Académique Documents
Professionnel Documents
Culture Documents
Director:
Prof. CARLOS JESS MUVDI NOVA
Ing. Qumico, M. Sc., Ph. D.
Codirector:
OMAR ANDRS BENAVIDES PRADA
Ing. Qumico
TABLA DE CONTENIDO
Pg.
INTRODUCCIN.11
1.
METODOLOGA.19
1.1.
1.2.
IMPLEMENTACIN DE LA RED..20
1.3.
2.
2.1.
2.2.
2.3.
2.4.
2.5.
2.6.
3.
4.
ANLISIS DE RESULTADOS..25
ESTUDIO DEL EFECTO DE LOS PARMETROS DE DISEO
DE LA RED EN SU CAPACIDAD PREDICTIVA....25
ENTRENAMIENTO DE LA RED Y SIMULACIN DEL PROCESO
DE EVAPORACIN DE PELCULA DESCENDENTE AL
VACO....28
ANLISIS DE INFLUENCIA DE LAS VARIABLES DE ENTRADA
EN EL PROCESO DE EVAPORACIN DE PELCULA
DESCENDENTE AL VACO...32
ENTRENAMIENTO DE LA RED Y SIMULACIN DEL PROCESO
DE EVAPORACIN DE PELCULA DESCENDENTE CON GAS
DE ARRASTRE....35
ANLISIS DE INFLUENCIA DE LAS VARIABLES DE ENTRADA
EN LA EVAPORACIN DE PELCULA DESCENDENTE CON
GAS DE ARRASTRE......37
CLCULOS DE COEFICIENTES ENERGTICOS Y
COMPARACIN CON OTROS PROCESOS DE
EVAPORACIN...40
CONCLUSIONES....43
RECOMENDACIONES PARA TRABAJOS FUTUROS... 44
BIBLIOGRAFA.45
ANEXOS....49
LISTA DE FIGURAS
Pg.
Figura 1. Esquema de la evaporacin de pelcula descendente.11
Figura 2. Estructura de una red neuronal Feedforward....15
Figura 3. Diagrama metodolgico....18
Figura 4. Piloto de evaporacin de pelcula descendente.......21
Figura 5. Diagrama de Pareto estandarizado para MSE.............25
Figura 6. Regresin lineal entre los datos experimentales de evaporacin de
pelcula descendente al vaco y los predichos por la red......30
Figura 7. Variables del proceso de evaporacin de pelcula descendente al
vaco obtenidos experimentalmente y los predichos por la red neuronal...31
Figura 8. Regresin lineal entre los datos experimentales y los predichos por la
red para la evaporacin de pelcula con gas de arrastre..36
Figura 9. Variables del proceso de evaporacin de pelcula descendente
obtenidos experimentalmente y los predichos por la red neuronal.36
Figura 10. Comparacin entre el Consumo Energtico Msico (CEM) bajo las
mejores condiciones de operacin encontradas y otros mtodos de
evaporacin.......................................................................................................40
LISTA DE TABLAS
Pg.
Tabla 1. Variables de entrada de evaporacin de pelcula descendente al
vaco y sus respectivos niveles.....22
Tabla 2. Variables de entrada de evaporacin de pelcula descendente con
gas de arrastre y sus respectivos niveles ...23
Tabla 3. Valores de los parmetros de diseo que minimizan el error MSE.....26
Tabla 4. Errores MSE obtenidos con el diseo de red propuesto en la Tabla 1
y cada uno de los mtodos de entrenamiento escogidos.28
Tabla 5. Resultados de los entrenamientos realizados a la red con los datos
de evaporacin de pelcula descendente al vaco.....29
Tabla 6. Factores del diseo experimental del proceso de evaporacin de
pelcula descendente al vaco y sus respectivos niveles .....32
Tabla 7. Anlisis de Varianza para el Factor de concentracin (Fc), la
temperatura de salida (Ts) y el caudal mnimo (Qmn)....33
Tabla 8. Resultados de los entrenamientos realizados a la red con los datos
del proceso de evaporacin de pelcula con gas de arrastre...35
Tabla 9. Factores del diseo experimental del proceso de evaporacin de
pelcula descendente con gas de arrastre y sus respectivos niveles..37
Tabla10. Anlisis de varianza para el factor de concentracin (Fc) y el caudal
mnimo de operacin (Qmin). 38
Tabla 11. Coeficientes globales de transferencia de calor en
evaporadores....41
LISTA DE ANEXOS
Pg.
