Libro. Tcnicas avanzadas de control aplicadas a procesos. Capitulo II.

Editado por RIII-

CYTED-U. de Salamanca.

LOS MODELOS FENOMENOLGICOS COMO GENERADORES DE ESTRUCTURA EN
LA OBTENCIN DE MODELOS SEMIFISICOS

Lina Gmez y Hernn Alvarez

Grupo de Automtica de la Universidad Nacional (GAUNAL). Escuela de Procesos y Energa.
Escuela de Materiales. Facultad de Minas, Universidad Nacional de Colombia.


1. Introduccin
Es indudable que la modelacin de sistemas ha ganado mucho terreno en el diseo, la
optimizacin, la operacin y el control de procesos industriales. Sin embargo, el papel de los modelos
basados en los principios fsicos y qumicos (modelos fenomenolgicos) ha sido poco reportado en
aplicaciones exitosas, debido en parte a la relacin costo-calidad del modelo fenomenolgico. De otro
lado, es bien sabido que los modelos fenomenolgicos exitosos han alcanzado su madurez en varios
campos de la ciencia a partir del arduo trabajo acadmico de muchos investigadores. Ejemplos
excepcionales de tales modelos fenomenolgicos maduros existen en los sistemas mecnicos y en las
mquinas elctricas; inclusive el clculo de la distribucin de esfuerzos y deformaciones de piezas
mecnicas, comienza a volverse cotidiano con la masificacin de los programas comerciales de
computacin basados en elementos finitos. Debe aclararse que tales modelos exitosos no son totalmente
fenomenolgicos, puesto que algunas de las caractersticas del proceso estn descritas mediante
correlaciones empricas particulares para la condicin dada. Adicionalmente, los valores de algunas
propiedades son obtenidas a travs de mediciones y correlaciones empricas. En otras palabras, el
modelado fenomenolgico se apoya en la identificacin de relaciones matemticas por medio de la
estadstica, lo cual hace que el modelo adquiera un carcter semifsico y deje en evidencia la dificultad
enorme que entraa la construccin de un modelo fenomenolgico (totalmente basado en principios
fsicos y qumicos o primeros principios). Es importante destacar aqu que dicha contaminacin del
modelo fenomenolgico original con correlaciones empricas y valores de propiedades (o parmetros)
obtenidos experimentalmente, se hace necesaria cuando la construccin del modelo a partir de
conocimiento fenomenolgico resulta insuficiente para describir la situacin fsica real del sistema que se
modela. De este modo, mientras menos contaminado est un modelo fenomenolgico, mayor ser su
costo. Por lo tanto, en el mundo actual donde los problemas son cada vez ms complejos, se hace
necesaria una visin integral del modelado. Por lo anterior, y debido al mayor costo que implica la
obtencin de un modelo totalmente fenomenolgico, en este trabajo se plantea un camino explotable
como estrategia de accin durante la construccin de modelos: Utilizar el modelo fenomenolgico como
generador de estructura e indicador del regresor primario para el modelo semfsico final.


