Prcoceso de Validacion de Modelo de Simulacion

Informes Tcnicos Ciemat 844
abril,l 998
Proceso de Validacin
de Modelos de Simulacin
Ma Jess San Isidro
Departamento de Energas Renovables

Toda correspondencia en relacin con este trabajo debe dirigirse al Servicio de
Informacin y Documentacin, Centro de Investigaciones Energticas, Medioambientales y
Tecnolgicas, Ciudad Universitaria, 28040-MADRID, ESPAA.
Las solicitudes de ejemplares deben dirigirse a este mismo Servicio.
Los descriptores se han seleccionado del Thesauro del DOE para describir las
materias que contiene este informe con vistas a su recuperacin. La catalogacin se ha hecho
utilizando el documento DOE/TIC-4602 (Rev. 1) Descriptive Cataloguing On-Line, y la
clasificacin de acuerdo con el documento DOE/TIC.4584-R7 Subject Categories and Scope
publicados por el Office of Scientific and Technical Information del Departamento de Energa
de los Estados Unidos.
Se autoriza la reproduccin de los resmenes analticos que aparecen en esta

publicacin.
Depsito Legal: M-14226-1995

IPO: 238-98-002-5
ISSN: 1135-9420
Editorial CIEMAT
CLASIFICACIN DOE Y DESCRIPTORES
990200; 140901
COMPUTERIZED SIMULATION; MATHEMATICAL MODELS; SENSITIVITY ANALYSIS;
MONTE CARLO METHOD; CLUSTER MODEL; SOLAR CELLS; PASSIVE SOLAR COOLING
SYSTEMS; PASSIVE SOLAR HEATING SYSTEMS.
"Proceso de validacin de modelos de simulacin"
San Isidro Pindado, Ma Jess

72 pp. 19 fjgs. 17 refs.
Resumen:
Se presenta una metodologa de validacin emprica sobre un modelo de simulacin detallado. Este tipo de
validacin siempre est sujeto a un caso experimental. La validacin emprica es en sentido residual ya que
se llega a las conclusiones a travs de las comparaciones entre salidas simuladas y medidas experimentales.
Esta metodologa adems de servir de gua en la deteccin de fallos del modelo a validar, sirve de gua en el
diseo de experimentos posteriores. En ella se pueden destacar tres partes bien diferenciadas:
Anlisis de sensibilidad. Este anlisis se puede realizar mediante un DSA, anlisis de sensibilidad dife-
rencial, y un MCSA, anlisis de sensibilidad de Monte-Cario.
Bsqueda de dominios de parmetros de entrada. Se ha desarrollado un procedimiento en donde se
complementan Mtodos de Monte Cario y Tcnicas Cluster, para localizar los valores ptimos de los
parmetros de entrada. El dominio de estos parmetros no tiene porqu ser nico.
Anlisis de residuos. Este anlisis se ha realizado en los dominios del tiempo y de la frecuencia, me-
diante correlaciones y anlisis espectral.
Como aplicacin de esta metodologa se presenta la validacin realizada sobre un modelo de simulacin
trmica de edificios, el ESP, ante el comportamiento de componentes de la edificacin en una Clula Test
del LECE del CIEMAT.
"Validation process of simulation model"
San Isidro Pindado, Ma Jess

72 pp. 19 figs. 17 refs.
Abstract:
It is presented a methodology on empirical validation about any detailed simulation model. This king of
validation it is always related with an experimental case. The empirical validation has a residual sense.
because the conclusions are based on comparisons between simulated outputs and experimental
measurements. This methodology will guide us to detect the fails of the simulation model. Furthermore, it
can be used a guide in the design of posteriori experiments. Three steps can be well differentiated:
Sensitivitv analvsis. It can be made with a DSA, differential sensitivity analysis, and with a MCSA,
Monte-Cario sensitivity analysis.
Looking the optimal domains of the input parmeters. It has been developed a procedure based on the
Monte-Cario methods and Cluster techniques, to fnd the optimal domains of these parameters.
- Residual analvsis. This analysis has been made on the time domain and on the frequency domain, it has
been used the correlation analysis and spectral analysis.
As application of this methodology, it is presented the validation carried out on a thermal simulation model
on buildings, "ESP", studyng the behavior of building components on a Test Cell of LECE of CIEMAT.
Agradezco la gran colaboracin recibida por la Seccin de
Arquitectura Bioclimtica de la Divisin de Energa Solar del
CIEMAT (Centro de Investigaciones Energticas
Medioambientales y Tecnolgicas), y en particular a D. Jos
Marco Montoro.
Proceso de Validacin de Modelos de Simulacin

NDICE
1. INTRODUCCIN 4
2. SISTEMAS Y MODELOS DE SIMULACIN 7
3. ANLISIS DE SENSIBILIDAD 9
3.1 Funciones de Sensibilidad de Sistemas Continuos 10
3.2 Funciones de Sensibilidad de Sistemas Continuos-Discretos 11
3.3 Clculo de funciones de Sensibilidad 12
4. BSQUEDA DE DOMINIOS DE PARMETROS DE ENTRADA 15
4.1 Procedimiento iterativo del anlisis de sensibilidad 16
4.2 Mtodo de Monte Cario. Tcnicas Cluster 18
4.2.1 Mtodos de Monte Cario 18
4.2.2 Anlisis de Clusters 25
5. ANLISIS DE RESIDUOS 31
5.1 Principales caractersticas de los residuos 32
5.1.1. Estacionariedad 32
5.1.2. Media y Varianza 33
5.1.3. Funcin de Autocorrelacin .33
5.1.4. Autoespectro 34
5.2 Proceso Multivariante 34
5.2.1 Funciones de Correlacin Cruzada 35
5.2.2. Espectro Cruzado 36
5.2.3. Espectro de Mltiple Coherencia 36
5.2.4. Coherencia Parcial 37
6. SIMULACIN DEL COMPORTAMIENTO ENERGTICO DE UN
EDIFICIO: FUNDAMENTOS 38
6.1 La Energa Solar en la Edificacin 38
6.2 Los Procesos de Intercambio trmico en edificios 40
6.2.1. Ecuaciones Generales del comportamiento Trmico del
Edificio 41
6.3 Modelos de Simulacin 43
6.3.1 Mtodos de Evaluacin 43
6.3.2 Modelos de Simulacin Detallados y Simplificados 43
7. PROCESO DE VALIDACIN DEL MODELO ESP FRENTE A CLULAS
DE ENSAYO 46
7.1 Modelo ESP 46
7.2 Clulas de ensayo de componentes Solares Pasivos 47
7.2.1 Definicin y consideraciones generales 47
7.2.2 Clulas PASSYS 48
7.3 PROCESO DE VALIDACIN 51
7.3.1 Anlisis de Sensibilidad 51
7.3.2. Bsqueda de Dominios de Entrada 57
7.3.3 Anlisis de Residuos 64
8. CONCLUSIONES 69
8.1 Anlisis de sensibilidad 69
8.2 Bsqueda de dominios de parmetros de entrada 70
8.3 Anlisis de residuos 71
9. BIBLIOGRAFA 72

1. INTRODUCCIN
En Estadstica, al igual que en otras teoras de la Matemtica, adems de desarrollar

modelos matemticos que regularicen las observaciones en series estadsticas, es
importante ver cmo se adaptan estos modelos a la realidad; as en mecnica se deducen
las leyes de Kepler, que son leyes matemticas, y una segunda cuestin es ver si se
adapta a la realidad y con qu aproximacin.
Al aplicar mtodos estadsticos para obtener nuevos conocimientos de fenmenos

naturales se pueden considerar cuatro etapas: descripcin, modelizacin, verificacin y
prediccin.
1.- Descripcin estadstica, que se propone la recogida, clasificacin y presentacin
resumida de datos relativos a un fenmeno.
2.- Para explicar los hechos observados se formulan hiptesis, teoras o modelos, que
expresan en forma matemtica las relaciones que se han observado en los datos
estadsticos.
3.- Una tercera fase se refiere a la verificacin del modelo mediante la recogida de
nuevos datos estadsticos relativos al fenmeno estudiado. Si la ley se confirma con los
nuevos datos, puede utilizarse en lo sucesivo; si no, habr de comenzar nuevamente el
ciclo y modificar convenientemente las hiptesis, teoras o modelos.
4.- La teora o hiptesis establecida permite hacer deducciones y obtener consecuencias,
no obtenidas directamente de los experimentos sino mediante razonamientos lgicos.
Esta teora es la base de previsiones relativas a nuevos experimentos o sucesos.
Hoy en da, y con el desarrollo de nuevas tecnologas, los cientficos han utilizado estas
cuatro fases, con el fin de desarrollar modelos de simulacin sobre el comportamiento de
cualquier fenmeno, y as inicialmente describen el fenmeno, lo modelizan con
ecuaciones matemticas cuyo acoplamiento suele ser complejo, y una vez validado dicho
modelo, intentan predecir el comportamiento futuro del fenmeno. Existen modelos de
simulacin, sobre fabricacin de aviones, construccin de edificios... pero, aqu y aunque
inicialmente no se tenga en cuenta, tambin se encuentran las tcnicas estadsticas, sobre
todo en la validacin del modelo. Esta fase es imprescindible debido a que es necesario
conocer hasta qu punto el modelo representa bien la realidad y si no es as, conocer en
qu procesos falla y a qu son debidos, pues no se debera comenzar una previsin futura
antes de ser validado el modelo.
El proceso de validacin de un modelo siempre est sujeto a un caso experimental

dado. Por lo que, parece ser un tanto irrealista el decir "este modelo es vlido" siempre
habr que decir para que tipo de experimento lo es.
Aqu se presentan los pasos a seguir dentro de un proceso de validacin emprica.
Como caso prctico, se presenta tambin, la validacin realizada sobre, un modelo de
simulacin trmica de edificios, el ESP, ante el comportamiento de una Clula Test,
caseta prefabricada para el estudio trmico de edificios.
La validacin a realizar es en sentido residual, es decir, se trata de realizar
comparaciones de las salidas del modelo con las salidas medidas del caso experimental y
observar si existen diferencias entre las mismas, y poder explicar a qu son debidas.

A la hora de comparar las predicciones del modelo con los datos observados se
localizan muchas dificultades que se pueden reducir a dos problemas bien generalizados:
1. La cantidad de informacin del sistema fsico que contienen los datos.

2. La calidad de esta informacin
El diseo de un experimento para la validacin de un modelo no es una tarea sencilla.

Las decisiones sobre las seales a medir, donde, cuando y con qu frecuencia medirlas,
todo ello condicionar la cantidad de informacin fsica sobre el sistema que ser posible
extraer de los datos recogidos. Muchas veces, el experimento no es lo suficientemente
informativo ante los propsitos de la validacin global del modelo y solamente se pueden
llevar a cabo validaciones parciales. Por otra parte, las medidas casi siempre se
encuentran afectadas por ruidos, siendo esto un aspecto importante a tener en cuenta al
intentar validar el modelo.
Tambin se pueden encontrar dificultades relacionadas con la naturaleza intrnseca de
los cdigos de simulacin trmica. La complejidad y dimensin de tales cdigos implican
la necesidad de un experimento muy informativo para poder realizar el proceso de
validacin. Por otra parte, una gran cantidad de parmetros de entrada son necesarios
para poder definir el modelo de un sistema trmico en una simulacin detallada del
mismo (dimensiones geomtricas, propiedades trmicas y pticas...). El valor particular
de muchos de estos parmetros es "apriori" desconocido o su conocimiento suele estar
afectado por ciertas incertidumbres, y en este caso, la definicin de la incertidumbre est
muchas veces basada sobre juicios o experiencias subjetivas.
Debido a las dificultades anteriormente expuestas, es de esperar que se obtengan

ciertas desviaciones entre los datos medidos y los esperados mediante la simulacin,
siendo difcil calificar a un modelo o detectar las causas de un comportamiento
deficiente. Ahora bien, ciertas herramientas estadsticas son tiles ante los propsitos de
la validacin del modelo.
Dentro del proceso de validacin de modelos se pueden destacar tres partes bien
diferenciadas:
1. Anlisis de sensibilidad
Los modelos fsicos suelen representar un sistema multivariable tanto de entradas como
de salidas (se trata de sistemas con multientradas y multisalidas), aunque el sistema sea
fsicamente sencillo, por lo que es imprescindible llevar a cabo un primer estudio (anlisis
de sensibilidad) para saber qu variables de entrada influyen sobre el comportamiento de
las salidas, con el fin de simplificar el problema, ya que de este modo se podrn reducir
los posteriores estudios a aquellas entradas que hacen sensible a la salida seleccionada.
Dicho anlisis viene a ser un primer estudio que guiar la validacin del experimento y el
diseo del mismo.