ANEXO A. Diseo experimental y anlisis de influencia de los parmetros
de red sobre su capacidad predictiva...49
ANEXO B. Datos experimentales del proceso de evaporacin de pelcula
descendente al vaco......52
ANEXO C. Resultados de la simulacin de la evaporacin de pelcula
descendente al vaco con redes
neuronales....53
ANEXO D. Datos experimentales del proceso de evaporacin de pelcula
descendente con gas de arrastre..54
ANEXO E. Resultados de la simulacin de la evaporacin de pelcula
descendente con gas de arrastre con redes neuronales......55
ANEXO F. Mejores condiciones del proceso de evaporacin de pelcula
descendente al vaco...56
RESUMEN
TTULO:
SIMULACIN
DE
LA
EVAPORACIN
DE
PELCULA
ABSTRACT
TITLE: SIMULATION OF FALLING FILM EVAPORATION VACUUM AND
STRIPPING GAS USING NEURAL NETWORKS
AUTHORS: CAMILO ANDRES ANAYA RUIDIAZ; PAULA SOLVEY BUENO
DELGADO
KEYWORDS:
NEURAL
NETWORKS,
EVAPORATION,
SIMULATION,
ANALYSIS OF INFLUENCE
Neural networks are a computational tool based on the human brain, which can
recognize patterns between information that is supplied through a learning
process. Because of this, its use in process modeling has increased
considerably. In the present study the modeling of falling film evaporation at
vacuum conditions and with stripping gas was performed using this tool. To
achieve this objective the architecture of a Feedforward neural network was
designed, which was supplied with falling film evaporation data under vacuum
conditions and with stripping gas. The best structure of the neural network
found was 2 hidden layers, 30 hidden neurons in each layer, 60 data supplied to
the network, 60% of information for training and training method LevenbergMaquardt. The tests were performed based on a 33 factorial experimental
design with duplicates. For vacuum film evaporation average errors of 0.83%;
0.17% y 5.24% were obtained in the prediction of the concentration factor, the
output temperature and the minimum operating flow rate, respectively.
Prediction error for the concentration factor in falling film evaporation with
stripping gas was 2.91%; while for the minimum flow was 5.80%. With the
verified model a simulation of the processes was carried out, and a subsequent
influence analysis of the variables involved. It was found that the inlet
concentration is the most influential variable in the vacuum process, while the
gas velocity has the greatest effect on the output variables of the process with
stripping gas.
10
INTRODUCCIN
Tener una comprensin adecuada respecto a los diferentes fenmenos que
pueden ocurrir en un proceso (generalmente complejo) permite que se avance
en materia de diseo, operacin y optimizacin de estos. Dicha asimilacin se
ha llevado a cabo mediante varias tcnicas tericas y empricas, como por
ejemplo el modelamiento. El uso de ecuaciones de conservacin y
correlaciones son algunos de los procedimientos usados con este propsito.
Sin embargo, existen procesos de alta complejidad, como los de la industria de
alimentos, en los cuales se hace an ms difcil el uso de ecuaciones (tericas)
para describirlos; afectando la veracidad en los resultados obtenidos con ellas.
Pelcula
lquida
z
(x,z)
Pared
del
evaporador
Tp
TL(x,z)
CA (x,z)
11
temperatura T L y
Sobre este tema se han llevado a cabo diferentes estudios. Muchos de ellos
predicen satisfactoriamente las variables de un proceso; sin embargo, su
veracidad est sujeta a las suposiciones realizadas. Por ejemplo, Assad &
Lampinen (2008), Brotherton (2002), Batistella & Maciel (1996) y Pacheco &
Frioni (2004) realizaron el modelamiento de la evaporacin de agua, mezclas
de etanol-agua, ftalato de dibutilo - sebacato de dibutilo y soluciones de
sacarosa, respectivamente. Para esto se basaron en ecuaciones de
conservacin, considerando flujo en rgimen laminar, propiedades fsicoqumicas constantes, condiciones de equilibrio de fases y estado estable;
adems, los parmetros y propiedades fisicoqumicas (como viscosidad y
densidad) se hallaron mediante ecuaciones tericas y empricas (Pacheco &
Frioni, 2004). Feddaoui et al. (2006) tambin realizaron balances para
evaporacin de agua en condiciones de flujo turbulentas, asumiendo flujo
incompresible y ausencia de disipacin viscosa, radiacin y fenmenos de
transporte en direccin axial.
12
13
simulacin
de
procesos
complejos es el uso
de
redes neuronales
datos
14
en
informacin
de
salida
presentar
los
resultados,
CARGAS
NEURONAS
NEURONA
SALIDA
RESULTADO
N1
E1
Ni
E2
Nn
Debido a esto, son cada vez ms los estudios cientficos que aplican la
simulacin por redes neuronales para el anlisis de procesos. Fullana et al.
(2000) simularon el proceso de extraccin de Nigella Sativa con CO2
supercrtico, complementando la simulacin con un balance de aceite en el
sistema; mientras Machn et al. (2007) simularon la nitrificacin de aguas
residuales provenientes de la produccin de acero. Las variables de salida
fueron la solubilidad del aceite en el dixido de carbono y el flujo de solvente,
respectivamente.
Para
el
primer
trabajo
la
red
fue
entrenada
por
retropropagacin y en el segundo, se utiliz el algoritmo de LevenbergMarquardt. En ambos casos se obtuvieron datos con errores menores al 10%.
