Moncada Albitres

adecuada representación interna del sistema, jugando, en este caso, un papel

1.3 MODELO CONCEPTUAL. DIAGRAMAS DE CONTROL

VARIABLE DE ESTADO A VARIABLE DE ESTADO B

Figura 1.2. Ejemplo de diagrama de control. Interacciones entre variables

Cuando una interacción entre tiene el efecto de producir la

MSc. Luis Moncada Albitres

Las interacciones endógenas pueden establecer relaciones unidireccionales

1.4 DESCRIPCIÓN MATEMÁTICA DEL SISTEMA

Velocidad de variación temporal Velocidad de entrada de

y vendrá expresada matemáticamente como:

MSc. Luis Moncada Albitres

Si la evaluación de los flujos internos de producción y eliminación de

MSc. Luis Moncada Albitres

M (y + y1) = M (y) + M (y1) (1.3)

M(αy) = αM(y) (1.4)

siendo α un escalar, y e y1 dos vectores de estado y M la aplicación representada

1.4.1 Estado estacionario y estabilidad.

y la ecuación de estado vendría dada por el lim y (t ) , con lo que el modelo

1.5 ALGUNAS SUGERENCIAS PARA LA CONSTRUCCIÓN

Paso 1 Establezca claramente las hipótesis en que se basará el modelo. Estas

Paso 2 Defina completamente las variables y parámetros que se usarán en el

MSc. Luis Moncada Albitres

En el paso 1, o paso "científico", describimos como creemos que

MSc. Luis Moncada Albitres

(derivada de la posición) y "aceleración" (derivada de la velocidad) en modelos

• La resistencia del aire crece al aumentar la velocidad del gato.

MSc. Luis Moncada Albitres

Definición del objeto del

Selección de variables que

Figura 1.3. Etapas en la construcción de modelos matemáticos de sistemas

MSc. Luis Moncada Albitres

1.6 VENTAJAS Y RIESGOS DEL EMPLEO DE MODELOS

A lo largo de los anteriores apartados hemos ido describiendo tanto la

2. Los modelos pueden ser utilizados para la predicción del

3. Los modelos pueden ser utilizados para la educación y el entrenamiento

4. Los modelos ayudan al diseño experimental y constituyen una

El proceso de modelización sugiere la necesidad de nuevos datos y