2. Modelos Fenomenolgicos
Una gran ventaja de los modelos es que constituyen una herramienta que permite responder a
inquietudes que se tienen acerca de un sistema, sin necesidad de experimentar con el. De acuerdo con la
clase de informacin que se toma del sistema que se intenta representar, un modelo puede ser
principalmente de tres grandes tipos: Fenomenolgico, semifsico o emprico [Ljung, 1987]. La primera
clase utiliza exhaustivamente conocimiento sobre los principios fsicos y qumicos que rigen el sistema
para construir su representacin. A esta clase de modelos se les denomina alternativamente como modelos
de caja blanca. En cambio, los modelos empricos, tambin llamados de caja negra, asumen que los
principios fsicos y qumicos que rigen el sistema no se conocen, por lo que no utilizan nada de
conocimiento fenomenolgico. Tales modelos empricos se fundamentan slo en los datos tomados del
sistema y se apoyan en las herramientas de la estadstica y el tratamiento de seales. Finalmente, la
familia intermedia es la de los modelos semifsicos o de caja gris, en los cuales se utiliza tanto el
conocimiento de la fenomenologa del sistema como datos tomados del mismo para la construccin de un
modelo que resulta ser una combinacin entre caja blanca y caja negra [Lindskog, 1996].
Como ya se mencion en la introduccin, los verdaderos modelos fenomenolgicos son muy difciles de
lograr, puesto que no admiten ningn aporte emprico como correlaciones o ajuste de datos. Todo en
dichos modelos debe provenir de leyes o principios bsicos de la fsica y la qumica. Por esta razn
cuando se logra uno de tales modelos, el costo computacional para su utilizacin resulta prohibitivo o
inclusive la solucin matemtica del sistema de ecuaciones que lo constituye no est garantizada: un
modelo fenomenolgico para una torre de destilacin alcanza el centenar de ecuaciones [Smith and
Corripio, 1997]. Aunque el objetivo aqu es la utilizacin de tales modelos como base para la
construccin de modelos ms aplicables (los semifsicos), a continuacin se describen en detalle las
partes que constituyen un modelo fenomenolgico y se presenta un ejemplo, con el fin de valorar en toda
su dimensin las dificultades inherentes a su construccin y usos posteriores.
Los modelos fenomenolgicos son modelos matemticos, pues representan el comportamiento del sistema
mediante ecuaciones diferenciales o algebraicas que describen las leyes fsicas y qumicas; adems,
pueden ser estticos o dinmicos (variables con el tiempo), lineales o no-lineales, entre otras
clasificaciones Los modelos fenomenolgicos constan de: supuestos, ecuaciones diferenciales,
ecuaciones constitutivas, condiciones de frontera y condiciones iniciales. Los supuestos son
aproximaciones que permiten simplificar el modelo, pero deben ser cercanos a la realidad para que el
modelo refleje lo mas fiel posible dicha realidad. Las leyes fsicas y qumicas que gobiernan el sistema
son descritas por medio de ecuaciones algebraicas o ecuaciones diferenciales, estas ltimas son una
compilacin de trminos, donde cada uno representa su influencia en un volumen de control bsico
manteniendo una consistencia de unidades asociada al fenmeno, y donde todos los trminos juntos
implican un balance o una conservacin, por ejemplo las ecuaciones de conservacin de energa y de
conservacin de masa [Bird et al., 1982]. Por su parte, las condiciones de frontera describen el
comportamiento del sistema en sus bordes o lmites. Dicho comportamiento puede ser descrito por medio
de valores escalares, ecuaciones diferenciales, relaciones empricas, etc. Tambin se utilizan ecuaciones
constitutivas, las cuales son relaciones empricas que ayudan a caracterizar el sistema, brindando
relaciones que no son universalmente aplicables, pero que se seleccionan de modo que resulten lo
suficientemente precisas para el sistema especfico que se modela. Una diferencia interesante entre
ecuaciones de balance y ecuaciones constitutivas es que para las primeras, la escala usada en la
descripcin es irrelevante: los principios de conservacin son los mismos a cualquier escala, mientras que
para las ecuaciones constitutivas los cambios de escala son altamente significativos en la validez de la
ecuacin [Astarita, 1985]. Algunos ejemplos de ecuaciones constitutivas son la ecuacin de estado, la
ecuacin de equilibrio de fases, la ley de Fick, ley de viscosidad, etc. Finalmente, cuando se estn
construyendo modelos dinmicos se deben especificar las condiciones iniciales, las cuales indican cmo
estaba el sistema en un tiempo inicial.
Otra parte del modelo matemtico es la solucin de las ecuaciones diferenciales, lo que para sistemas
complejos de ecuaciones requiere el uso de mtodos numricos. Todo esto lleva a la construccin del
modelo computacional, el cual consiste en la programacin de la solucin de las ecuaciones diferenciales.
En este sentido, hoy se cuenta con una serie de paquetes comerciales, desarrollados en su mayora
utilizando la tcnica de los Elementos Finitos, que permiten la solucin de una variedad de geometras y
ecuaciones diferenciales. Sin embrago sus aplicaciones son limitadas y debido a la imposibilidad de
conocer con detalle su forma de operar, en la prctica comienzan a convertirse en una caja gris para el
usuario.
Con el fin de detallar la construccin de un modelo fenomenolgico se plantea el modelo que describe el
flujo de calor y de fluidos en el charco de una soldadura obtenida con el proceso GTAW (Gas Tugnsteg
Arc Welding). Para ello, por medio de un modelo fsico se describe el sistema que se desea modelar, para
luego plantear el modelo matemtico [Gmez, 2002].
2.1. Modelo fsico. En el proceso GTAW el arco elctrico intenso funde el metal y forma un charco de
metal lquido, en el cual se genera un flujo convectivo, debido a una combinacin de fuerzas, las cuales
incluyen: la electromagntica, la de flotabilidad y la debida a los gradientes de tensin superficial. As
pues, el proceso fsico puede ser definido como un flujo de calor y de corriente que incide en la cara
superior del metal (acero A36 en el ejemplo que nos ocupa) que se desea soldar, ocasionando la fusin
del metal base debido a los procesos de conduccin y conveccin de transferencia de calor. En la Figura
1 se indica un esquema del proceso y la geometra modelada, la cual puede simplificarse debido a la axi-
simetra del fenmeno.