Las redes neuronales tambin han sido utilizadas como controladores de
procesos. Dirion et al. (2002) usaron una red neuronal para controlar la
temperatura de operacin de un reactor. Para esto, introdujeron como variables
de entrada el valor de setpoint de la temperatura, la variable controlada y la
manipulada (apertura de la vlvula de lquido de enfriamiento). La variable de
salida fue la apertura de vlvula requerida para mantener la temperatura en su
setpoint. Las temperaturas observadas fueron comparadas con las obtenidas
con un controlador GPC-RM (Generalized Predictive Control with double model
reference), comprobando la precisin del controlador virtual.
16
Por tal motivo, el objetivo del presente trabajo es el modelamiento del proceso
de evaporacin de pelcula descendente al vaco y con gas de arrastre
mediante redes neuronales. Esta herramienta no ha sido utilizada para el
estudio de este tipo de operacin unitaria. Para cumplir con este objetivo se
defini la estructura de la red (que puede modificarse de ser necesario) y se
realizaron experimentos de evaporacin, cuyos resultados fueron usados en la
etapa de entrenamiento. Posteriormente, se realiz la simulacin con la
herramienta computacional validada, con el propsito de analizar la influencia
de las variables de entrada en el proceso. Este trabajo hace parte del proyecto
titulado: Aumento de la productividad de concentrados de jarabe de glucosa
obtenidos a partir de hidrolizados de almidn de yuca por mtodos no
convencionales
con
cdigo
1102-5022-7720
17
COLCIENCIAS
UIS
METODOLOGA
# Neuronas de las
capas superficiales.
FASE 1. Diseo de
la arquitectura de
la red
-# neuronas en capas
superficiales.
-Experimentos con
evaporador de pelcula
descendente.
-Parmetros de red
definidos en la etapa
anterior.
FASE 2.
Implementacin
de la red neuronal
FASE 3. Anlisis
de influencia de las
variables
-Datos de la simulacin.
-Diseo experimental con
rangos de validacin de fase 2.
18
Datos de proceso de
destilacin membranaria
-Estructura de la red
-Mtodo de entrenamiento
-%informacin destinada a
entrenamiento
- # mnimo de
experimentos
-Comprensin del
proceso.
- Variables de mayor
influencia en el proceso.
Para este trabajo se eligi una red feedforward con funciones de transferencia
logsig y purelin en las capas ocultas y de salida, respectivamente. Esta eleccin
se bas en los buenos resultados obtenidos con esta arquitectura en trabajos
consultados (Machn et al., 2007). Las redes fueron creadas y entrenadas con el
software Matlab 7.0.4. Los parmetros de diseo a los que se realiz el estudio
fueron: la arquitectura de red (# Neuronas y # Capas ocultas), el mtodo de
entrenamiento, la cantidad de datos suministrados y el porcentaje de estos datos
que se usan para entrenamiento, validacin y test. Para analizar la influencia de
estos factores en la capacidad predictiva de la red, se realiz un diseo
experimental factorial 34 por triplicado (ver Anexo 1). Se us como criterio de
seleccin el error al cuadrado promedio MSE (Velsquez et al., 2006).
Inicialmente se trabaj con el mtodo de entrenamiento Levenberg-Marquardt
(sugerido por Matlab). Los valores considerados para cada parmetro fueron los
siguientes:
19
mtodos
de
entrenamiento:
variable
training
rate,
resilent
20
21
Niveles
10 - 20 - 40
200 - 250 - 300
80 - 85 - 90
22
Niveles
10 - 20 - 40
10 12,5 14,5
85 - 95 - 105
23
Al final de esta fase se obtuvo el modelo (un evaporador de pelcula virtual) y los
rangos de validacin de ste.
pelcula
descendente.
Para
ello
se
trabaj
considerando
diseos
experimentales del tipo factorial multinivel dentro de los rangos de validacin del
modelo, obtenidos en la Fase 2. Para la configuracin en vaco, el diseo
consisti en 7 niveles para concentracin de entrada y 6 niveles para
Temperatura de pared y Presin de vaco (252 experimentos). Para el caso de
gas de arrastre, el diseo experimental estuvo conformado por 7 niveles para la
Concentracin de entrada, 10 niveles para la Velocidad del aire y 5 niveles para la
Temperatura del aire a la entrada (350 experimentos). A partir de estos diseos
se determin el efecto que tiene cada una de las variables de entrada sobre las
variables de salida y las mejores condiciones de proceso. Es importante sealar
que para el caso de la temperatura de entrada en la configuracin al vaco, sta
se fij 5C por debajo de la temperatura de ebullicin a la presin de trabajo,
considerando lo realizado en la Fase 2. El anlisis se realiz utilizando
Statgraphics Centurion XVI.I (versin de prueba). Los datos que se usaron en
este software fueron los resultados de la simulacin por redes neuronales para el
conjunto de datos generados a partir de los diseos experimentales.
24
ANLISIS DE RESULTADOS
Estudio del efecto de los parmetros de diseo de la red en su capacidad
predictiva.
+
-
0,4
0,8
1,2
1,6
Efecto estandarizado
25
2,4
Los valores de cada parmetro que minimizaron el error MSE en los intervalos
especificados se obtuvieron con ayuda del programa estadstico. Los resultados
se muestran en la siguiente tabla.