2. Bsqueda de dominios de definicin de los parmetros de entrada
Un deficiente comportamiento de las salidas simuladas frente a las experimentales

puede ser debido a 2 causas bien diferenciadas:
Una mala definicin de los parmetros de entrada
o Un deficiente ajuste del modelo a la realidad.
Antes de asegurar que el mal ajuste de salidas simuladas y experimentales es debido a

un problema intrnseco del modelo, es necesario asegurarse que los parmetros de
entrada son ptimos. Debido a que el valor particular de muchos parmetros de entrada
suele ser desconocido, o ste est afectado por ciertas incertidumbres, cuya definicin
est basada en juicios subjetivos, puede ocurrir que las inexactitudes, que se producen
entre las salidas del modelo y las medidas en el caso experimental, sean debidas a una
mala definicin de los dominios de entrada de estos parmetros.
El dominio de estos no tiene porqu ser nico, y se consideran como aceptables
aquellos que hacen mnima la diferencia entre las salidas experimentales y tericas. Por lo
que se trata de una bsqueda de dominios que optimicen una funcin objetivo,
desconocida a priori. Para ello, se expone un procedimiento que compagina mtodos de
Monte-Cario junto con Tcnicas Clusters. Haciendo as una bsqueda jerarquizada de
dichos dominios.
3. Anlisis de Residuos
A pesar, de haber conseguido definir buenos dominios de los parmetros de entrada,

pueden seguir existiendo inexactitudes (siempre con un cierto margen de error
aceptable), siendo entonces necesario, caracterizar las inadecuaciones del modelo, con el
fin de saber a qu son debidas, y poder corregir el modelo. Lo que hace imprescindible
un anlisis de las principales caractersticas de los residuos

2. SISTEMAS Y MODELOS DE SIMULACIN
Por sistema se entiende un conjunto de entidades relacionadas, que a veces, se

denominan componentes o elementos. Estos elementos tienen ciertas caractersticas, o
atributos, que tienen valores lgicos o numricos. Por ejemplo, un hospital se puede
considerar como sistema, siendo sus elementos los mdicos, enfermeras, pacientes; y
como atributos se pueden considerar: el nmero de camas, el nmero de mquinas de
rayos X, etc.
Existen relaciones internas y externas entre los distintos elementos del sistema. Las
relaciones internas conectan los elementos dentro del sistema, mientras que las relaciones
externas conectan los elementos con el medio ambiente, es decir con todo aquello que
rodea al sistema. Los sistemas quedan influidos por el medio ambiente a travs de las
entradas que recibe del exterior. Cuando un sistema tiene la capacidad de reaccionar a
cambios en su propio estado, se dice que el sistema se retroalimenta. Por ejemplo en el
caso del hospital como sistema, si existe un gran nmero de pacientes en lista de espera,
el hospital puede contratar ms empleados o mantener los que ya tiene, pero con un
incremento en la carga de trabajo.
Los atributos de los elementos del sistema definen su estado. Si el comportamiento de
los elementos no puede ser predicho exactamente, es necesario utilizar observaciones
aleatorias a partir de su distribucin de probabilidad y asi hacer una representacin media
del objeto. Se dice que un sistema se encuentra en equilibrio, si la probabilidad de
permanencia en un estado dado es invariante con el tiempo, o si el sistema se mueve de
un estado a otro, con probabilidad fija, dicha probabilidad ser independiente del estado
en el que se encuentre el propio sistema.
Los sistemas se pueden clasificar de varios modos. Sistemas naturales o artificiales,

adaptativos o no-adaptativos. Un sistema adaptativo reacciona a cambios que se
produzcan a su alrededor, mientras que un sistema no-adaptativo no lo hace.
El primer paso, en el estudio de un sistema determinado, es la construccin de un

modelo. Segn Rosenbluth y Wiener: "Ninguna parte sustancial del universo es tan
sencilla, que pueda ser controlada sin abstraccin. La abstraccin consiste en
reemplazar la parte del universo, bajo consideracin, por un modelo, de similar, pero
de sencilla estructura. Los modelos... son una necesidad central del procedimiento
cientfico"
Se puede definir un modelo cientfico como una abstraccin de algn sistema real, una
abstraccin se puede usar para predecir y controlar. El propsito de un modelo cientfico
es el de ser capaz de analizar y determinar como puede afectar, al variar algn aspecto
del sistema modelado, a otros del propio sistema o al sistema completo.
Un paso crucial en la construccin del modelo es la definicin de la fiincin objetivo,
la cul es una funcin matemtica de las variables de estado y las variables de control.
Entre los diferentes tipos de modelos, se pueden destacar:
1. Modelos Icnicos, son aquellos que representan ciertos aspectos de la realidad

mediante ilustraciones.

2. Modelos Analgicos, son aquellos que utilizan un conjunto de propiedades para
representar otros conjuntos de propiedades que el sistema posee.
3. Modelos simblicos, son aquellos que utilizan operadores matemticos o lgicos para
formular alguna solucin del problema que se representa.
A los modelos simblicos, tambin se les denomina modelos abstractos o matemticos,
cuyas ventajas son las siguientes:
Capacita a los cientficos a organizar sus teoras y experiencias empricas sobre un
sistema y deducir las implicaciones lgicas de su organizacin.
Dirige hacia un mejor entendimiento del sistema.
o Recoge lo que es necesario y oportuno destacar.
Hace necesario el anlisis.
Provee un marco para la comprobacin de las modificaciones del sistema deseadas.
Permite realizar manipulaciones sencillas del sistema
o Permite el control sobre muchas variaciones que el estudio directo del sistema no
permitira.
Son generalmente, menos costosos que el sistema.
Sin embargo, en la construccin de modelos no todo son ventajas. Debido a que no

existen garantas de que el esfuerzo y tiempo empleado en la construccin de un modelo,
produzcan resultados beneficiosos; a veces el cientfico tiende a tratar su propia visin
del problema como la mejor representacin de la realidad.
Los modelos matemticos, se pueden clasificar de varias maneras: existen modelos

estticos y dinmicos. Los modelos estticos, son aquellos que no hacen explcita la
dependencia del tiempo de sus variables, mientras que por el contrario, los modelos
dinmicos, son aquellos que tienen en cuenta la dependencia del tiempo de sus variables.
Por ejemplo, la ley de Ohm es un ejemplo de un modelo esttico, mientras que la ley de
Newton sobre el movimiento se trata de un modelo dinmico.
Otra clasificacin de modelos matemticos, se puede realizar teniendo en cuenta si se
trata de modelos deterministas o estocsticos. En un modelo determinista, todas las
relaciones tanto matemticas como lgicas son fijas, mientras que en un modelo
estocstico, al menos una de las variables es aleatoria.
Un modelo es til, siempre y cuando sea realista y a la vez simplifique la realidad. En la

aproximacin que el modelo hace del sistema no es necesario incluir la efectividad para
todas las alternativas. Ahora bien, es necesario incluir la alta correlacin existente entre
la prediccin del modelo y lo que realmente sucede en el sistema, para comprobar si esto
se satisface o no, es importante establecer algn control sobre la solucin. Normalmente,
se comienza re-examinando la formulacin del problema. Existen diferentes modos para
juzgar la validez del modelo, por ejemplo determinar si todas las expresiones
matemticas son dimensionalmente consistentes, variar los parmetros de entrada y
comprobar as si la salida se comporta de un modo plausible. El comparar la efectividad
de esta representacin hipottica, llega a indicar como el modelo predice la realidad.
Para llegar a un juicio sobre la validez del modelo, a menudo es deseable identificar los
parmetros de entrada crticos, es decir aquellos parmetros que sujetos a ciertos
cambios afectarn a la solucin y establecern procedimientos sistemticos para

controlarlos. Esta identificacin se puede llevar a cabo mediante un anlisis de
sensibilidad
Pero, la representacin de la realidad puede ser errnea debido a 2 causas
fundamentales:
o Una mala definicin del dominio de estos parmetros crticos.
o Un mal comportamiento intrnseco del modelo, que se podr comprobar analizando
las principales propiedades de los residuos
3. ANLISIS DE SENSIBILIDAD
Debido a que los modelos fsicos representan un sistema multivariable tanto de

entradas como de salidas, es necesario incluir dentro del proceso de validacin del
modelo un anlisis previo que simplifique el estudio sobre el comportamiento de las
salidas simuladas.
Un anlisis de sensibilidad estudia el efecto producido por las variaciones de parmetros
sobre el comportamiento de sistemas dinmicos (es decir como varan las salidas del
sistema al ser variadas las entradas del mismo). Una vez, conocido dicho efecto, se puede
realizar una clasificacin de los parmetros de entrada, dependiendo siempre de la salida
en estudio; dicha clasificacin har ver con claridad qu parmetros de entrada influyen
sobre la salida del sistema; de este modo se restringirn los posteriores pasos de la
validacin, a aquellos parmetros de entrada que influyan sobre la salida del sistema.
Este anlisis resulta ser una gua del diseo.
Matemticamente, se puede definir dicho problema de la siguiente manera:

Sea el vector de ecuaciones de un sistema no-lineal y no-autnomo:
x = f(x,p(t),t)
x{to)=xo (3.1)
donde x es un N-vector, p(t) un M-vector, y fua funcin vectorial. El vector/? contiene

informacin analtica o medible a priori sobre el sistema. El vector x es sencillamente el
estado.
En la ecuacin (3.1) el vector p es variable con el tiempo de modo que recoge todas las
posibles entradas de funciones conocidas.
El anlisis de sensibilidad es aplicado al estudio de las influencias de parmetros sobre

el sistema. Estos parmetros pueden ser: condiciones iniciales, coeficientes de tiempo-
invariante, coeficientes de tiempo-variable, parmetros que cambian el orden del sistema,
frecuencias caractersticas...
A menudo, en matemticas se supone una nica relacin entre el vector de parmetros
y el vector de estado: px. De modo que esta relacin queda definida mediante
ecuaciones diferenciales y ecuaciones de estado. Pero en la prctica, en sistemas fsicos
reales, los parmetros slo pueden estar determinados con una cierta exactitud, adems
es posible que los parmetros cambien con las condiciones externas y con el tiempo. En
otras palabras, en procesos reales se trabaja con valores nominales de los parmetros y

con sus correspondientes tolerancias. Por lo que, en vez de tratar la relacin p->x es ms
apropiado considerar la siguiente Dp->DX donde Dp es el subespacio de las variaciones
de parmetros sobre el valor nominal del vector p=pg , y D x representa el
correspondiente subespacio en el espacio de estado. D x est determinado unvocamente
por (ec 3.1) si Dp es conocido.
La relacin existente entre D x y Dp da informacin sobre la sensibilidad del sistema
ante las perturbaciones. Ahora bien, ante la dificultad que conllevara el calcular la
sensibilidad de este modo (ya que la solucin directa de la (ec 3.1) para todos los
elementos del conjunto Dp requerira de un nmero infinito de soluciones dependientes
de la definicin del conjunto Dp, es conveniente representar el conjunto D x como el
producto de una funcin caracterstica u(x, PQ, t) y un conjunto de variaciones de
parmetros Dp. As, para pequeas variaciones del vector de parmetros po(t) y supuesta
la continuidad del operador f(x,p,t) en el punto po(t) se puede escribir:
D = u(x,pn,tD (3.2)
x \ ^0 ' p
De este modo, conociendo u(x,po,t) es fcil calcular los elementos del conjunto D x para
las variaciones elegidas p.[2]
Con la aproximacin (ec 3.2) el estudio de la sensibilidad se reduce a la definicin y
clculo posterior de la funcin u, conocida como, la funcin de sensibilidad del sistema.
Cmo se calcula la funcin de sensibilidad del sistema?
Ser necesario distinguir dos tipos de sistemas bien diferenciados:
Sistemas Continuos
Sistemas Continuos-Discretos
3.1 Funciones de Sensibilidad de Sistemas Continuos
Debido a que el anlisis a realizar, es un anlisis paramtrico. Dentro del apartado de

sistemas continuos hay que distinguir si la perturbacin sobre el parmetro a estudiar es
variable con el tiempo o no.
Si la perturbacin es invariante con el tiempo entonces la funcin de sensibilidad del
sistema x=f(x,p,t) se define de la siguiente manera:
(33)
dp
Proceso de Validacin de Modelos de Simulacin 10

una condicin para la existencia de la funcin de sensibilidad, aunque no necesaria, es la
continuidad de la solucin de la ecuacin de estado con respecto al parmetro. El
parmetro puede ser constante o bien variable.
Pero, esta definicin en trminos de derivadas ordinarias no es suficiente si las
perturbaciones varan con el tiempo, sino que debe de ser expresada en trminos de
derivadas funcionales de la siguiente manera:
(3.4)
donde r|(t) es una perturbacin integrable uniformemente acotada y e una constante.
Como conclusin, para determinar la funcin de sensibilidad en el caso de

perturbaciones de tiempo invariante es necesario conocer el valor nominal del parmetro.
Y para perturbaciones variables con el tiempo adems del valor nominal es necesario
conocer tambin la funcin r|(t).
3.2 Funciones de Sensibilidad de Sistemas Continuos-Discretos