Figura 1. Modelo fsico y geometra modelada en el problema del charco de soldadura.

2.2 Modelo matemtico. El modelo matemtico, tal como se indic previamente, consta de: los
supuestos, las ecuaciones constitutivas, las ecuaciones diferenciales, las condiciones de frontera y las
condiciones iniciales.

2.2.1 Supuestos
Los supuestos permiten simplificar las ecuaciones. Para el caso del charco de soldadura se asume que las
propiedades fsicas son constantes y que la densidad es constante excepto para los efectos de la
flotabilidad (tambin conocido como aproximacin Bossinesq). Aunque en la realidad estos dos
supuestos no son del todo ciertos, ya que las propiedades varan con la temperatura, esta aproximacin es
vlida, pues el cambio en las propiedades es mnimo y adems, se justifica por el ahorro en tiempo de
computo. Adicionalmente, la observacin del proceso de soldadura ha indicado que el calor y la corriente
tienen una distribucin Gaussiana [Kim et al., 1997]. Finalmente, se supone que el Fluido es
Newtoniano, incompresible y laminar, este supuesto se fundamenta en el tamao del charco de soldadura
(aproximadamente de 3 a 5 mm).

2.2.2 Ecuaciones constitutivas
El comportamiento del metal lquido obedece al de un fluido Newtoniano, lo que quiere decir que la
velocidad de deformacin del fluido es directamente lineal respecto al esfuerzo de cizalla, en trminos
matemticos se tiene:
r
v
rz

= Ecuacin de fluido Newtoniano

2.2.3 Ecuaciones diferenciales
Las ecuaciones que describen el flujo de calor y de fluidos en la platina que se est soldando son la
ecuacin de conservacin de energa, la ecuacin de conservacin de masa y las ecuaciones de
conservacin de cantidad de movimiento, estas ltimas afectadas por la ecuacin de fluido newtoniano:

Conservacin de energa Conservacin de cantidad de movimiento en r
|
|
.
|

\
|

+ |
.
|

\
|

+
(

2
2
1
z
T
r
T
r
r r
k
z
U
v
r
U
u
t
U

(1)
r
F
z
u
r
ru
r r r
p
z
u
v
r
u
u
t
u
+
|
|
.
|

\
|

+ |
.
|

\
|

= |
.
|

\
|

2
2
) ( 1

(3)
Conservacin de masa Conservacin de cantidad de movimiento en z
0
1
=

z r
u
r

(2)
z
F
z
v
r
v
r
v
r z
p
z
v
v
r
v
u
t
v
+
|
|
.
|

\
|

= |
.
|

\
|

2
2
2
2
1

(4)

La ecuacin de la energa es descrita en trminos de la energa interna U y la temperatura T, mientras que
en las ecuaciones de cantidad de movimiento y de continuidad u y v representan la componente de la
velocidad del metal lquido en la direccin radial y en z respectivamente. Adicionalmente, en las
ecuaciones aparecen algunas propiedades del metal lquido como la densidad , la viscosidad y la
conductividad trmica k. Finalmente, F
r
y F
z
son las componentes en r y z de las fuerzas de cuerpo,
expresadas como:
r r
B J F ) ( =
) ( ) (
0
T T g B J F
z z
+ =