26
Tabla 3. Valores de los parmetros de diseo que minimizan el error MSE. Fuente:
Autores.
Factor
Experimentos
Entrenamiento
Capas
Valor ptimo
60
60%
30
27
desempeo fue la de 50 neuronas por capa oculta. Esto se reflej en una eficiente
actualizacin de datos durante todo el proceso de entrenamiento. Este resultado
demuestra que el nmero de capas y/o neuronas ocultas debe ser aumentado en
casos donde la cantidad de informacin manejada por la red as lo requiera.
Tabla 4. Errores MSE obtenidos con el diseo de red propuesto en la Tabla 3 y cada uno
de los mtodos de entrenamiento escogidos. Fuente: Autores.
Mtodos de entrenamiento
MSE
2,86E-03
5,64E-02
5,44E-03
1,26E-02
7,52E-02
6,41E-02
28
29
Iteraciones
13
9
8
7
7
7
7
Error MSE
0,1178
0,1014
0,0284
0,0137
0,0053
0,0007
0,0006
Para realizar la validacin del entrenamiento se lleva a cabo una regresin lineal
con los valores de salida de la red y los datos experimentales. Esta opcin brinda
una medida (indirecta) de la capacidad predictiva de la red. Para redes con alta
capacidad predictiva, la funcin resultante de la regresin debe ser la funcin
identidad (recta y=x) con un coeficiente R2 lo ms cercano a uno. En la Figura 6
se muestran los resultados del proceso de validacin.
Puede observarse que el coeficiente R2 fue muy cercano a 1 (0,9999). Este valor
es mayor al obtenido en los trabajos de Adib et al. (2009) que es de 0,89, lo que
muestra la efectividad del modelamiento por redes neuronales de la evaporacin
30
a)
2
1,8
1,6
1,4
1,2
1
0,8
0,6
0,4
0,2
0
Exp.
1,24
1,26
1,26
1,14 1,14
1,06
Simulacin
10Bx
10Bx
10Bx
20Bx
20Bx
20Bx
20Bx
40Bx
40Bx
40Bx
200 mbar 200 mbar 200 mbar 200 mbar 250 mbar 250 mbar 300 mbar 300 mbar 300 mbar 300 mbar
80C
85C
90C
90C
80C
90C
90C
80C
85C
90C
Temperatura del
Concentrado [C]
b)
90
80
70
60
50
40
30
20
10
0
c)
10Bx
10Bx
10Bx
20Bx
20Bx
20Bx
20Bx
40Bx
40Bx
40Bx
200 mbar 200 mbar 200 mbar 200 mbar 250 mbar 250 mbar 300 mbar 300 mbar 300 mbar 300 mbar
80C
85C
90C
90C
80C
90C
90C
80C
85C
90C
0,5
0,4
0,3
0,35
0,33
0,33
0,31
0,24
0,28
0,31
0,28
0,27
0,23
0,18 0,18
0,2
0,30
0,31
0,28
0,27 0,24
0,22
0,19
0,21
0,1
0
10Bx
10Bx
10Bx
20Bx
20Bx
20Bx
20Bx
40Bx
40Bx
40Bx
200 mbar 200 mbar 200 mbar 200 mbar 250 mbar 250 mbar 300 mbar 300 mbar 300 mbar 300 mbar
80C
85C
90C
90C
80C
90C
80C
80C
85C
90C
31
Los errores de prediccin obtenidos por parte del modelo para la evaporacin de
pelcula descendente al vaco fueron aceptables en los rangos usados para cada
variable. A partir de estos rangos y del diseo experimental planteado se llev a
cabo el proceso de simulacin y posterior anlisis de influencia de las variables de
proceso. Los niveles que tomaron las variables se muestran en la Tabla 6.
Concentracin de entrada
(Ce) [Brix]
Presin de vaco*
(Pv) [mbar]
Temperatura de pared
(Tp) [C]
Niveles
Las temperaturas de entrada fueron fijadas 5C por debajo del punto de ebullicin a la presin de
trabajo para evitar la ebullicin de la solucin antes de su ingreso al evaporador.
32
La Tabla 7 muestra los resultados del anlisis estadstico realizado a los datos
obtenidos con la simulacin. En dicho anlisis se determin la influencia de las
variables de entrada en cada una de las variables de salida.
Ts
Qmin
Variable*
Efecto
Valor P
Efecto
Valor P
Efecto
Valor P
Ce
-0,1348
0,0000
-0,0237
0,9182
-0,2826
0,0000
Pv
0,0040
0,6869
8,4326
0,0000
-0,0146
0,2261
Tp
0,0475
0,0000
1,1826
0,0000
0,1017
0,0000
33
Por otra parte, la variable con el mayor efecto en la temperatura de salida fue la
presin de vaco. La temperatura de la pared present la segunda mayor
influencia (ver efectos, Tabla 7). La temperatura de salida muestra un incremento
en su valor ante un aumento en la presin del sistema o en la temperatura de
pared. Esto se debe a que la temperatura de ebullicin de la solucin (que es la
temperatura de salida) aumenta con la presin del sistema. Maximo et al. (2010)
encontraron en su estudio que un aumento de 200 mbar en la presin del sistema
ocasiona que la temperatura de ebullicin aumente 16C aprox. De otra parte, un
aumento en la temperatura de pared favorece la evaporacin, lo que a su vez
genera un ligero incremento en la presin del sistema, y con ella, la temperatura
de ebullicin (tambin evidenciado por Maximo et al., 2010). La concentracin de
entrada no fue significativa para esta variable.