Se denominan como sistemas continuos-discretos, aquellos sistemas que aun siendo
continuos se encuentran modelizados con un modelo totalmente discreto. En este tipo de
sistemas el modelo se puede escribir como:
AtM)= Mtk\tktyx{tk)) k = 0,l,2,...,K (3.5)
donde x(tk) es un vector de estado N-dimensional, f es una funcin N-dimensional, e

v
l(tk) es una entrada escalar.
La ecuacin (3.5) expresa el valor de la salida del sistema en el instante muestral.
Desde el punto de vista del anlisis de sensibilidad es interesante considerar lo que

ocurre en las coordenadas de estado x(t\) si el instante muestral tjj se perturba. En dicho
caso, se estudia la funcin de sensibilidad local, u(k):
> (3.6)
a *-*> A /
donde

es un vector para los k-simos instantes, as la sensibilidad del sistema a este respecto
est expresada por una serie de vectores, {un(k)}. Es obvio, que condicin necesaria
aunque no suficiente para la existencia de la derivada {un(k)} es la continuidad de x y f
con respecto a t.
Si el intervalo entre 2 instantes mustrales consecutivos es constante, el modelo (3.5)

puede ser expresado de la forma:
= f{x(k,Tlk,y,(k,T),T) k = 0,l,2,..,K (3.8)
donde T es la frecuencia muestral
En este tipo de sistemas, es de gran inters realizar el anlisis de sensibilidad de las

coordenadas del sistema ante las perturbaciones de la frecuencia muestral T. Dicha
funcin de sensibilidad se puede definir como:
/( )= MJ) = Um #,T + *T)-4,T)
3.3 Clculo de funciones de Sensibilidad
En el clculo de funciones de sensibilidad es necesario tener informacin sobre el

sistema. Esta informacin puede venir dada mediante un sistema de simulacin, o bien,
ser obtenida mediante medidas directas sobre un sistema fsico.
La sensibilidad juega un papel importante en la sntesis del sistema, en la prctica dichas
funciones son determinadas a menudo usando modelos matemticos.
En el caso de perturbaciones invariantes con el tiempo sobre el vector de parmetros

(es decir, sobre parmetros invariantes con el tiempo) de un sistema continuo, se tiene el
vector de las ecuaciones de estado por (3.1)
Entonces, la matriz de sensibilidad para una variacin constante de parmetros p m que

ha de ser calculada es:
3c
n=J,2,...N m=J,2 M (3.10)
Un modo sencillo de encontrar la matriz de sensibilidad es derivar la ecuacin (3.1) con

respecto de p, se obtendra una ecuacin de matrices diferenciales del siguiente tipo [3]:

U(p,to) = O (3.11)
donde:
U representa el vector de sensibilidad con respecto al parmetro p m
p el valor nominal del vector de parmetros
<j) la solucin no perturbada de la ecuacin (3.1)
G= i,n=J,2,....N (3.12)
A
H= n=l,2,....N m=l,2 M (3.13)
En la prctica, ante un modelo de simulacin que haya que validar, es normal

encontrarlo ya automatizado bajo algn programa informtico, de modo que la funcin o
conjunto de funciones que modelizan los distintos procesos fsicos, pueden resultar
desconocidas a priori, o quiz si son conocidas son demasiado complejas como para
intentar encontrar la funcin de sensibilidad correspondiente. Esto no quiere decir, que el
anlisis de sensibilidad no se pueda llevar a cabo. Se puede realizar dicho anlisis de dos
maneras muy diferentes, mediante un anlisis individual sobre cada parmetro de entrada,
o bien un anlisis simultneo sobre todo el conjunto de entradas. Estos dos tipos de
anlisis son:
> Anlisis de Sensibilidad diferencial

o Anlisis de Sensibilidad de Monte-Cario
Primordialmente, para ambos anlisis, es necesario seleccionar una salida sobre la que se
quiera estudiar la influencia del conjunto de las entradas. [21]
Anlisis de Sensibilidad diferencial
Se trata de un anlisis de sensibilidad individual sobre cada parmetro de entrada.

Para cada parmetro de entrada 9j, se define un intervalo de incertidumbre,
[min> Qnix]> s e subdivide dicho intervalo en m subintervalos de igual longitud,
obteniendo asi un incremento adecuado sobre cada parmetro:
B B
Ism^L (3.14)
m

Tambin, es necesario definir un caso base, este se podr definir con los valores
nominales de cada parmetro de entrada, correspondern a {85} cuya salida de
simulacin ser denominada como {Y^}. 9j 5 pertenece, por lo tanto, al intervalo
Se realizan variaciones sobre el valor nominal del parmetro de entrada seleccionado del
siguiente modo:
r^+(/-lM (3.15)
Para cada nueva definicin y dejando invariables el resto de parmetros de entrada, se

realizan las simulaciones correspondientes, obteniendo el conjunto de salidas al sistema
(Yjj(t)}. Donde el subndice i representa la entrada seleccionada, y el subndice j
representa la j-sima variacin del mismo.
Finalmente, una medida de la influencia del parmetro de entrada 9j se obtiene
estimando el error medio cuadrtico de las simulaciones respecto al caso base Y^Ct) de
la siguiente manera:
/2
Donde N s j m es el nmero de simulaciones realizadas.
2.- Anlisis de sensibilidad de Monte-Cario
En este tipo de anlisis, todos los parmetros de entrada son perturbados

simultneamente.
Se define la funcin de distribucin emprica, para todos los parmetros de entrada.
Para cada simulacin, se selecciona un valor aleatorio, basado en la probabilidad de
existencia.
Las simulaciones producidas para este nico conjunto de entradas se salva y el proceso
se repite muchas veces.
Al existir un gran nmero de entradas, junto con su distribucin, es de esperar que las
salidas de las simulaciones se comporten conjuntamente segn una distribucin Normal,
segn el "Teorema central del limite". La incertidumbre total de las simulaciones puede
expresarse por la desviacin tpica
donde:
N nos indica el nmero de simulaciones
Yj(t) se refiere a la salida de la simulacin para el tiempo t
u.(t) se refiere al valor medio para las simulaciones en el tiempo t

La incertidumbre total de las simulaciones se puede estimar como s!ota,(t) = 2.33<j(t)
Una estimacin de a se puede obtener, despus de un gran nmero de simulaciones, y

la exactitud de esta estimacin se podra determinar usando una distribucin y}- para
calcular un intervalo de confianza sobre o. La exactitud de a depende solamente del
nmero de simulaciones y no del nmero de parmetros de entrada.
Una medida global de a se obtiene de la siguiente manera:
(3.18)
4. BSQUEDA DE DOMINIOS DE PARMETROS DE ENTRADA
En modelos que representan procesos fsicos, los valores de los parmetros de entrada
no se encuentran definidos con exactitud, sino que se utilizan valores nominales junto
con sus correspondientes ncertidumbres, definindose as dominios de parmetros en R n
(cada parmetro va a estar definido en un intervalo en donde se prev su existencia). Por
lo que la inexactitud de las salidas tericas del modelo frente a las experimentales, puede
ser debida a una mala definicin de este dominio inicial de parmetros de entrada. Sera
necesario, por tanto, considerar dominios apropiados de dichos parmetros, para evitar
calificar de inadecuado, incorrectamente, el modelo. De ah que sea tan importante la
bsqueda de dominios de parmetros de entrada adecuados, esta bsqueda est basada
en encontrar aquellos dominios que minimicen una cierta funcin objetivo, que en este
caso ser la funcin que viene determinada por los residuos medios cuadrticos
generados entre las salidas tericas y las medidas experimentales.
Inicialmente, se parte de unos dominios prefijados, que vendrn dados, bien por los
expertos del sistema a tratar, o bien por la experiencia del investigador, en cualquier caso
dichos dominios no tienen porqu ser los ms adecuados para el modelo-experimento, a
partir del cul se comienza la bsqueda de dominios apropiados. Se consideran dominios
apropiados de entrada aquellos que proporcionan unas salidas tericas que difieran poco
de las tomadas experimentalmente, es decir, cuando los residuos que se produzcan
puedan ser considerados como mnimos locales.
En conclusin, se ha de intentar minimizar los residuos producidos entre las salidas
tericas y las experimentales, variando as los dominios de parmetros iniciales. Para ello,
se parte de unos dominios iniciales que sern modificados sin perder nunca la coherencia
fsica de los mismos.

4.1 Procedimiento iterativo del anlisis de sensibilidad
Se puede seleccionar un modelo representativo dentro del conjunto de todos los

posibles dominios de soluciones, definiendo bandas de incertidumbre, donde se prev
encontrar la solucin. Estas bandas de confianza sern generadas mediante el anlisis de
sensibilidad previo, bien mediante un anlisis diferencial, bien por un anlisis de Monte
Cario.
Un primer anlisis sobre el conjunto de dominios propuestos puede llevarse a cabo
comparando medidas con unas bandas de error que estimen una incertidumbre total del
99%. Si las medidas permanecen dentro de las bandas de incertidumbre, se debern
utilizar otro tipo de herramientas estadsticas como puede ser un anlisis residual. Pero,
si las medidas obtenidas con el modelo y las comparadas con los datos experimentales
siguen siendo inexactas (en algn sentido estadstico) se puede decir que el modelo
propuesto reproduce bien el comportamiento esttico del sistema, debido a que
reproduce correctamente la media de las salidas, pero no el dinmico. Por otra parte, si
las medidas caen fuera de las bandas de error estimadas, se puede concluir diciendo que
el modelo propuesto es deficiente, ahora bien, no se puede especificar las razones por lo
que esto ocurre, puede ser debido a un problema paramtrico (es decir, el dominio de los
parmetros de entrada no es el apropiado) o bien, se trata de un problema estructural
(caracterstica intrnseca del modelo). Por lo que para salvar dicho problema y encontrar
una solucin al mismo, se debe intentar encontrar primeramente un dominio adecuado de
dichos parmetros y si, an as, el modelo sigue fallando; entonces se podr considerar
que se trata de un problema intrnseco del modelo y mediante un posterior anlisis de los
residuos poder averiguar a que es debido y poder caracterizarlo. [22]
Se puede observar en que consistira este procedimiento iterativo en la siguiente figura:
Dominio inicial
STOP
(m1,s1)i = 0
(m2,s2) i = 0
ANLISIS DE
SENSIBILIDAD
Nuevo dominio
(m1,s1)+1
(m2,s2) i+1
A
Fig.(4.1): Representacin del proceso iterativo de sensibilidad

1. Usando medidas, de forma subjetiva y segn la experiencia, se propone un primer
dominio de parmetros de entrada, Dj.

2. Se supone que todos los parmetros se distribuyen segn la funcin de distribucin
gaussiana. Las propiedades distribucionales de estos parmetros estn
completamente determinadas por un vector m , que incluye todos los valores
medios, y la matriz de covarianzas s.
3. El dominio de simulaciones (las bandas de incertidumbre totales) correspondientes a
D[ se estiman mediante tcnicas MCSA (sensibilidad mediante mtodos de Monte-
Cario), o bien mediante DSA(sensibilidad diferencial).
4. Si las medidas se encuentran dentro de las bandas de incertidumbre totales, entonces
se pasa al apartado 5. Si no es as, entonces Dj se modifica y se repiten los pasos 1 y
2.
5. Un dominio apropiado para los parmetros de entrada ha sido encontrado.
El nuevo dominio de parmetros de entrada, T>[+\, puede ser determinado a partir de

Dj de varias maneras: modificando m, modificando s, o bien, modificando ambos.
Esta bsqueda de dominio se basa en una aproximacin sistemtica, ya que entre las
simulaciones que determinan el 99% en las bandas de incertidumbre totales en la
iteracin i, solamente se selecciona aqul que proporciona el mejor residuo (entre
medidas y simulaciones) es decir, aquel cuya desviacin hacia las medidas experimentales
es mejor, de modo que se elige m + j el cul definir un vector, 8opt, de los valores de
los parmetros de entrada correspondientes a la mejor simulacin, a su vez, se trata de
una eleccin de dominio nica.
Los residuos vienen definidos como la diferencia entre medidas experimentales y

simulaciones
e(t,B) = Yexp{)~Y{,0) (4.1)
y como una medida del tamao de estos residuos, se puede considerar el error cuadrtico
medio, es decir:
Ahora bien, la eleccin del dominio ms adecuado propuesto anteriormente, presenta

alguna desventaja:
1. Se trata de un procedimiento no automtico.