2.2.4 Condiciones de frontera
Las condiciones de frontera describen el comportamiento del sistema en sus bordes, para el caso del
charco de soldadura, de acuerdo con lo descrito en el modelo fsico y esquematizado en la Figura 1, se
tiene:

Cara que recibe calor Cara axi-simetrica Superficie lateral y
superficie inferior
q
z
T
K
T r
T
z
u
v
=

0

0
0
0
=

=
r
T
r
v
u
) (
0
T T h q
v u
=
= =

Donde h es el coeficiente de transferencia de calor de conveccin y
T

es el coeficiente de tensin
superficial.

2.2.5 Condiciones iniciales
Se considera que la platina se encuentra a temperatura ambiente y como an no se ha comenzado a fundir
el metal, la velociadad en toda la platina es cero.

2.2.6 Modelo numrico.
Como se dijo previamente, el modelo fenomenolgico tambin incluye la solucin de las ecuaciones
diferenciales. En este caso, el modelo matemtico descrito arriba constituye un sistema de ecuaciones
diferenciales parciales de segundo orden, no-lineales, transitorias y acopladas, muy complejo. Esto hace
necesario recurrir a mtodos numricos para su solucin, tal como se plantea en el modelo numrico, el
cual consiste en la aplicacin de un mtodo numrico y un algoritmo que permita la discretizacin y
solucin de las ecuaciones diferenciales. Para el caso del flujo de calor y de fluidos en el charco de
soldadura se utiliza el mtodo numrico de Volmenes Finitos y el algoritmo SIMPLE (Semi-Implicit
Method for PressureLinked Equations) presentados en [Patankar, 1980], [Peric, 1997]. Adicionalmente
para solucionar las ecuaciones algebraicas obtenidas en la discretizacin se utiliza el mtodo propuesto en
[Stone, 1968]. El mtodo de los Volmenes Finitos transforma la ecuacin diferencial en una serie de
ecuaciones algebraicas. A continuacin se indican las ecuaciones discretizadas por este mtodo:

Discretizacin por Volmenes Finitos de la ecuacin de conservacin de energa (1).

SU U a U a U a U a U a
s s N N W W E E P P
+ + + + = (5)
2
z r
u a
i
i I

=
I=W,S
2
z r
u a
j
j J

=
J=E,N z r r
t
a
p P

=


z r r CD
t
z r r
UA SU +

=

(

+ + +
+

=
2
4
2 r
T T T T T
r
T T
k CD
S N W P E W E



Discretizacin por Volmenes Finitos de las ecuaciones de conservacin de cantidad de movimiento (3)

p e w s s N N W W E E P P
S P P SU u a u a u a u a u a + + + + + = ) ( (6)
2
z r
u
r
z r
a
i
i
i
i I

=
I=E,N
2
z r
u
r
z r
a
j
j
j
j J

=
J=W,S
S N W E
p
p
P
a a a a
r
z r
z r r
t
a

P W E p
u
t
u u
z
y x r Flr SU

+ =

) (
2

|
|
.
|

\
|
+

+

= =
2
1
2 2
2
3
2 2
2
) (
1
) ( 4
) (
z r
y
z r
I
B J Flr
m
r

De forma anloga se encuentra la ecuacin de la componente en z de la velocidad.

Discretizacin para la correccin de la presin (obtenida a travs de la ecuacin de conservacin de
masa (2)

SU P a P a P a P a P a
S S N N W W E E P P
+ + + + =
' ' ' ' '
(7)
e
E
a
z
a
2

=

w
W
a
z
a
2

=

n
N
a
r r
a
2 2

=

s
S
a
r r
a
2 2

=

r r v v z u u SU
n s e w
+ = ) ( ) (
* * * *


2.2.7 Modelo computacional
Finalmente, las ecuaciones anteriores se programaron con el fin de obtener el modelo computacional o
simulador, en el cual se puede experimentar para responder a inquietudes acerca del comportamiento de
un charco de soldadura y con la informacin obtenida se puede disear, mejorar, optimizar o establecer
estrategias de control. En este caso se experiment en el simulador con el fin de encontrar una relacin
entre la entrada de calor y la penetracin de la junta (determinada por el flujo de calor y de fluidos en el
charco de soldadura), encontrndose una relacin lineal entre estas dos variables; adicionalmente, se
encontr que el flujo convectivo presenta una mayor influencia en la penetracin y que la fuerza
impulsora que mas incidia en este flujo convectivo era la fuerza electromagntica.
Los resultados arrojados por el simulador fueron validados al compararlos con los resultados obtenidos al
experimentar con las mismas condiciones sobre platinas de acero A36 arrojando un error del 0%.