34
Tabla 8. Resultados de los entrenamientos realizados a la red con los datos del proceso
de evaporacin de pelcula con gas de arrastre. Fuente: Autores.
Entrenamiento
1
2
3
4
5
6
Iteraciones
11
9
9
7
8
7
Error MSE
0,0027
0,0025
0,0024
0,0023
0,0010
0,0001
35
Figura 8. Regresin lineal entre los datos experimentales y los predichos por la red para
la evaporacin de pelcula con gas de arrastre. Fuente: Autores.
b)
2
1,5
1
0,5
0
Caudal mnimo
[l/min]
Factor de
concentracin
a)
Exp.
Sim.
10 Bx 10 Bx 10 Bx 20 Bx 20 Bx 20 Bx 20 Bx 40 Bx 40 Bx 40 Bx
85C
85C
85C
85C
95C
95C 105C 105C 105C 105C
10,5 m/s12,6 m/s14,6 m/s14,2 m/s10,7 m/s12,9 m/s14,3 m/s10,2 m/s12,6 m/s14,4 m/s
1
0,8
0,6
0,4
0,2
0
0,410,49
0,48
0,57
0,48
0,66 0,69
0,54 0,58
10 Bx 10 Bx 10 Bx 20 Bx 20 Bx 20 Bx 20 Bx 40 Bx 40 Bx 40 Bx
85C
85C
85C
85C
95C
95C 105C 105C 105C 105C
10,5 m/s12,6 m/s14,6 m/s14,2 m/s10,7 m/s12,9 m/s14,3 m/s10,2 m/s12,6 m/s14,4 m/s
36
Para este anlisis se trabaj con los rangos en las variables de entrada
considerados para el entrenamiento de la red en la configuracin con gas de
arrastre. Los niveles de cada variable del diseo experimental factorial multinivel
se especifican en la Tabla 9.
Concentracin de
entrada (Ce)
[Brix]
10, 15, 20, 25,
30, 35, 40
Temperatura
del gas (Tg)
[C]
85, 90, 95,
100, 105
37
Tabla 10. Anlisis de varianza para el factor de concentracin (Fc) y el caudal mnimo de
operacin (Qmin). Fuente: Autores.
Fc
Qmin
Variable*
Efecto
Valor-P
Efecto
Valor-P
Ce
-0,0423
0,0000
0,0001
0,9918
Tg
0,0111
0,0000
0,0638
0,0000
Vg
0,0461
0,0000
0,1065
0,0000
*Ce: Concentracin de entrada; Tg: Temperatura del gas; Vg: Velocidad del gas.
ms
rpidamente
(Geankoplis,
1998).
Al
igual
que
la
38
0,09 y 0,68
39
Figura 10. Comparacin entre el Consumo Energtico Msico (CEM) bajo las mejores
condiciones de operacin encontradas y otros mtodos de evaporacin (Anexo 6).
Fuente: Cetiat, 2000.
3500
3000
2500
2000
1500
1000
500
0
3300
2400
1494,45
903,56
250
160
40
Donde,
es el coeficiente de transferencia de calor en
es el flujo de calor en
es la concentracin en kg slido/kg
es el flujo de masa por unidad de longitud del tubo en
es la temperatura de ebullicin en
41
W.m-2C-1
1 000 - 2 700
2 000 - 7 500
750 - 2 500
1 800 2 700
1 500
500 2 500
2 000 5 000
5 307,96
42
CONCLUSIONES
Se dise la arquitectura de una red neuronal Feedforward para simular la
evaporacin de pelcula descendente, al vaco y con gas de arrastre, a partir de
un diseo experimental. Como resultado, los mejores valores establecidos para
dicha arquitectura que aseguraban disminuir el error de entrenamiento (MSE)
fueron: algoritmo de entrenamiento de Levenberg-Maquardt, 2 capas ocultas, 30
neuronas/capa oculta y 60% de informacin de entrenamiento. A partir de esta
arquitectura se obtuvieron errores MSE entre 0,12 y 0,001.
A partir de este diseo de arquitectura de red, se realiz su entrenamiento y
posterior validacin de los resultados. Se obtuvo un modelo capaz de predecir de
manera rpida y sencilla variables de un proceso complejo como la evaporacin
de pelcula descendente. Para la evaporacin de pelcula al vaco se obtuvieron
errores promedios de 0,83%; 0,17% y 5,24% en la prediccin del factor de
concentracin, la temperatura de salida y el caudal mnimo de operacin,
respectivamente. En la evaporacin con gas de arrastre el error en la prediccin
del factor de concentracin fue de 1,47%; mientras que para el caudal mnimo
requerido fue de 6,57%.