2. No estudia la posible multiplicidad de soluciones. Ya que consiste en ir seleccionando
slo aquel dominio que presenta el menor residuo.
Con el fin de salvar ambas dificultades, se ha desarrollado un mtodo de bsqueda

aleatoria de dominios de soluciones basado en Mtodos de Monte-Cario junto con
Tcnicas Cluster.[l]
4.2 Mtodo de Monte Cario. Tcnicas Cluster

La bsqueda de dominios de parmetros aceptables, se basa en encontrar aquellos
conjuntos de parmetros que hacen pequea la diferencia entre las simulaciones tericas
y las medidas experimentales, es decir, se trata de minimizar una funcin "el RMS" (root
mean square ofhe residuals) desconocida explcitamente.
Debido al desconocimiento, a priori, de la funcin objetivo, el rms, habr que utilizar
mtodos computacionales; tambin son necesarias medidas experimentales, las que se
supone llevan consigo unas medidas de error, por el mero hecho de ser medidas...
adems se parte de una gran cantidad de parmetros de entrada, cuya combinacin es la
que dar un residuo mnimo. Lo que induce a pensar que el dominio de parmetros no
tiene porqu ser nico. Adems sera conveniente que el procedimiento a utilizar fuera
automatizable, y que no dependiese, en cada paso iterativo, de la opinin subjetiva del
investigador; siendo, a su vez, capaz de establecer jerarquas dentro de los dominios de
parmetros de entrada.
La funcin a minimizar es el rms expresado en la ecuacin (4.2). Es importante sealar,

que en los procesos reales esta funcin depende del tiempo, pues tanto las salidas del
modelo como las medidas experimentales dependen del mismo.
De manera abstracta, se tiene un conjunto de puntos en R n (donde n representa el

nmero de parmetros de entrada que influyen sobre la salida con la que se est
trabajando), a los que se calcula una funcin (el rms) la cual se quiere minimizar. La
salida de la funcin para cada punto de entrada es lo que se denomina residuo.
Cabe pensar, al intentar encontrar dominios jerrquicos, en agrupaciones en cada

i-sima iteracin de los puntos de entrada de la funcin, segn lo cercanos que estn
unos de otros. Cada agrupacin constara de unos intervalos de confianza para cada
parmetro y el conjunto de todos estos intervalos definiran un dominio en donde el valor
residual tendra un valor medio. Siendo interesante encontrar un procedimiento que:
en cada paso iterativo, al variar el dominio de parmetros de entrada el valor residual

medio que exista en dicho dominio sea cada vez ms pequeo que el anterior,
el nuevo dominio generado no tenga porqu ser nico,
se trate de un procedimiento computacionable.
Pues bien, este procedimiento puede desarrollarse combinando mtodos de Monte-Cario

y Tcnicas de Anlisis de Clusters.
Los mtodos de Monte-Cario, porque sirven en la optimizacin de funciones
desconocidas "apriori".
9 Las tcnicas de anlisis de clusters, porque jerarquizan el agrupamiento de puntos u
objetos dentro de la minimizacin, siendo todo ello computable.
4.2.1 Mtodos de Monte Cario
Debido a la definicin del dominio inicial de parmetros, que viene a ser un dominio en
n
R , y a ser supuesta una normal como distribucin de los mismos, se necesita generar
posibles definiciones de entrada que pertenezcan a dicho dominio y que se distribuyan
segn una Normal, lo cul involucra el uso de nmeros aleatorios, este tipo de
simulacin es, a veces, denominada como simulacin de Monte Cario.

Histricamente, se consider el mtodo de Monte Cario como una tcnica, que usaba
nmeros aleatorios o pseudoaleatorios, para llegar a la solucin de un modelo. Los
nmeros aleatorios, esencialmente, son variables aleatorias independientes distribuidas
uniformemente sobre el intervalo unidad [0, 1]. En la actualidad, estn disponibles ciertos
cdigos para la generacin de secuencias de dgitos pseudoaleatorios, donde cada dgito
(de 0 hasta 9) se selecciona con igual probabilidad. Tales cdigos, se denominan
generadores de nmeros aleatorios.
A principios de siglo, el mtodo de Monte Cario se usaba para estudiar la ecuacin de
Boltzmann. En 1908 el famoso estadstico Student lo us para estimar el coeficiente de
correlacin de la t-student. El trmino "Monte Cario" fue introducido por Von Neumann
y Ulam durante la segunda guerra mundial, como cdigo secreto, sugerido por los
casinos de la ciudad de Monte Cario de Monaco. Este mtodo fue aplicado a problemas
relacionados con la bomba atmica, as como para evaluar integrales multidimensionales
complejas que surgan en problemas fsicos, donde la solucin analtica era casi imposible
de encontrar.
El mtodo de Monte Cario puede ser utilizado:
tanto para resolver ecuaciones estocsticas como deterministas, siempre que estas
ltimas tengan una expresin formal igual a la de algn proceso estocstico,
en la evaluacin de integrales multidimensionales y de algunos parmetros en
problemas de redes y colas,
en la resolucin de ciertas integrales y ecuaciones diferenciales,
en la generacin de variables aleatorias, a partir de su funcin de distribucin,
> en optimizacin de problemas complejos.
Generacin de variables aleatorias
Los distintos procedimientos, para generar variables aleatorias a partir de su

distribucin, estn todos ellos basados en tres mtodos:
1. Mtodo de la transformacin inversa

2. Mtodo de la composicin
3. Mtodo de aceptacin-rechazo
1. El mtodo de la transformacin inversa, se basa en generar la variable a partir de otra

funcin no-decreciente:
Sea X una variable aleatoria de distribucin de probabilidad acumulativa (c.d.f.) Fx(x),
siendo esta una funcin no-decreciente, entonces su funcin inversa F^ (y) se puede
definir para cualquier valor de y entre 0 y 1 como:
F-lij) = M{x:Fx(x)>y} 0<y<\ (4.3)
Adems si se considera U como una variable distribuida uniformemente sobre el intervalo

(0, 1) entonces:
!
(4.4)

tiene una funcin de distribucin Fx (x).
La demostracin es sencilla, ya que:
<x) = p[Fx-x(U)<x]=P[U<Fx{x)] = Fx{x) (4.5)
Por lo tanto, para conseguir un valor x de una variable aleatoria X, se obtiene

previamente un valor u a partir de una variable aleatoria U, se calcula Fxl(u) que
resultar ser el valor deseado.
2. El mtodo de la Composicin, se basa en expresar la distribucin que se quiera

simular como una probabilidad conjunta de ciertas funciones de densidad seleccionadas:
Matemticamente, sea g(x|y) una familia de funciones de densidad de parmetros. Si se
elige un valor y mediante funcin continua FY (y) y a su vez, X es muestreada a partir de
g(x|y) para t\y elegido, la funcin de densidad para X ser:
(4-6)
Si>> es un parmetro entero, entonces:
donde
= i, P, > 0;/ = i,2,...;P, = P(y = i) (4.8)
Esta tcnica, en general, es usada en la generacin de distribuciones complejas, a partir

de distribuciones sencillas, las cuales pueden ser generadas fcilmente a partir de la
tcnica de la transformada inversa o de la tcnica aceptacin-rechazo.
3. El mtodo de Aceptacin-Rechazo, este mtodo es debido a von Neiimann [7] y

consiste en muestrear una variable aleatoria a partir de una distribucin apropiada y
someterla a un test para determinar si su uso es aceptable o no.
Sea X una variable generada partir de fx(x), x e / . Esta funcin se puede representar
como:
fx{x) = Ch{x)g{x) (4.9)
donde C>1, h(x) es tambin una p.d.f, y 0<g(x)<l. Entonces, se generan dos variables
aleatorias U e Y a partir de una distribucin U(0,l) y h(y), respectivamente, despus
mediante un test se comprueba si la desigualdad: U < g(Y) se mantiene:
Si la desigualdad se mantiene, entonces se acepta Y como una variable generada a

partir de fx(x).
Si por el contrario, no se cumple, entonces el par U, Y se rechaza y se vuelve a intentar
de nuevo.

Esta teora se basa en que en las condiciones anteriores, se puede comprobar que:
fr{x\U<g{Y))=fx{x) (4.10)
La eficiencia de este mtodo viene determinada por la desigualdad U < g(Y). Debido a
que las pruebas son independientes, la probabilidad de xito en cada prueba es p=l/C. Si
el nmero de pruebas es N, el encontrar un par U, Y aceptable, tiene una distribucin
geomtrica:
PN(n) = p{\-p)\ = 0,1,...., (4.11)
Para este mtodo es de gran inters el siguiente criterio como seleccin de h(x):
Debera ser sencilla la generacin de una variable aleatoria a partir de h(x)

La eficiencia del procedimiento 1/C, debera ser grande, es decir, C debe estar
prximo a 1 (lo cul sucede cuando h(x) es parecida a /A-
Generacin de variables que siguen una distribucin Normal (0,1)
Un procedimiento basado en el mtodo de aceptacin-rechazo, sera el siguiente:

Sea X una variable aleatoria distribuida segn una N(0,l)
x 12
fx{x)=,\~e-\e
' x>0 (4.12)
Para generar una variable aleatoria, se puede escribir fx(x) como:
fx(x) = Ch(x)g{x) (4.13)
donde
*(*)=
(4.14)
(4.15)
(x-lf (4.16)
|=exp
La eficiencia de este mtodo es J % 0.76

v/2e
La condicin de aceptacin: U < g(Y) es U < exp (4.17)

Otro procedimiento, bien conocido, es el basado en el teorema central del lmite, es
decir, si X, i=l,...,n son variables aleatorias independientes e igualmente
distribuidas con E[X] = \x y V[X] = o 2 , entonces
72
n CT
converge asintoticamente a una distribucin N(0,l). Considerando el caso particular

en el que las Xj, i=l,...,n se distribuyen segn U(0,l). Entonces
1 1
2 V12
Ui-n/2
i=1
Z= r (4.19)
y 12
Una buena aproximacin se obtiene con n=12, en cuyo caso:
12
Optimizacin de problemas complejos
Los mtodos de Monte Cario pueden ser usados en la optimizacin de problemas

complejos, donde las tcnicas de optimizacin convexa fallan, o resulta difcil su
aplicacin. Sirve por tanto, para encontrar puntos extremos, es decir, mnimos o
mximos de funciones complicadas no-convexas.
Si se considera g una funcin real con dominio D en R n . Se dice que la funcin g tiene
un mximo local en el punto x*eD si existe un nmero 5>0 tal que si || x-x ||<5 y xeD,
entonces se cumple g(x)<g(x ).
De igual modo, se define mnimo local como un x eD tal que existe un 5>0 si xeD
cumple || x-x ||<8 entonces, se cumple g(x)>g(x ).
Se dice que la funcin tiene un mximo global en el punto x eD si g(x)<g(x ) se
cumple para cualquier xeD. Y del mismo modo, se dice que la funcin g tiene un
mnimo global en el punto x*eD si g(x)>g(x ) se cumple para cualquier valor de xeD.

Dado un problema de optimizacin determinista:
=g (
donde g(x) es una funcin acotada evaluada en los reales, definida en un dominio
acotado DcR n . Entonces, g alcanza su mximo valor en un nico punto x . Cuando g(x)
es una funcin diferenciable y el dominio D es una regin convexa, entonces, el problema
se puede resolver explcitamente, sin embargo, cuando el problema no se puede resolver
explcitamente, se pueden aplicar los mtodos de Monte Cario. (Este es el caso, que se
plantea en minimizar una funcin como el rms donde se involucran medidas
experimentales junto con salidas tericas de un modelo de simulacin, debido al
desconocimiento a priori de la funcin a minimizar).
Segn el algoritmo del gradiente, se puede llegar a una aproximacin del punto x paso a
paso. As en la i-sima iteracin (i=l,2,...) el punto XJ es modificado por x{+\, donde
este ltimo es elegido segn:
(4.22)
donde Vg(x) = i ^ , . . . , ^ H es el gradiente de g(x) (4.23)

[ dx dx J
siendo og(x}'<3x}c, con k=l,...,n son las derivadas parciales y cq>0 es el parmetro de
paso en cada iteracin.
Si la funcin g(x) es no-diferenciable o si su expresin analtica no es dada
explcitamente, entonces se puede tomar como aproximacin del gradiente la funcin:
(4.24)
Por el contrario, cuando la funcin g(x) es desconocida explcitamente, es necesario

utilizar algoritmos de bsqueda aleatoria, todos ellos basados en mtodos de Monte
Cario para encontrar los puntos crticos de la funcin. Entre ellos, cabe destacar los
siguientes:

Algoritmo 1
Este algoritmo se basa en la convergencia a x fue introducido por Matyas [5]. Se puede
resumir esquemticamente, de la siguiente manera.
1. Generar Yj, Y2,...., a partir de una distribucin Normal n-dimensional con media
cero y matriz de covarianzas E, es decir Y~N(0,E).
2. Seleccionar un punto inicial x\ eD.
3. Calcular g(x).
4. k - 1 .
5. Si x+Y eD, entonces ir al paso 8
7. Ir directamente al paso 10
8. Calcular g(xj+Y)
9.
Xj+Yj, sig(xi+Yj)<g(xi) + e, donde s>0
[x, en otro caso.
10. H-i+1.
11. Ir al paso 5.
Segn este algoritmo, en cada paso, el punto x es modificado en la direccin Yj

solamente si XJ+Y eD y g(x+Yi) < g(x) +8.
Algoritmo 2
El siguiente procedimiento est basado en anlisis de clusters. Fue introducido por

Becker y Lago [4]. Se esquematiza de la siguiente manera:
1. Se seleccionan N puntos que est distribuidos uniformemente en D.