3. Los Modelos Semifsicos como Construccin Intermedia entre la Fenomenologa y el Empirismo.
En el modelo del charco de soldadura que acaba de describirse, aunque no hay error, el modelo
computacionalmente es muy pesado; por esto, ante la dificultad de una representacin total del sistema a
partir de conocimiento fenomenolgico, surge siempre la necesidad de utilizar otras herramientas para
lograr un modelo mucho ms fiel en la representacin del sistema que se modela o que resulte
computacionalmente menos costoso. Esto conduce a un modelo semifsico, cuya distribucin en peso de
la parte fenomenolgica y de la parte emprica es variable, pudiendo inclusive contener una estructura
totalmente emprica pero ajustada mediante conocimiento fenomenolgico. Vuelve a ser til en este punto
la analoga de los colores para decir que a medida que la parte emprica tiene ms aporte, el gris del
modelo va siendo mucho ms oscuro, mientras que si la parte fenomenolgica tiene ms peso, el gris del
modelo es mucho ms claro. Aunque existe una amplia gama de posibilidades en la construccin de
modelos semifsicos, aqu se presentarn aquellos de tendencia gris clara, para lo cual se propone utilizar
el modelo fenomenolgico bsico como generador de estructura para el modelo semifsico.
Debe en este punto decirse, sin que pueda ampliarse la exposicin por cuestin de espacio (vase por
ejemplo [Ljung, 1987]), que todo modelo tiene dos partes: La Estructura y Los Parmetros. La clase de
medio de representacin del conocimiento que se utilice (ecuaciones, reglas, grafismos, etc.), indica los
elementos que se pueden combinar para formar la estructura (operadores matemticos, lingsticos,
conectores grficos, etc.), as como el tipo de parmetros a utilizar (numricos o simblicos). Es
totalmente factible obtener un modelo semifsico cuya estructura fundamental son Ecuaciones
Diferenciales y Algebraicas (EDs y EAs), con la mayora de parmetros numricos pero con algunos
parmetros calculados mediante un sub-modelo emprico. Otra opcin viable es la de un modelo cuya
estructura fundamental es lingstica (conjunto de reglas de inferencia Si-Entonces) pero obtenida a partir
de un modelo fenomenolgico bsico. En este caso los parmetros sern calificativos lingsticos,
deducidos de manera general del modelo fenomenolgico, pero con un ajuste fino a partir de datos del
sistema. Esta ltima alternativa logra una excelente realizacin cuando se utilizan Sistemas de Inferencia
Borrosa (Fuzzy Inference Systems) como el propuesto en [Takagi and Sugeno, 1985] combinados con el
conocimiento fenomenolgico que brindan los balances de materia y energa en estado dinmico. A
continuacin se propone una estrategia para tal construccin.