Por ltimo, se analiz la influencia de las variables del proceso. Se encontr
que para la evaporacin de pelcula descendente al vaco, la variable de mayor
influencia en el factor de concentracin y el caudal mnimo de operacin fue la
concentracin de entrada (con efectos de -0,1348 y -0,2826; respectivamente). La
presin de vaco no tuvo un efecto significativo en ninguna de las dos. Sin
embargo, esta variable tuvo el mayor efecto en la temperatura de salida, con un
efecto de 8,4326. Asimismo, en el proceso con gas de arrastre se determin que,
de las tres variables estudiadas, la velocidad del gas es la de mayor influencia en
el factor de concentracin y el caudal mnimo de operacin (con efectos de 0,0461
y 0,1065; respectivamente).
43
44
BIBLIOGRAFA
BHARGAVA R., KHANAM S., MOHANTY B., Ray A.K. Simulation of flat
falling film evaporator system for concentration of black liquor. Computers
and Chemical Engineering 32 (2008); pgs. 32133223.
45
JEONG K.; JOO G.; KIM H.; HA K.; RECKNAGEL F. Prediction and
elucidation of phytoplankton dynamics in the Nakdong River (Korea) by
means of a recurrent artificial neural network. Ecological Modelling 146
(2001); pgs. 115129.
LENNOX B.; MONTAGUE G.; FRITH A.; GENT C.; BEVAN V. Industrial
application of neural networks an investigation. Journal of Process Control
11 (2001); pgs. 497-507.
LI W.; WU X.; LUO Z.; WEBB R. Falling water film evaporation on newlydesigned enhanced tube bundles. International Journal of Heat and Mass
Transfer 54 (2011); pgs. 29902997.
46
LIU, Z.; YI, J. Falling film evaporation heat transfer of water/salt mixtures
from roll-worked enhanced tubes and tube bundle. Applied thermal
engineering 22 (2002); pgs. 83-95.
MAXIMO G., MEIRELLES A., BATISTA E. Boiling point of aqueous dglucose and d-fructose solutions: Experimental determination and modeling
with group-contribution method. Fluid Phase Equilibria 299 (2010); pgs.
3241.
47
48
Anexo A
Tabla A. Diseo experimental y anlisis de influencia de los parmetros de red
sobre su capacidad predictiva. Fuente: Autores.
Capas Neuronas Training
30
10
60
90
30
30
60
90
30
50
60
90
30
10
60
90
Exp.
20
60
100
20
60
100
20
60
100
20
60
100
20
60
100
20
60
100
20
60
100
20
60
100
20
60
100
20
60
100
20
60
100
20
60
100
MSE1
0,029
0,006
0,009
0,206
0,019
0,005
0,013
0,011
0,012
0,024
0,017
0,018
0,460
0,122
0,018
0,002
0,022
0,004
0,037
0,006
0,001
0,475
0,211
0,010
0,000
0,005
0,002
0,008
0,008
0,015
0,132
0,057
0,012
0,000
0,015
0,008
49
MSE2
0,006
0,025
0,006
0,112
0,003
0,009
0,002
0,004
0,005
0,001
0,003
0,009
0,893
0,069
0,009
0,007
0,014
0,010
0,013
0,013
0,001
0,362
0,036
0,007
0,001
0,001
0,001
0,011
0,015
0,004
0,157
0,013
0,022
0,000
0,048
0,009
MSE3
0,012
0,010
0,007
0,172
0,004
0,002
0,053
0,010
0,005
0,006
0,009
0,003
0,095
0,126
0,016
0,019
0,003
0,009
0,004
0,001
0,001
0,113
0,027
0,014
0,000
0,001
0,005
0,004
0,012
0,008
0,087
0,009
0,009
0,003
0,095
0,004
Prom.
0,016
0,014
0,007
0,163
0,008
0,005
0,023
0,008
0,007
0,010
0,010
0,010
0,483
0,106
0,015
0,009
0,013
0,008
0,018
0,007
0,001
0,317
0,091
0,011
0,001
0,002
0,003
0,008
0,012
0,009
0,125
0,026
0,015
0,001
0,052
0,007
Desv.