2. Se toma un nmero N]<N de estos puntos con los valores de la funcin ms
pequeos
3. Se aplican las tcnicas cluster a estos N , agrupndolos en un nmero discreto de
clusters, entonces las fronteras de cada cluster definen un nuevo dominio DCLD,
donde es de esperar que se encuentre el mnimo global.
4. Se reemplaza D por D , y se vuelven a repetir los pasos desde el 1 hasta el 3 varias
veces.
Este procedimiento es un algoritmo heurstico y su capacidad para encontrar el mnimo

global depende de la tcnica cluster usada en el paso 3 sobre los N parmetros.

4.2.2 Anlisis de Clusters
El objetivo de las tcnicas de anlisis de clusters es el de separar, en grupos, un

conjunto de objetos de modo que cada miembro del grupo se diferencie de los dems
miembros del mismo, tan poco como sea posible, segn unos criterios fijados
previamente.
El proceso de agrupamiento consiste en lo siguiente:
Se supone una matriz de datos:
X=(x ik ) (i=l,...,m;k=l,..l)
donde se representan como puntos tantos objetos como se tengan en el dominio inicial.
Las m columnas representan el nmero de objetos siendo 1 las variables de entrada

(parmetros de entrada) denotando varias caractersticas de estos objetos.
Estos objetos se agrupan segn unos ciertos criterios, por lo que es necesario establecer
relaciones entre los mismos, es decir, definir un tipo de relacin entre los miembros de la
matriz de datos anteriores, dicha relacin tiene que estar en funcin de los residuos que
producen. Para definir tal relacin, se define una distancia entre los distintos objetos
(cada objeto viene a ser un punto en R n cuyas componentes corresponden a cada uno de
los valores de los parmetros de entrada dados en cada simulacin) cada simulacin ser
comparada con el valor obtenido de modo experimental, obteniendo as, un valor
residual, a partir del cul se define una relacin entre los distintos objetos. [8]
De lo anteriormente expuesto, se puede decir que las tcnicas de Clusters se basan en

distancias, mtricas...
Recordando una definicin formal de distancia independiente del tipo de datos que se
tengan:
Sea U un conjunto finito o infinito de objetos o elementos descritos por una matriz de
datos. Denotando por R el conjunto de los nmeros reales, por R + el conjunto de los
nmeros reales positivos, y por R" el conjunto de los nmeros reales negativos.
Una relacin d: UxU->R (asigna un nmero real a cada par de elementos de U) se

denomina distancia si para cada x,y eU se obtiene:
d (x,y) >0 (4.25)

d (x,x) =0 (4.26)
d (x,y)= d(y,x) (4.27)
Las relaciones (4.25) y (4.26) quieren decir que d es minimal si el par de elementos
tienen idnticos elementos. Por otro lado, la expresin (4.27) expresa la propiedad de
simetra.

Una funcin de distancia as definida se denomina mtrica si adems de cumplir lo
anteriormente expuesto, tambin mantiene las siguientes condiciones.
si d(x,y) =0 entonces x=y (4.28)

d(x,z)< d(x,y)+d(y,z) zeU (4.29)
(4.29) quiere decir que el ms pequeo valor de la funcin distancia ( que ser 0) siempre
implicar que ambos elementos son idnticos. Por otra parte, la expresin (4.29) se
refiere al cumplimiento de la desigualdad triangular de la geometra Euclidea.
La mtrica ms usual es la que corresponde a la generalizacin a ms de dos dimensiones

de una distancia entre dos puntos en un plano, se deriva de la norma L2 de un vector x,
que viene dada por la siguiente expresin:
(4.30)
de donde se obtiene:
i (*> y)=1* - .Hl, = \/(* - yf (x - y) (4.31)
Esta mtrica Euclidea junto con la norma (4.31) tiene la propiedad de que todos sus
valores son invariantes con respecto a rotaciones.
La mtrica Euclidea puede ser generalizada a partir de la norma Lp:
IX
= I (4.32)
de manera anloga a (4.31) se puede obtener:
(4.33)
Ahora bien, en la norma Lp se han de sealar dos casos especiales:
1. Sip=l H == Z (4.34)
2. Si p=oo X = max x k (4.35)

Las dos normas anteriores corresponden a las siguientes mtricas respectivamente:
dl(x,y)=x-y\\1 =Y\x
Z-r k-yk (4.36)
k=\
, y) = \x - yk (4.37)
La eleccin de la distancia adecuada es el primer paso para establecer una relacin entre
los distintos elementos de la matriz de datos, dicha distancia ha de estar basada en el tipo
de objetos que se tengan.
Generalmente, en la prctica, la escala de valores permisibles para cada parmetro de

entrada es diferente. Teniendo en cuenta, estas diferentes escalas de los parmetros, se
podra considerar como mtrica vlida, la basada en la norma L aunque normalizada
sta sobre cada parmetro, obteniendo la siguiente definicin de distancia entre objetos:
O )=
om-oft] (4.38)
donde NP representa el nmero de parmetros de entrada, y N es el nmero de objetos

que se van a agrupar.
Al definir una distancia, sta nos define una relacin binaria dentro de la matriz de datos
de la siguiente manera:
R(h)={(01,0J)/D(0,,0J)<h (4.39)
Esta relacin binaria quedar totalmente establecida una vez seleccionado un h

adecuado, este vendr a ser un criterio basado en la distancia elegida a la hora de separar
el conjunto de objetos en grupos.
Propiedades de R (la relacin anteriormente establecida)
1. i? es una relacin binaria reflexiva, ya que:
0eP entonces (O,Oj) &R
2. Res una relacin simtrica:

O, Oj eP si (Oj,Oj) eR entonces (Oj.Oj) eR
3. R es una relacin no-transitiva

Resumiendo lo anteriormente expuesto, lo que se pretende es agrupar un conjunto de
puntos segn unos ciertos criterios. Cada uno de los puntos a tener en cuenta est
definido por el valor de los parmetros de entrada de cada una de las simulaciones
realizadas por el modelo a validar. A partir de cada punto, se obtiene un valor residual
(ya que cada simulacin aislada proporciona un valor de la salida que ser comparada
con la salida obtenida experimentalmente, obteniendo as un residuo). Ahora bien, estos
puntos hay que agruparlos, por lo que habr que definir una distancia entre ellos,
teniendo en cuenta que cada parmetro se rige en escalas diferentes dicha distancia ha de
ser un valor no-dimensionable en R n , y una vez definida dicha distancia, habr que
seleccionar un radio para la esfera formada en R n .
Para ilustrar el anterior resumen, representando en R^ el proceso, en un mismo eje el

conjunto de parmetros que definen cada parmetro:
Ui)
Fig.(4.1): Representacin del dominio de parmetros
Se parte de un dominio inicial, que viene dado por cada uno de los intervalos en donde
se encuentra definido cada parmetro de entrada. Cada vector de parmetros de entrada
generan una simulacin, que determina un valor residual, representado en la figura 4.1.

Fig.(4.2): Agrupamiento de puntos en clusters
Se comienza a hacer agrupaciones de estas simulaciones. Como cada una de ellas

tambin est representada por un residuo, se puede observar en la figura 4.2, como los
residuos se van agrupando (recordando que estos residuos se agrupan segn de cercanos
estn los puntos de R n que definen una simulacin). Cada una de estas agrupaciones,
define un nuevo dominio de parmetros de entrada.
En conclusin, en la iteracin i-sima se parte de un dominio Dj, que ser modificado
por un nuevo dominio Dj+j (que no tiene porqu ser nico, y de hecho no lo ser). De
modo que para cada nuevo dominio D\+\ se repite el proceso, eso s, es aconsejable
quedarse con aquellos nuevos dominios que produzcan un rms medio pequeo (rms
medio, pues cada dominio est formado por varias simulaciones cada una de ellas con su
propio rms).
En cada nueva definicin de dominio, este puede surgir por haber variado la desviacin
tpica de los valores de parmetro, o bien, por variar el valor medio de los mismos.
Existen diferentes modos de utilizar las tcnicas clusters cuando se intenta agrupar
puntos en clusters:
1. Seleccionar algunos puntos como centroides, y construir los clusters alrededor de los
mismos. (Se eligen algunos puntos como centros de las esferas que se van a formar,
seguramente no todos los puntos que se encuentren en el dominio inicial se
encontrarn formando parte de alguna de dichas esferas, la eleccin de dichos centros
puede estar basada por ejemplo, seleccionando aquellos puntos con menor residuo).

2. No seleccionar ningn punto como centroide y construir tantos clusters como puntos
se tengan inicialmente. (En este caso, se procede a formar tantas esferas como
puntos tenga el dominio, cada uno de ellos se considera como centro en su
correspondiente esfera).
3. Construir clusters cubriendo el dominio de parmetros de entrada COT particiones
irmsi
Fg.(4.3): Agrupamiento de puntos en particiones del dominio
En este ltimo caso, no se trata de hacer agrupaciones segn esferas en R n , sino que a
cada punto perteneciente a R n se le otorga un valor en funcin de los valores que tiene
de cada parmetro, de modo que cada punto inicial estar representado por un punto en
R, y a su vez, el dominio inicial puede ser representado en R por un intervalo, el cual se
subdivide en tantos subintervalos como se quiera.

Cul es el procedimiento mejor en la formacin de clusters?
Inicialmente, los tres procedimientos son vlidos teniendo cada uno de ellos ventajas e
inconvenientes
VENTAJAS INCONVENIENTES
Seleccionando Centroides @ El nmero de clusters ser Eleccin de los centroides.

reducido al nmero de No todos los puntos del
centroides seleccionados. dominio permanecen
agrupados.
No Seleccionar Centroides La propia "no seleccin" El gran nmero de clusters

La agrupacin de todos los que se formar en cada
puntos del dominio. iteracin.
Formacin de Particiones La agrupacin de todos los La agrupacin de puntos

puntos del dominio en un con rms alto y bajo a la vez.
nmero reducido de Clusters.
5. ANLISIS DE RESIDUOS
Una vez seleccionados los dominios de los parmetros de entrada que minimizan el
residuo entre los datos experimentales y los tericos, es decir, una vez que se ha
conseguido obtener aquellos dominios de entrada que optimizan la funcin objetivo.
Se debe analizar el comportamiento de tales residuos, ya que estos pueden ser usados
para caracterizar las inexactitudes del modelo.
Las conclusiones a las que se espera llegar mediante un anlisis de residuos es si los
datos son suficientemente informativos, si casi toda la informacin contenida en los datos
puede ser explicada por el modelo, y en el caso de que fueran detectadas inexactitudes,
qu procesos son la causa de ellas.
Es importante sealar las caractersticas de los parmetros que se consideran, y que
debern ser verificadas:
La calidad de la representacin del modelo (es decir, la comparacin cuantitativa y
cualitativa de las salidas del modelo con las salidas medidas).

La calidad de los parmetros fsicos (es decir, verificar si estos parmetros tienen
pequeas varianzas y no estn significativamente sesgados).
Si se considera que un modelo posee una forma funcional correcta, esto quiere decir,
que al sustituir los verdaderos parmetros de entrada y las supuestas perturbaciones
sobre los mismos, el modelo seguira siendo correcto, por lo tanto los residuos se
comportaran como un "ruido blanco" y la estimacin de su funcin de autocorrelacin
se distribuira por lo tanto segn una Normal con media igual a 0 y varianza 1/m (siendo
m los grados de libertad).
5.1 Principales caractersticas de los residuos
La manera ms sencilla de comparar medidas y simulaciones es la representacin de los

valores simulados junto con los medidos. Sin embargo, a veces, no es el mejor mtodo
para detectar las causas de un comportamiento deficiente del modelo. Por otra parte, se
pueden estudiar las caractersticas ms importantes de los residuos analizando[10,11,12]:
@ estacionariedades,
valores medios y desviaciones,
autocorrelaciones
propiedades espectrales.
5.1.1. Estacionariedad
Se dice que un proceso es estrictamente estacionario cuando las propiedades del

proceso no varan con el tiempo, es decir, la distribucin conjunta de cualquier conjunto
de observaciones no se encuentra afectada al realizar un cierto salto de observaciones
tanto hacia delante como hacia detrs. Un proceso se dice que es estacionario de orden
mayor que m si todos los momentos de orden mayor que m permanecen inalterados al
variar el tiempo.
Existen diferentes mtodos para detectar no-estacionariedades:
1. Representacin de los residuos

2. Estimacin de la media y de la varianza en diferentes periodos de tiempo
3. Analizar la funcin de autocorrelacin
Un cambio sistemtico en el nivel de una serie temporal es una tpica clase de no-
estacionariedad. A veces, al analizar residuos, estos tienden a esconder ciertos problemas
en la representacin dinmica del modelo, siendo difcil averiguar si esto es debido a un
problema determinista o estocstico, por lo que es recomendable en estos casos utilizar
un mtodo diferenciado [14]. Este mtodo consiste en trabajar con los datos resultantes
de restar de cada valor de las observaciones el correspondiente al del orden que se
supone la estacionariedad.