4. Una Propuesta para la Construccin de Modelos Semifsicos Apoyados en Fenomenologa.
Como parte final de este trabajo se presenta una propuesta para la obtencin de un modelo
semifsico, particularmente un modelo borroso (fuzzy), utilizando como precursor un modelo
fenomenolgico. Se parte del supuesto, no muy restrictivo, de que es posible hallar de manera explcita
una formulacin para los balances en estado transitorio (con acumulacin) de materia, energa y cantidad
de movimiento del sistema que se modela [Bird et al., 1982]. Tales balances representan la estructura
bsica que describe las interacciones msicas y energticas dinmicas del sistema. En tal sentido, con slo
contar con esos balances, es posible utilizar dicha estructura bsica en la construccin de un simulador
grueso que describa el comportamiento dinmico del sistema, utilizando para ello valores medios, o
inclusive intervalos, de los parmetros caractersticos, pues como ya se indic, la obtencin de un modelo
fenomenolgico finoes sumamente difcil y costoso. Como se ve en la Figura 2, usando el modelo
fenomenolgico aproximado se procede a construir un simulador al cual se le aplican seales que resulten
persistentemente excitantes y que cubran de manera completa y uniforme el espacio de operacin del
sistema [Ljung, 1987, Laukonen and Pasin, 1995]. Tales inyecciones de seal generarn seales de
respuesta tanto en la salida como en los estados del sistema, las cuales constituyen el grupo de datos para
identificar un modelo semifsico. Aunque en este trabajo tal modelo es del tipo Sistema de Inferencia
Borrosa Takagi-Sugeno (SIB T-S), lo expuesto puede utilizarse para la identificacin de cualquier modelo
semifsico. Cuando ya se tiene un modelo semifsico que reproduce con precisin aceptable el grupo de
datos usados en la identificacin, se procede a realizar el ajuste fino de los parmetros del modelo, para lo
cual se utilizarn datos experimentales no usados durante la identificacin. De este modo se logra un
modelo ms compacto y econmico computacionalmente, partiendo de un pequeo grupo de
experimentos sobre el sistema real. Como ejemplo de aplicacin de tal metodologa, se presenta a
continuacin el desarrollo de un modelo para la neutralizacin de aguas residuales industriales, el cual fue
presentado en [Alvarez et al., 2001] como un problema de referencia (Benchmark) para el anlisis de
sistemas no lineales de control.
Sin prdida de generalidad, se considerar que el agua a neutralizar siempre es de carcter cido. El
proceso toma lugar en un tanque continuamente agitado de volumen V. Una representacin esquemtica
del proceso se ve en la Figura 3. El diseo de la tubera de salida con reboce as como ciertas restricciones
en los flujos de entrada, permiten operar a volumen constante. Con el fin de facilitar la formulacin del
modelo fenomenolgico y ampliar las condiciones operativas, la corriente de aguas residuales se divide
en dos nuevas corrientes. La primera es una solucin acuosa 0.01 Molar de un cido fuerte (HNO
3
cido
ntrico), la cual produce los iones H
+
(flujo q
1
). La segunda corriente es un solucin acuosa 0.1 Molar de
una sal conjugada de un cido dbil (NaHCO
3
), la cual da los iones para el efecto amortiguador (buffer,
con flujo q
2
, mucho ms pequeo que q
1
). Estas dos corrientes forman la corriente de entrada (flujo q
5
=
q
1
+ q
2
). El sensor de pH est localizado a L metros de la salida del tanque con el fin de reflejar los
retardos por transporte tpicos en estos procesos. La accin de control se ejerce mediante el flujo de una
solucin acuosa 0.025 Molar de una base fuerte (NaOH), la cual proporciona los aniones OH
-
(flujo q
3
).
En esta solucin tambin se adiciona un poco (0.00035 Molar) de la sal conjugada del cido dbil
(NaHCO
3
). Toda esta configuracin de corrientes y concentraciones permite simular los cambios en el pH
en la corriente de entrada como cambios en la concentracin del cido fuerte a flujo constante. Los
cambios en el poder amortiguador (buffer) de la corriente de entrada, pueden ser representados por los
cambios en el flujo de buffer a concentracin constante de sal. Finalmente, la dinmica generada por
los cambios en el flujo se pueden describir por los cambios en el flujo de cido, por ser el caudal mayor.
PROCESO
MODELO
FENOMENO-
LOGICO
Conoci-
miento
+
e
Fenom.
MODELO
FENOMENO-
LOGICO
Computacional
Seales en
Todo el
Espacio
Seales
Experiment.
MODELO
BORROSO,
Ajuste
Antecedentes
+
MODELO
BORROSO,
Ajuste
Consecuentes
+
e
FuzzyGrueso
e
FuzzyFino
Salida
Simulador
Salida
Proceso

Figura 2. La estrategia de construccin de modelos semifsicos a partir de conocimiento fenomenolgico.