0,047
0,009
0,002
0,047
0,009
0,004
0,027
0,004
0,004
0,012
0,007
0,007
0,400
0,032
0,005
0,009
0,010
0,003
0,017
0,006
0,000
0,185
0,104
0,003
0,000
0,003
0,002
0,004
0,003
0,006
0,035
0,027
0,007
0,002
0,040
0,003
30
30
60
90
30
50
60
90
30
10
60
90
30
3
30
60
90
30
50
60
20
60
100
20
60
100
20
60
100
20
60
100
20
60
100
20
60
100
20
60
100
20
60
100
20
60
100
20
60
100
20
60
100
20
60
100
20
60
100
20
60
100
0,008
0,006
0,004
0,355
0,033
0,008
0,001
0,001
0,002
0,014
0,062
0,020
0,274
0,014
0,029
0,007
0,016
0,018
0,008
0,007
0,007
0,013
0,027
0,030
0,001
0,011
0,006
0,023
0,015
0,009
0,083
0,052
0,016
0,016
0,019
0,010
2,259
0,417
0,085
0,041
0,092
0,092
50
0,008
0,009
0,007
0,089
0,013
0,024
0,003
0,003
0,002
0,005
0,008
0,008
0,220
0,106
0,009
0,001
0,011
0,019
0,004
0,004
0,005
0,101
0,007
0,017
0,015
0,003
0,002
0,025
0,011
0,026
0,008
0,016
0,024
0,008
0,008
0,014
1,694
0,141
0,141
0,082
0,031
0,019
0,002
0,005
0,003
0,020
0,008
0,004
0,005
0,002
0,001
0,016
0,043
0,015
0,025
0,017
0,009
0,068
0,010
0,005
0,011
0,011
0,004
0,008
0,017
0,005
0,002
0,004
0,009
0,009
0,013
0,018
0,161
0,040
0,012
0,018
0,009
0,075
0,612
0,158
0,020
0,260
0,106
0,011
0,006
0,007
0,005
0,155
0,018
0,012
0,003
0,002
0,002
0,012
0,038
0,014
0,173
0,046
0,016
0,025
0,012
0,014
0,008
0,007
0,005
0,041
0,017
0,017
0,006
0,006
0,006
0,019
0,013
0,017
0,084
0,036
0,018
0,014
0,012
0,033
1,522
0,239
0,082
0,128
0,077
0,041
0,003
0,002
0,002
0,177
0,013
0,011
0,002
0,001
0,001
0,006
0,027
0,006
0,131
0,052
0,012
0,037
0,003
0,008
0,003
0,003
0,001
0,053
0,010
0,013
0,008
0,004
0,003
0,009
0,002
0,009
0,077
0,018
0,006
0,005
0,006
0,037
0,837
0,155
0,060
0,116
0,040
0,045
90
20
60
100
0,093
0,040
0,006
51
0,000
0,030
0,003
0,066
0,021
0,005
0,053
0,030
0,004
0,048
0,009
0,001
Anexo B
Tabla A. Datos experimentales del proceso de evaporacin de pelcula
descendente al vaco. Fuente: Autores.
VARIABLES DE
ENTRADA
VARIABLES DE SALIDA
Ce
[Brix]
Pv
[mbar]
Tp
[C]
Fc
Ts
[C]
Qmn
[l/min]
Fc
Ts
[C]
Qmn
[l/min]
10
10
10
10
10
10
10
10
10
20
20
20
20
20
20
20
20
20
40
40
40
40
40
40
40
40
40
200
200
200
250
250
250
300
300
300
200
200
200
250
250
250
300
300
300
200
200
200
250
250
250
300
300
300
80
85
90
80
85
90
80
85
90
80
85
90
80
85
90
80
85
90
80
85
90
80
85
90
80
85
90
1,16
1,24
1,25
1,20
1,16
1,24
1,18
1,26
1,20
1,05
1,01
1,13
1,06
1,10
1,12
1,05
1,10
1,10
1,13
1,11
1,13
1,06
1,07
1,10
1,11
1,09
1,16
63
63
63
67
67
68
71
71
71
62
62
62
67
67
67
70
71
71
63
63
64
67
67
67
71
71
72
0,360
0,311
0,264
0,422
0,348
0,400
0,413
0,349
0,428
0,217
0,248
0,258
0,175
0,212
0,326
0,302
0,197
0,368
0,270
0,175
0,318
0,227
0,190
0,209
0,258
0,195
0,290
1,20
1,22
1,26
1,20
1,20
1,20
1,20
1,24
1,23
1,05
1,06
1,16
1,06
1,09
1,13
1,06
1,08
1,10
1,16
1,14
1,13
1,06
1,05
1,08
1,15
1,08
1,18
63
63
63
67
67
68
71
71
71
62
62
62
67
67
67
71
71
71
63
63
64
67
68
68
71
71
72
0,331
0,352
0,225
0,484
0,403
0,371
0,381
0,302
0,387
0,201
0,230
0,297
0,187
0,233
0,290
0,291
0,221
0,355
0,310
0,154
0,306
0,198
0,220
0,240
0,224
0,176
0,329
52
Anexo C
Tabla A. Resultados de la simulacin de la evaporacin de pelcula descendente al
vaco con redes neuronales. Fuente: Autores.