5.1.2. Media y Varianza
Si se denota e(t) como los residuos producidos por un modelo particular. La media es
el primer estadstico que se utiliza para caracterizarlos. Sirve tambin, para detectar "no-
estacionariedad" (realizando estimaciones de media y varianza en diferentes tiempos).
Me=E[s(t)] (5.1)
Ya que si // &0 se puede decir que el modelo no representa adecuadamente el

comportamiento esttico del sistema.
Y respecto a la medida de la varianza

[
nos da una medida de las fluctuaciones de los residuos sobre la media. Obteniendo as,
un primer indicador sobre la posibilidad de que el modelo describa las partes dinmicas
del sistema.
5.1.3. Funcin de Autocorrelacin
Un proceso estocstico e(t), sencillamente, puede ser descrito por su media y su funcin
de autocovarianza
El desplazamiento u=t2 "ti s e denomina salto. La funcin de autocovarianza sirve para

detectar correlaciones locales. Ahora bien, yg (u) depende de la escala de la medida de s
Por lo que es conveniente, definir una cantidad normalizada, es decir, una cantidad no-
dimensionable, debido a que al comparar dos series temporales existe la posibilidad de
estar trabajando en escalas diferentes. Definindose as la funcin de autocorrelacin
Pe ( w ) = ) { Ys(0) =o ^ (varianza del proceso)
-Kp s (0)<l (5.4)
Debido a que los residuos a estudiar proceden en parte de los resultados de un modelo
de simulacin, es de esperar que quiz no se comporten como un ruido blanco, por lo
que el estudio de la funcin de autocorrelacin se encuentra dirigido a detectar no-
estacionariedades en los residuos y quiz periodicidades. De ah, que sea til el decidir el
uso de datos originales o diferenciados.
5.1.4. Autoespectro

Una descripcin equivalente de un proceso estocstico estacionario, viene dada por su
"espectro de potencia" , es decir por la Transformada de Fourier de la funcin de
Autocovarianza.
'Au)e~'2'*1 du
(5-5)
La curva del espectro de potencia muestra como la varianza de un proceso estocstico se

distribuye en el rango de la frecuencia. A veces, al igual que la funcin de
autocovarianza, es necesario, normalizarla, obteniendo as la funcin de densidad
espectral:
(5.6)
La funcin de densidad espectral del proceso, es la Transformada de Fourier de la

funcin de autocorrelacin. Puede ser utilizada para determinar en qu frecuencias,
primordialemtne aparecen los problemas del modelo. Resulta ser un test adecuado de
como el modelo describe las partes dinmicas del modelo.
5.2 Proceso Mulivariante

La bsqueda de causas posibles de las desviaciones entre medias y simulaciones implica
el anlisis de procesos multivariantes {residuos, variables explicativas} [10,11,12]
Si se supone que las componentes del proceso estocstico (e(t), Xj(t), X2(t),...,Xq(t)}
se encuentran relacionados de manera lineal, estando los residuos modificados por un
cierto ruido, segn el modelo general dinmico siguiente:
(5.7)
1=1
donde:
Xj (t) se refiere a las variables explicativas del modelo (i=l,2,...,q)

Z(t) se refiere a ruido blanco independiente
|ij(t) valor medio del proceso i (i=s, l,2,...q)
hgj referente a la funcin de respuesta-impulso de Xj (t) hasta s(t).
Es interesante el estudio de este tipo de anlisis, ante la posibilidad de la existencia de

correlaciones lineales entre residuos y las distintas variables explicativas del modelo. Si
no existieran correlaciones, el deficiente comportamiento del modelo podra deberse al
efecto de ciertas entradas que no se hayan considerado, a errores en las medidas, o a
ciertos problemas estructurales del modelo que no lleguen a adecuarse ante una relacin
lineal. La no existencia de correlaciones lineales entre residuos y variables explicativas
quiere decir que existe ms informacin en las variables de entrada sobre la respuesta

dinmica del modelo que la extrada por el mismo. El anlisis de dichas correlaciones
podra guiar la bsqueda de los principales problemas del modelo.
En los casos de modelos de nica entrada o en los de mltiple entradas incorreladas, los
estadsticos a utilizar para medir las correlaciones entre los residuos y las variables
explicativas son las funciones de correlacin cruzada y el espectro cruzado. Por el
contrario, para medir mltiples entradas correladas es preferible usar la coherencia
espectral.
5.2.1 Funciones de Correlacin Cruzada.
Un proceso bivariante estacionario {s(t), X(t)} queda completamente caracterizado por

la funcin de autocovarianza de ambos procesos y su covarianza cruzada. La covarianza
cruzada en el retraso o entre ambos procesos viene definida como:
^ (5.8)
Esta funcin mide la dependencia lineal existente entre valores contiguos en ambos
procesos (correlaciones lineales). Por ejemplo, si puntos contiguos en dos series tienen
correlacin cruzada no nula, entonces la funcin de covarianza cruzada ser grande cerca
del origen y tomar valores pequeos en valores alejados del origen.
Ante la posibilidad de estudiar las posibles interacciones entre dos procesos con
diferentes escalas de medidas, es aconsejable definir una funcin no-dimensionable, es
decir la funcin correlacin cruzada como:
Si los procesos e(t) y Xj(t) son independientes, entonces la correlacin cruzada estimada
se comporta segn una distribucin Normal
p B , (k) eaprox N 0, donde n se refiere al nmero de observaciones
El 95% referente a los lmites de confianza para cumplir las hiptesis de correlacin cero,
se puede estimar entonces como 1.96 (l/n)0-5
Es de sealar, que este test de independencia tan slo es aplicable cuando las dos series
hayan sido previamente preblanqueadas [13].

5.2.2. Espectro Cruzado.
La transformada de Fourier de la funcin de covarianza cruzada se denomina " funcin

de densidad espectral cruzada" o sencillamente "espectro cruzado".
du (5.10)
Pero, esta funcin es complicada de evaluar, por lo que se suele escribir en forma polar:
(5.11)
donde la funcin a s i se denomina amplitud cruzada, y (j)e; es la fase espectral. Se puede

interpretar la amplitud del espectro cruzado como el valor medio del producto de las
amplitudes de las componentes con frecuencia f; y el espectro de fase representa el valor
medio del intervalo de fase $t (/)-(#,(/) e n t r e ^as componentes con frecuencia f.
Una magnitud de inters dentro del dominio de frecuencias, es la denominada coherencia

espectral, definida como:
(5.12)
Esta magnitud nos da una medida no-dimensionable y a la vez normalizada de la

correlacin ( en cada frecuencia) entre los dos procesos estacionarios.
Para procesos multivariantes, la matriz formada por las funciones de densidad del
autoespectro y espectro cruzado se denomina matriz de distribucin espectral o
sencillamente matriz espectral.
5.2.3. Espectro de Mltiple Coherencia
Definiendo el proceso multivariante segn (5.7), se puede definir la funcin espectral

del proceso residual de la siguiente manera:
7=1
siendo HEj (f) (j=l,...,q) es la funcin de Transferencia correspondiente al proceso X (t),

y por lo tanto se trata de la Transformada de Fourier de hsj (t), expresada en (5.7).

Teniendo en cuenta la expresin de la coherencia espectral, la ecuacin anterior se puede
escribir tambin de la siguiente manera:
(5.14)
donde: *k,(/r) = ^ ^ ( / X V W (5-15)
es el cuadrado de mltiple coherencia entre s(t) y (Xj (t), X2 (t),...,Xq(t)} ( en la

frecuencia f)
donde:
H s ; (f) se refiere a la funcin de transferencia asociada a la entrada X;(t)
r 8 (f) referente al espectro residual
r e ; (f) referente al espectro cruzado entre residuos y las entradas X;(t)
Este estadstico es una medida normalizada de la proporcin de los espectros residuales

que puede ser predicho a partir de las variables explicativas del modelo. Esta funcin
toma valores entre 0 y 1. Un valor cero significa que no existe correlacin entre entradas
y residuos, y valores unitarios por el contrario, que los residuos estn completamente
explicados por las entradas, mientras que valores intermedios corresponden a situaciones
donde los residuos se encuentran parcialmente predichos por las entradas.
La coherencia mltiple al cuadrado se puede utilizar para comprobar la hiptesis de

correlacin distinta de cero entre residuos y el conjunto entero de las variables
explicativas. Ya que el estimador de este estadstico verifica:
(5.16)
donde q es el nmero de variables explicativas del modelo y v la razn de varianza de la

ventana espectral utilizada para estimar el cuadrado de mltiple coherencia.
5.2.4. Coherencia Parcial
Una alta correlacin entre Y y X (t) puede ser debida a una cierta asociacin intrnseca
entre ambas variables, o por el contrario puede deberse tan slo a la existencia de otra
nueva variable Yn (t). Para distinguir ambos casos , en el dominio del tiempo se puede
introducir el trmino de "coeficiente de correlacin parciaF el cul nos mide la
correlacin existente entre Y y X despus de conocer la influencia de Xn (t) sobre cada
una de estas variables. De igual modo, en el dominio de la frecuencia se puede introducir,
la funcin de densidad del espectro cruzado parcial, as como, la coherencia parcial.

Si se supone que s y (t) es el residuo, despus de haber predicho la salida Y(t) a partir
de los valores anteriores de todos los procesos de entrada X (t) a excepcin de uno de
ellos ( suponiendo X^ (t)), y siendo ek (t) el residuo que permanece despus de haber
predicho Xk (t) a partir de valores anteriores del resto de entradas X (t) (b*k).
La funcin de covarianza cruzada parcial entre Y(t) y Xk (t) se define como la
covarianza cruzada entre sy (t) y s^ (t), y a su vez, se define el espectro cruzado parcial
como la Transformada de Fourier de la covarianza cruzada parcial.
Para un proceso multivariante con q entradas {Y, Xx (t), X2 (t),...., Xq (t)}, el espectro
parcial cruzado entre la salida Y(t) y la entrada Xk (t) viene dada por:
}
*</>*(/)
donde nj es el menor correspondiente al elemento Fy en la matriz espectral
correspondiente a las (q+1) variables.
El cuadrado de la coherencia parcial, kfyK , es el cuadrado del mdulo de (5.17) y la

fase espectral parcial su argumento. El primer estadstico mide la covarianza al cuadrado
en la frecuencia f entre los procesos Y(t) y X^t) debida a la influencia del resto de
entradas.
8. SIMULACIN DEL COMPORTAMIENTO ENERGTICO DE UN EDIFICIO:

FUNDAMENTOS
6.1 La Energa Solar en la Edificacin
A partir de la crisis energtica de 1973, comienza a detectarse una preocupacin sobre

los nuevos aspectos relacionados con el control ambiental. Por un lado, el ahorro de la
energa, recogido como problema gubernamental, incide en las cuestiones legislativas y
en los edificios como reglamentaciones sobre aislamiento. De este modo, resurge el
concepto de arquitectura como refugio, apoyada en envolventes que se disean como
barrera a las condiciones exteriores. Por otro lado, se investiga sobre las tecnologas
alternativas, basadas en la explotacin racional de fuentes energticas inextinguibles. Esta
tcnica en la que preconizan, adems con planteamientos ecologistas y contraculturales,
la salvaguardia y adaptacin del habitat con el medio natural. Aparecen as, ejemplos de
edificios de bajo consumo energtico, que aprovechan la energa solar mediante
"sistemas pasivos" y se integran al medio natural como "arquitectura bioclimtica".