Salida q
4
Elemento
Final de
Control
Sln. de cido q
1
Sln. de Sal q
2
Sln. de Base q
3
Sensor pH
L retardo
Entrada q
5


Figura 3. Esquema general del montaje experimental del neutralizador de aguas residuales.
Todos los elementos del proceso y sus comportamientos dinmicos particulares deben ser considerados
con el fin de reproducir las condiciones operativas de una planta tpica de neutralizacin. Con relacin a
la instrumentacin, la respuesta dinmica del sensor se desprecia mientras que el comportamiento
dinmico del Elemento Final de Control (EFC) se modela como un sistema de primer orden con una
constante de tiempo T
FCE
=10 segundos y un flujo mximo q
3MAX
=2.4*10
-5
m
3
/s. El modelo del
comportamiento hidrulico considera un retardo de tiempo por mezclado en el tanque reactor (
MIX
) y un
retardo de tiempo por transporte en la tubera de salida (
TTE
). Estos tiempos de retardo se agrupan en un
retardo simple
pH
=10 segundos mientras que el tiempo de muestreo es de 15 segundos. El volumen del
tanque es de 20 litros y los valores de estado estacionario para los caudales son: para el cido
q
1EE
=1.666*10
-5
m
3
/s, para el buffer q
2EE
=5.5*10
-7
m
3
/s y para la base q
1EE
=7.81*10
-6
m
3
/s.
Este proceso se puede describir mediante balances de materia utilizando el formalismo de invariantes de
reaccin, aprovechando el carcter inmediato de las reacciones de neutralizaciones [Gustaffson and
Waller, 1983]. El balance de energa no ofrece informacin valiosa en este proceso, puesto que los
cambios energticos no son apreciables. Puesto que en el problema de referencia que representa el
neutralizador existe un nico cido dbil (H
2
CO
3
), se deben establecer dos invariantes de reaccin para
cada una de las cuatro corrientes:

[ ] [ ] [ ] [ ]
[ ] [ ] [ ]
i i
i
i i i i
CO HCO CO H W
CO HCO OH H W
bi
ai

2
3 3 3 2
3 3

+
+ + =
=
(8)

Como se ve de la anterior formulacin, los invariantes de reaccin W
ai
son cantidades relacionadas con la
carga electrnica del sistema, mientras que los invariantes W
bi
representan la concentracin de la sal
conjugada del in negativo, carbonato CO
3
--
en este caso. A travs del uso de W
ai
y W
bi
es posible
calcular el valor del pH para cualquier corriente de proceso. Puesto que el pH de la corriente efluente q
4

es la salida del sistema, pueden declararse las siguientes funciones de potencial y de pH aplicadas a K
ai
y
[H
+
]:

( ) [ ] log ; log
10 10
+
= = H pH K pK
ai ai
(9)

Una funcin implcita entre el pH y los invariantes de reaccin declarados previamente es:

( )
( ) ( )
( ) 14
4 4
10 10
10 10 1
10 * 2 1
2 1
2

+
|
|
.
|

\
|
+ +
+
=
pH pH
pK pH pH pK
pK pH
b a
a a
a
W W
(10)
Se asume que los estados del sistema son iguales a los dos invariantes de reaccin de la corriente de
salida (efluente): x
1
=W
a4
; x
2
=W
b4
. Finalmente, los balances de masa en estado transitorio se obtienen al
combinar los balances de cada una de las especies inicas presentes en el sistema, llegando a las
siguientes ecuaciones diferenciales para los invariantes de reaccin de la corriente efluente:

( ) ( )
( )



4 3 3
4 2 2 4 1 1
4
a a
a a a a
a
W W q
W W q W W q
dt
dW
V

+ + = |
.
|

\
|

(11)
( ) ( )
( )



4 3 3
4 2 2 4 1 1
4
b b
b b b b
b
W W q
W W q W W q
dt
dW
V

+ + = |
.
|

\
|

(12)
Las ecuaciones (9) a (12) constituyen el modelo fenomenolgico del proceso, validado
experimentalmente con cuatro corridas, de las cuales se reportan dos en las Figuras 4 y 5.
0 20 40 60 80 100 120 140 160 180 200
3.5
4
4.5
5
5.5
6
6.5
7
7.5
8
pH
Tiempos de muestreo

Figura 4. Comportamiento del modelo fenomenolgico (lnea punteada) frente al proceso real (lnea
continua) ante un cambio en el flujo de cido desde 0.0 hasta 1.3 mL/s.
0 20 40 60 80 100 120 140 160 180 200
2
3
4
5
6
7
pH
Tiempos de muestreo

Figura 5. Comportamiento del modelo fenomenolgico (lnea punteada) frente al proceso real (lnea
continua) ante un cambio en el flujo de solucin salina desde 0.0 hasta 1.29 mL/s.