VARIABLES DE ENTRADA
VARIABLES DE SALIDA
Ce [Brix]
Pv [mbar]
Tp
[C]
Cs
[Brix]
Ts
[C]
Qmn [l/min]
10
10
10
10
10
10
10
10
10
20
20
20
20
20
20
20
20
20
40
40
40
40
40
40
40
40
40
200
200
200
250
250
250
300
300
300
200
200
200
250
250
250
300
300
300
200
200
200
250
250
250
300
300
300
80
85
90
80
85
90
80
85
90
80
85
90
80
85
90
80
85
90
80
85
90
80
85
90
80
85
90
1,2
1,24
1,26
1,2
1,16
1,22
1,18
1,25
1,2
1,04
1,1
1,14
1,07
1,09
1,13
1,05
1,1
1,09
1,16
1,14
1,12
1,05
1,05
1,09
1,1
1,1
1,16
63
62,89
63,01
67
67,03
67,95
71,04
71,03
70,99
62,04
62
62
67,01
67,03
67
69,9
70,97
71,41
63,52
63
62,98
66,99
66,98
66,96
70,98
70,98
72,04
0,331
0,306
0,225
0,484
0,348
0,411
0,411
0,334
0,429
0,200
0,254
0,266
0,178
0,211
0,280
0,274
0,201
0,373
0,260
0,168
0,311
0,231
0,215
0,210
0,217
0,215
0,277
53
Anexo D
Tabla A. Datos experimentales del proceso de evaporacin de pelcula descendente
con gas de arrastre. Fuente: Autores.
VARIABLES DE ENTRADA
VARIABLES DE SALIDA
Ce
[Brix]
Taire
[C]
Faire [m/s]
Fc
Ts
[C]
Qmn
[l/min]
Fc
Ts
[C]
Qmn
[l/min]
10
10
10
10
10
10
10
10
10
20
20
20
20
20
20
20
20
20
40
40
40
40
40
40
40
40
40
85
85
85
95
95
95
105
105
105
85
85
85
95
95
95
105
105
105
85
85
85
95
95
95
105
105
105
10,53
12,58
14,59
10,50
12,66
14,45
10,31
12,65
14,56
10,73
12,52
14,18
10,71
12,19
14,33
10,35
12,49
14,31
10,14
12,20
14,14
10,36
12,28
14,39
10,20
12,61
14,39
1,12
1,14
1,15
1,10
1,13
1,16
1,12
1,12
1,13
1,10
1,12
1,13
1,11
1,14
1,15
1,13
1,15
1,16
1,05
1,06
1,06
1,08
1,09
1,09
1,08
1,08
1,08
78
75
75
77
79
75
78
78
78
74
79
77
76
80
78
75
76
76
75
76
75
77
76
75
77
77
75
0,656
0,594
0,721
0,660
0,652
0,726
0,665
0,657
0,760
0,403
0,702
0,663
0,668
0,755
0,693
0,701
0,770
0,721
0,498
0,717
0,626
0,531
0,739
0,775
0,639
0,713
0,675
1,11
1,15
1,16
1,12
1,14
1,15
1,10
1,11
1,14
1,10
1,10
1,09
1,09
1,14
1,16
1,14
1,15
1,17
1,05
1,06
1,06
1,09
1,09
1,10
1,08
1,08
1,08
76
75
75
77
77
76
77
76
77
78
79
75
76
80
75
77
76
77
75
75
76
76
76
75
76
76
75
0,617
0,656
0,787
0,620
0,696
0,784
0,628
0,740
0,696
0,471
0,736
0,677
0,736
0,751
0,801
0,654
0,700
0,731
0,575
0,709
0,676
0,609
0,658
0,885
0,572
0,620
0,609
54
Anexo E
Tabla A. Resultados de la simulacin de la evaporacin de pelcula descendente
con gas de arrastre con redes neuronales. Fuente: Autores.
VARIABLES DE ENTRADA
VARIABLES DE
SALIDA
Ce
[Brix]
Taire
[C]
Faire [m/s]
Fc
Qmn
[l/min]
10
10
10
10
10
10
10
10
10
20
20
20
20
20
20
20
20
20
40
40
40
40
40
40
40
40
40
85
85
85
95
95
95
105
105
105
85
85
85
95
95
95
105
105
105
85
85
85
95
95
95
105
105
105
10,53
12,58
14,59
10,50
12,66
14,45
10,31
12,65
14,56
10,73
12,52
14,18
10,71
12,19
14,33
10,35
12,49
14,31
10,14
12,20
14,14
10,36
12,28
14,39
10,20
12,61
14,39
1,12
1,15
1,13
1,12
1,13
1,15
1,11
1,11
1,15
1,12
1,15
1,13
1,11
1,14
1,15
1,13
1,13
1,16
1,06
1,06
1,09
1,06
1,08
1,07
1,08
1,09
1,08
0,588
0,698
0,706
0,655
0,667
0,752
0,666
0,685
0,758
0,520
0,740
0,674
0,749
0,737
0,748
0,700
0,654
0,723
0,619
0,718
0,641
0,600
0,727
0,953
0,575
0,635
0,675
55
Anexo F
Tabla A. Mejores condiciones del proceso de evaporacin de pelcula descendente
al vaco.Fuente: Autores.
Variable
Concentracin de
entrada
Temperatura de
Pared
Presin de
vaco
Temperatura de
alimentacin
Valor
10
90
200
57
10
105
56
14,5