La arquitectura bioclimtica es aquella que:
aprovecha el sol de invierno y rechaza el de verano
* utiliza los beneficios de la ventilacin para combatir la humedad y para evacuar el
aire caliente molesto
e emplea el aislamiento para reducir intercambios trmicos con el exterior, y
especialmente, las prdidas de calor en tiempo fro.
En esta arquitectura las superficies acristaladas se orientan hacia el sol de invierno y en

las horas de oscuridad se cierran con protecciones nocturnas especiales para reducir las
prdidas de calor. En las otras orientaciones las fachadas y la misma forma del edificio se
adecan al fro y al viento de invierno.
Paralelamente, todo el edificio se hace pesado para amortiguar las oscilaciones de la
temperatura interior y por ltimo, se adapta a las caractersticas del entorno, relieve,
vegetacin, etc., procurando todo esto sin dejar de aprovechar al mximo las ventajas de
la luz natural, de la proteccin del sol en verano y de la visin del paisaje.
Con todo ello, se puede apreciar fcilmente cmo esta arquitectura no hace ms que
intentar recuperar toda una serie de caractersticas y de intereses que, desde siempre, han
marcado y condicionado las realizaciones de la arquitectura popular, en su papel de
abrigo climtico, dada la escasez de recursos y posibilidades de sus usuarios.
Existen dos objetivos primordiales de la Arquitectura Bioclimtica:
Por un lado existe el objetivo del ahorro energtico, resultado de la crisis de energa
del 73. Segn este objetivo, la importante proporcin del consumo de energa que los
pases ms evolucionados utilizan en la edificacin, puede reducirse sensiblemente con la
aplicacin de sus tcnicas. Por ello, se han desarrollado, o se estn desarrollando, los
siguientes campos.
El ahorro de energa en calefaccin, que ha sido el primer y ms importante
objetivo hasta el momento, dado que los edificios residenciales en los pases
desarrollados de clima fro consumen importantes cantidades en este concepto. Por
tanto, las primeras tcnicas aplicadas fueron los sistemas pasivos de captacin de la
energa solar. En estos climas y con estos sistemas, se consigue fcilmente ahorros
energticos superiores al 50%.
El ahorro mediante sistemas de refrigeracin, que es una tendencia ms moderna,
orientada hacia edificios de tipo no residencial. En los climas clidos y durante todo el
ao, estos edificios son grandes consumidores de energa por este concepto, y en los
climas templados, e incluso en los fros, sucede lo mismo durante el verano. El empleo de
sistemas pasivos de ventilacin y de tratamiento de aire, as como la utilizacin de
sistemas de sombreamiento bien diseados, puede ofrecer importantes ahorros de
energa.
En todo tipo de climas y, en especial, en edificios no residenciales, existe la posibilidad
de aplicar nuevas tcnicas de alumbrado natural (o de recuperacin de antiguas tcnicas
hoy en desuso). Con ello, se produce un importante ahorro energtico, no slo en la
energa consumida en el alumbrado artificial, sino tambin en la disminucin de la carga
de refrigeracin que el empleo de la luz natural implica.
El otro objetivo que se recoge es el del bienestar trmico de los usuarios de esta
arquitectura, debido a que la arquitectura debe procurar a sus ocupantes las mejores

condiciones ambientales posibles. Dichas mejoras repercuten en el comportamiento
laboral y social de los usuarios, de forma que llegan a ser ms importantes que el propio
ahorro energtico; diseando, as, sistemas que permitan la consecucin del
comportamiento previsto del edificio con el bienestar o "calidad ambiental" que sus
habitantes requieren.
La sensibilizacin producida en arquitectos y constructores en relacin con estos temas,

unida a la demanda creciente de condiciones de confort interior por los usuarios, ha
supuesto un notable avance en el desarrollo de los sistemas pasivos, si bien en general los
arquitectos carecen de herramientas que les permitan cuantificar el comportamiento de
las soluciones por ellos aportadas.
Surge as la necesidad de poner a disposicin de estos la posibilidad de efectuar un
anlisis cuantitativo del comportamiento energtico de los edificios por ellos diseados,
mediante mtodos de evaluacin adecuados.
S.2 Los Procesos de Intercambio trmico en edificios
Los mecanismos de transferencia de calor en un edificio, y de ste con el ambiente

exterior, son muy variados, pero pueden reducirse a cuatro categoras: conduccin,
conveccin, radiacin y ventilacin.
Conduccin a travs de paredes y superficies acristaladas.
Conveccin externa (normalmente forzada) entre las superficies exteriores y el aire
exterior.
Conveccin interna (normalmente natural) entre las superficies interiores de los
componentes de la piel del edificio, ocupantes, aparatos de iluminacin, etc., y el aire
interior.
Radiacin de onda corta procedente del Sol, y en ocasiones, tambin de las fuentes
internas. Cuando la radiacin solar incide sobre una pared, parte es absorbida y parte
reflejada; al incidir sobre una superficie acristalada, parte se absorbe, parte se refleja
y parte se transmite. La radiacin transmitida puede a su vez incidir sobre superficies
interiores, originando un proceso de reflexiones mltiples.
Radiacin exterior de larga longitud de onda entre las paredes exteriores y la bveda
del cielo, los edificios circundantes y el suelo.
Radiacin interior de larga longitud de onda entre las diversas superficies interiores
en funcin de sus temperaturas.
Flujos de fluido, que dan lugar a intercambios de calor por adveccin fluido-fluido.
Predominantemente son de dos tipos: infiltraciones y flujos inter-zonas.
Como se puede comprender, todos estos mecanismos de transferencia de calor estn

acoplados en el edificio, y no pueden calcularse de modo independiente. Por otra parte,
los procesos de intercambio trmico dependen del tiempo, debido a las fluctuaciones de
las excitaciones tanto exteriores como interiores, por lo que las ecuaciones de
conduccin han de tratarse de forma no-estacionaria.

6.2.1. Ecuaciones Generales del comportamiento Trmico del Edificio
Las ecuaciones generales que gobiernan los procesos antes citados son las que siguen:
a) Conduccin en cerramientos: Para cada capa de cada cerramiento del edificio, se

puede escribir, considerando la transmisin unidireccional:
4
ax 2
a dt
(6.D
donde:
T se refiere a la temperatura
X representa la variable espacio
t representa la variable tiempo
a se refiere a la conductividad
b) Condicin de contorno en cada superficie. Se puede expresar en la forma:
(6.2)
donde:
X representa la conductancia
h se refiere al coeficiente de conveccin
Tj se refiere a la Temperatura interior de la superficie
Ta es la Temperatura del aire interior
a representa la constante de Steffam-Boltzman
Cy se refiere a los factores de forma existentes entre la superficie i y j .
<j)c se refiere a la radiacin de onda corta incidente
4>k se refiere a la radiacin de onda larga
Segn lo cul:
El primer miembro de esta ecuacin representa el flujo de conduccin en la superficie
i;
< el primer trmino del segundo miembro corresponde al intercambio convectivo entre
dicha superficie y el ambiente interior;
" el segundo trmino refleja el intercambio radiante de onda larga entre la superficie
considerada y las restantes superficies;
el tercer trmino es la radiacin de onda corta incidente;
y el ltimo representa la radiacin de onda larga producida por las fuentes internas.

c) Balance sobre el aire interior. La variacin de energa interna del recinto viene dada
por la siguiente expresin:
dT " '
donde:
M representa la masa trmica

Cp representa el calor especfico
Taj representa a la temperatura del aire interior del recinto
t se refiere a la variable tiempo
SJ representa el rea de la superficie i
hj se refiere al coeficiente de conveccin en la superfie i
Tj representa la temperatura interior del recinto
pCp este producto representa la densidad del material
V el volumen del recinto
Tae representa la temperatura exterior del aire
\ se refiere a la conveccin originada por fuentes internas
De este modo:
el primer trmino del segundo miembro representa la suma de los aportes por
conveccin;
el segundo la transferencia de energa correspondiente a los procesos de infiltracin y
ventilacin;
y el tercero recoge los aportes debidos a la conveccin originada por la existencia de
fuentes internas.
El comportamiento energtico de un edificio a lo largo de un cierto periodo de tiempo

puede simularse elaborando un modelo matemtico que, partiendo de estas ecuaciones
generales e introduciendo las caractersticas trmicas del edificio y las correspondientes
series de datos climticos, sea capaz de reproducir de modo fiable la respuesta de aqul
en condiciones reales.

6.3 Modelos de Simulacin
6.3.1 Mtodos de Evaluacin
Un mtodo de evaluacin obtiene sus resultados a partir de clculos o simulaciones

elaborados, y trata de dar respuestas fiables a la pregunta: "Qu pasa si..." bajo diversas
condiciones de trabajo
La modelizacin trmica tiene muy diversas aplicaciones, y stas no slo plantean

diferentes necesidades sino que tambin imponen variadas exigencias al modelo. Para el
usuario no resulta fcil la tarea de identificar, entre todos los modelos disponibles, uno o
varios que puedan hacer frente al problema planteado. Es interesante, por lo tanto,
realizar una clasificacin y dar el nivel de calidad de los modelos implementados dentro
de los programas.
El desarrollo de metodologas de simulacin no puede desacoplarse de las diversas

etapas de desarrollo del modelo (especificacin del problemas, elaboracin de un modelo
conceptual, elaboracin de un modelo ejecutable, anlisis estadstico y grfico de
resultados) o de las diversas reas ( especificacin, ejecucin y documentacin) y
objetivos (evaluacin, comparacin, prediccin, anlisis de sensibilidad, optimizacin,
percepcin de cuellos de botella funcionales) de un estudio de simulacin. La
metodologa debe aplicarse como mnimo a los aspectos siguientes:
Reduccin de entradas: eleccin de las entradas detalladas apropiadas, necesarias

para proporcionar una precisin dada.
Comportamiento trmico en el espacio y en el tiempo: cmo utilizar series
temporales de resultados de simulacin.
Automatizacin de la simulacin: identificacin de las vas ptimas para problemas
dados.
Generacin de series de datos: series climticas relevantes y datos por defecto para
edificios y sistemas,
o Criterios de seleccin de modelos: cmo elegir un modelo apropiado.
6.3.2 Modelos de Simulacin Detallados y Simplificados
Uno de los parmetros ms importantes para evaluar la calidad trmica de un edificio

es la cantidad de energa requerida para mantener un nivel dado de confort. Esta energa
es la consumida por el sistema instalado, que aportar una mayor o menor cantidad de
aqulla al recinto, en funcin de su eficiencia.
Para calcular dicha cantidad de energa se pueden seguir diversas vas. Una de ellas
consiste en el uso de un modelo trmico detallado del edificio y la simulacin de su
comportamiento a travs de programas configurados con un cdigo adecuado.
Estos modelos detallados, de naturaleza modular, requieren un entorno de software para
devolver los resultados a travs de ejecuciones de simulacin de pequeo intervalo de

tiempo (normalmente hora a hora), y se pueden clasificar, segn la tcnica de
modelizacin seguida [13]:
Mtodos directos: Se basan en la solucin numrica de la ecuacin diferencial en

derivadas parciales de conduccin del calor a travs de cerramientos opacos, siendo
la tcnica de diferencias finitas la aproximacin ms utilizada. Un ejemplo de este
tipo de mtodo es el programa ESP.
Mtodos indirectos: La conduccin a travs de cerramientos opacos puede calcularse
de modo exacto bajo ciertas condiciones de contorno, suponiendo flujo lineal de
calor y utilizando el principio de superposicin. Los mtodos indirectos se basan en
la descomposicin de las condiciones de contorno reales en una serie de funciones
simples que admiten una solucin analtica de la ecuacin de conduccin ( Ejemplo,
el programa DOE 2)
Mtodos mixtos: Utilizan tcnicas de modelizacin adaptadas a cada elemento, dado
que la gran variedad de las que confirman un edificio y sus muy diferentes
caractersticas hacen que ninguna de las tcnicas de modelizacin existentes sea
vlida para todos los casos; de aqu que la solucin sea usar una combinacin de los
dos tipos de mtodos ya descritos.
Otra va la constituyen los mtodos de clculo simplificados que implican un menor

nmero de requerimientos, y que pueden clasificarse a su vez en tres grupos:
Mtodos simplificados de simulacin: Se basan en el uso de entradas reducidas de

datos meteorolgicos, en la reduccin del propio modelo y en unas salidas
condensadas de forma adecuada para facilitar su interpretacin y uso, con la
disminucin del tiempo de simulacin que todo ello conlleva.
Normalmente, las simulaciones se llevan a cabo utilizando datos meteorolgicos
horarios, lo que implica el tratamiento de archivos muy grandes para estudiar las
respuestas de un edificio a lo largo de todo un ao, por lo que en un mtodo
simplificado se hace necesario reducir tales entradas de datos.
Segn cul sea el propsito de la simulacin, las necesidades de datos
meteorolgicos pueden ser diferentes. Si se pretende evaluar condiciones de confort
dentro del edificio, o dimensionar instalaciones de calefaccin o refrigeracin, los
datos meteorolgicos podran ser representados mediante una serie de das crticos
dentro de un periodo. En cambio, si los requerimientos energticos representan el
objetivo final de la simulacin, los datos meteorolgicos deberan ser representativos
de un perodo de larga duracin (por ejemplo, toda la estacin de calefaccin), y otra
posibilidad para reducir dichos datos, podra ser la descripcin probabilstica como
un proceso estocstico.
Por otra parte, las simulaciones se basan en modelos dinmicos, y es posible reducir
tales modelos de tres formas: mediante simplificaciones fsicas (clculo simplificado
de factores de forma, uso de valores prefijados para los coeficientes convectivo-
radiactivos, no consideracin de puentes trmicos, etc.); limitando el nmero de
parmetros del propio modelo (por ejemplo, reduciendo el nmero de parmetros del
propio modelo o reduciendo la rejilla de nodos en el mtodo de diferencias finitas), o
por reduccin directa del propio modelo matemtico.
Y por lo que respecta a las salidas, stas deben ser tales que ayuden al usuario a
sintetizar los resultados de la simulacin, y para ello adquieren particular importancia