Infortunadamente aunque la validacin del modelo demostr su excelente capacidad de prediccin, ste
resulta bastante complejo cuando se tiene que despejar el valor del pH desde la ecuacin (10), donde no est
como una variable explcita. Esto conduce a la necesidad de un modelo ms compacto y
computacionalmente menos costoso, pero que conserve las caractersticas de prediccin del modelo
fenomenolgico. Con este fin, se construy un modelo semifsico mediante un Sistema de Inferencia
Borroso tipo Takagi-Sugeno siguiendo el procedimiento presentado anteriormente. Como variables en el
regresor se tomaron valores pasados del pH y tres valores pasados del flujo de base (NaOH, flujo q
3
). Con
cinco Reglas fue suficiente utilizando un SIB TS afn (trmino independiente diferente de cero). La
respuesta de este modelo semifsico frente a los datos del modelo fenomenolgico arroj un error medio de
2.4% y un error mximo de 2.8%. Estos datos se obtuvieron inyectando las mismas seales aleatorias en las
diferentes variables de entrada al proceso, tanto al modelo semifsico como al modelo fenomenolgico, y
comparando sus respuestas. Cabe mencionar que el modelo semifsico se utiliz luego como modelo dentro
de una estructura de Control Predictivo Basado en Modelo, logrando muy buena regulacin del pH,
utilizando slo informacin del sensor de pH ubicado a la salida del tanque.


Referencias

Alvarez, H., Londoo, C., di Sciascio, F. and Carelli, R. pH Neutralization Process as a Benchmark for
Testing Nonlinear Controllers. Ind. & Eng. Chem. Res. Vol. 40, may, 2001.
Astarita, G. Scale-up: Overview, closing remarks and cautions. In: Scale-up of chemical processes,
edited by Bision, A. and Kabel, R. John Willey & Sons, 1985.
Bird, Byron. Fenmenos de transporte. Editorial Revert, Barcelona, 1982.
Gmez, L. Modelamiento del flujo del charco de metal lquido y su efecto en la penetracin de la
soldadura por arco. Tesis Maestra. Univ. Nacional de Colombia, Bogot. 2002.
Gustaffson, T. and Waller, K. Dynamic modeling and reaction control of pH. Chem. Eng. Sci. Vol 38,
No. 3. 1983.
Kim, W.H. Fan, H.G., Na, S.J. A Mathematical Model of Gas Tungsten Arc Welding Considering the
Cathode and the Free Surface of the Weld Pool. Metallurgical and Materials Transactions B. Agosto
1997, Vol. 28B. p.679-686.
Laukonen, E. and Passino, K. Training fuzzy systems to perform estimation and identification. Eng.
Applic. Artif. Intell. Vol. 8, No. 5. 1995.
Ljung, L. System identification. Theory for the users. Prentice Hall, 1987.
Lindskog, P. Methods, algorithms and tools for systems identification based in prior knowledge. Ph.D.
Thesis, Linkoping University, Sweden, 1996.
Patankar, Numerical Heat Transfer and Fluid Flow, Mc Graw-Hill, New York, 1980.
Peric, M. and Ferziger, J.H. Computational Methods for Fluid Dynamics. Editorial Springer, segunda
edicin, Berlin, 1997.
Smith. C. and Corripio, A. Principles and practice of automatic processes control. John Wiley & Sons.
1997.
Stone, Herbert. Iterative solution of implicit approximations of multidimensional partial differential
equations. Numerical Analisys, septiembre 1968, vol 5, No. 3, p530-558
Takagi, T. and Sugeno, M. Fuzzy Identification of Systems and Its Applications to Modeling and
Control 1985. IEEE Transactions on Systems, Man and Cybenetics, Vol. SMC-15, No. 1, Jan/Feb 1985.