las presentaciones grficas, por cuanto suministran una gran informacin de forma
muy condensada.
Mtodos basados en correlaciones: Estos mtodos se basan en un balance energtico

del edificio a largo plazo (mensual, estacional o anual) junto con la toma en
consideracin del efecto dinmico de las ganancias internas y solares, puesto que de
ellas proviene una parte de la energa requerida para mantener una temperatura
interior dada.
Los dos parmetros principales que se correlacionan son: un parmetro que tiene
que ver con las ganancias tiles o directamente con las necesidades de calefaccin
(factor de utilizacin, fraccin de ahorro solar), y una relacin entre ganancias
solares o totales y prdidas. La correlacin es generalmente dependiente de un tercer
parmetro que expresa la posibilidad de acumulacin de energa solar.
Mtodos analticos: Pueden considerarse como intermedios entre los dos anteriores.
En ellos se trata tambin de predecir comportamientos mensuales o estacionales,
pero no contrastan modelos, sino que resuelven las ecuaciones de los modelos.
Estas aproximaciones analticas utilizan modelos dinmicos simples de edificios,
normalmente con una sola constante de tiempo, y una informacin en forma
condensada sobre la distribucin de datos meteorolgicos. Proporcionan
herramientas flexibles para el clculo de la dependencia entre el comportamiento
trmico del edificio y los parmetros climticos, y se han utilizado hasta ahora
preferentemente a nivel de investigacin en estudios de sensibilidad.

7. PROCESO DE VALIDACIN DEL MODELO ESP FRENTE A CLULAS DE
ENSAYO.
7.1 Modelo ESP
El ESP es un modelo de simulacin detallado sobre el comportamiento termo-energtico

en edificios. Fue desarrollado durante un periodo de 18 aos (1974, 1992). Durante este
largo periodo se ha ido contribuyendo con distintos desarrollos siendo acoplados todos
ellos paulatinamente a dicho modelo.
Entre todos los participantes al desarrollo de dicho modelo, cabe destacar a Joe Clarke
que fue el innovador de dicho modelo mediante un prototipo inicial que desarroll en su
tesis Doctoral; este prototipo se ha ido modificando durante el paso del tiempo,
destacando la gran contribucin de la Universidad de Strathclyde, en mtodos
computacionales.
El modelo ESP utiliza mtodos numricos integrndolos en ecuaciones de tipo:

algebraicas, diferenciales; utilizadas todas ellas en la representacin del calor y balance
energtico. [15, 17]
El sistema no exige un tipo especfico de edificio, sino que puede ser definido ste, segn
van siendo introducidos los distintos componentes del modelo por el usuario. El ESP
acepta cualquier descripcin para la planta del edificio en trminos geomtricos (tres
dimensiones), construccin, uso y control.
Las distintas zonas del edificio se definen en trminos de geometra, construccin en
diferentes ficheros de entrada. Estas zonas estn interrelacionadas para constituir as el
edificio entero o en parte. La planta se define conectando las componentes individuales.
El paquete opera de manera interactiva en un men de entrada y como un sistema
experto.
El sistema continuo de ecuaciones a resolver es discretizado mediante el mtodo de
volmenes finitos (los cuales vienen a representar las regiones del edificio as como
varias de la misma planta). Tiene siempre en cuenta, las condiciones de frontera tanto en
las entradas referentes al clima como al control. Todas las regiones del edificio se
encuentran correctamente conectadas a travs del espacio-tiempo, de modo que
cualquier excitacin que se produzca en cualquier punto del espacio y del tiempo
produce un efecto causal sobre el edificio a tener en consideracin.
El Hardware necesario, para que el ESP se pueda ejecutar, es el siguiente:

Una estacin de trabajo UNIX^M que ofrezca X-Windows y con al menos
8MBytes de RAM.
Una capacidad de disco disponible, para soportar el almacenamiento del cdigo
objeto, datos de entrada de diseo, datos climticos anuales y resultados de la
simulacin.
f Compiladores de Fortran 77 y de C.

7.2 Clulas de ensayo de componentes Solares Pasivos
7.2.1 Definicin y consideraciones generales
Se puede definir una clula de ensayo como un dispositivo en escala real (idealmente
monozona) en el que pueden acoplarse, en su estructura externa, elementos
constructivos y componentes solares pasivos, para ser sometidos a condiciones
climticas reales con el fin de evaluar ciertas propiedades termo-energticas de los
mismos.
Para poder afirmar que la informacin obtenida es propia del elemento ensayado, es
necesario desacoplar el comportamiento trmico de la clula de este. Por lo tanto, la
primera premisa de una clula de ensayo es su alto grado de aislamiento trmico en el
rea no ocupada por el componente a ensayar. Otra premisa interesante sera la
versatilidad en el ensayo, esto es, la capacidad de alojar diferentes componentes de
distinto tipo para ser sometidos a diferentes estrategias en funcin de qu caracterstica
sea la que se quiere evaluar.
Algunas consideraciones que favoreceran el uso de clulas de ensayo son:
1. La escala real es importante para reproducir procesos de ganancias solares y

reflexiones internas en los edificios. Por otro lado, la escala real permite el reproducir
las dimensiones normales de uso de los elementos constructivos.
2. Durante la experimentacin las ganancias y prdidas incontroladas debidas a la
ocupacin no estn presentes. El inconveniente en este caso es el de determinar el
nivel de confort a partir de datos estrictamente fsicos.
3. Los ensayos de laboratorio estn orientados a procesos (conduccin, radiacin...)
que raramente se presentan aislados. Por otro lado, existen procesos de importancia
crucial en el resultado energtico de un edificio, tales como la conveccin y ganancia
por radiacin difusa, muy difciles de ser simulados en un laboratorio.
4. Si el dispositivo propuesto, dada su simplicidad se estandariza adecuadamente
podran realizarse estudios comparativos para diferentes especmenes e iguales
condiciones climatolgicas, o del mismo componente en diferentes laboratorios.
Durante los ltimos aos se han desarrollado diferentes iniciativas en este sentido
especialmente orientadas en el estudio de componentes que favorezcan las condiciones
de confort en invierno (calefaccin) o bien que proporcionen un ahorro energtico en
esta estacin. Estas experiencias empezaron en Estados Unidos y continuaron en los
pases del norte de Europa. Posteriormente, se han concretado en proyectos especficos,
entre los que cabe destacar el proyecto PASSYS II de la D.G.XII de la CEE,
participando nuestro pas a travs del Instituto de Energas Renovables cuyos
laboratorios se encuentran en la Plataforma Solar de Almera.

7.2.2 Clulas PASSYS
Las Clulas Test de PASSYS fueron diseadas a partir de una idea original,
inicialmente propuesta por Baker (1983) y Schreitmller, Mehlhorn y Linder (1984). Su
principal objetivo fue el de obtener una habitacin de ensayo con un mximo
comportamiento adiabtico en todas las paredes excepto en una, donde las caractersticas
trmicas de una pared especfica podran ser analizadas con un alto grado de exactitud.
Este concepto fue ms tarde extendido para permitir estudiar tejados, aadindolos a las
paredes.[19]. Hay dos tipos de Clulas Test:
La Clula original o "Standard", donde solamente es posible analizar las paredes

verticales (o componentes dentro de una pared vertical)
La Clula con un tejado movible, la cul permite estudiar tanto paredes como
tejados.
Ambos tipos de clulas pueden colocarse sobre un soporte giratorio para as poder
estudiar su comportamiento en distintas direcciones horizontales.
Las Clulas test, bsicamente, estn formadas por dos habitaciones, prefabricadas, con
estructuras bien aisladas. Las dos habitaciones estn separadas por una pared aislante,
dentro de la cul hay una puerta completamente cerrada. La habitacin grande,
denominada "habitacin de ensayo", permite instalar componentes posibles de cambio, y
es bsicamente un calormetro, con la capacidad de permitir tomar medidas precisas de
intercambio de calor (tanto ganancias como prdidas) entre el interior y su exterior,
incluyendo tambin intercambios a travs del componente de ensayo y a travs de la
pared divisoria a la habitacin pequea. Existe tambin la oportunidad de aadir masa en
el interior de la habitacin de ensayo, para simular la inercia trmica. Se pueden tomar
medidas de confort ya que la habitacin de ensayo tiene dimensiones reales. Tambin
existen aperturas auxiliares para cables y tuberas unidas a instrumentos de control y
medida, o como supletorio de potencia al equipo que est dentro de la habitacin de
ensayo.
En la habitacin pequea, designada como "habitacin de senncio", hay un espacio

para el equipo de control y de medida, una unidad de enfriamiento para proveer agua fra
a la habitacin de ensayo, y una pared pequea que hace de calentador para mantener las
propias condiciones interiores a la temperatura deseada. Tambin, existe la posibilidad de
un acondicionador de aire opcional para controlar la temperatura en verano. La
habitacin de servicio, tambin permite acceder a alguno de los equipos durante los
ensayos sin causar significativos trastornos a la propia habitacin de ensayo. Existe
aislamiento y una puerta bien acoplada entre las dos habitaciones.
El proyecto a raz del cual se han instalado estas clulas tuvo dos fases, la primera
comprendida entre 1986 y 1989, y la segunda entre 1990 y 1992. Durante la primera fase
se construyeron e instalaron un determinado tipo de clulas de ensayo en varios
laboratorios distribuidos por toda Europa y posteriormente, tras la incorporacin de
Espaa, Portugal y Grecia al proyecto se consideraron las necesidades de ensayar
componentes que indujeran refrigeracin, que permitan el giro y posean un techo
intercambiable.

El nmero total de clulas en toda Europa es aproximadamente 40 de las que 6 son del
tipo "mediterrneo" (para ensayos de refrigeracin). La Plataforma Solar de Almera
cuenta con una clula de cada uno de los dos tipos disponibles.
Descripcin constructiva
Aspectos generales
CLULA PASSYS
COMPONENTE SOLAR HABITACIN DE ENSAYO pu9rta ^ HABITACIN DE
PASIVO ENSAYNDOSE / Particin SERVICIO
"Marco con
aislamiento
Styrodur (.30m)
Styropor (.4Otn)
Lana Mineral
Clula tipo comn:

Consta de dos habitaciones una de entrada y otra de ensayo separadas por una puerta
altamente aislada. La habitacin de ensayo se encuentra limitada por paredes de
poliestireno expandido de 40 era de espesor. Las dimensiones globales de la clula son
4m de ancho, 8m de largo y 4m de alto, la habitacin de ensayo tiene unas dimensiones
2.75 x 4 x 2.75 m~ y en el frontal sur se encuentra una estructura aislada de
acoplamiento del componente al resto de la clula para evitar, en la medida de lo
posible, las prdidas por efecto puente trmico. Las paredes exteriores estn recubiertas
por una lmina de acero inoxidable y las interiores por otra de acero galvanizado
pintado en azul oscuro.
Este tipo de clulas normalmente se encuentran asentadas sobre 6 bloques de hormign
50cm sobre el nivel de suelo. De esta manera se evitan las prdidas a travs de ste y se
asegura una temperatura lo ms uniforme posible en todas sus superficies.

Clula tipo mediterrneo:
Su descripcin es prcticamente la misma que la anterior con dos diferencias principales:

El techo de la habitacin de ensayo se encuentra separado del resto de la estructura y
puede ser sustituido por un componente determinado.
La estructura metlica en la base posee cuatro puntos de anclaje para la conexin del
conjunto a un mecanismo de giro.
La descripcin completa de los materiales empleados en cada caso, as como, su

disposicin en paredes, suelos y techos puede encontrarse en [25 ]
Sistema de adquisicin de datos
El sistema de adquisicin de datos del proyecto P AS SYS fue acordado y adoptado en

la primera fase por la mayora de los participantes.
La parte comn del SAD consiste en una unidad de adquisicin autnoma con capacidad
para ocho accesorios y una unidad de extensin para diez accesorios ms. Los accesorios
instalados en la misma son:
Un voltmetro integrador de altas prestaciones para medida de AC y DC a dos y

cuatro hilos,
Diez multiplexores con capacidad para veinte canales de adquisicin analgica a dos
hilos (terminales H, L,G),
Una tarjeta con salida directa para actuacin sobre 16 rels
Una tarjeta con 4 canales de conversin digital/analgica.
El primero de los accesorios es usado para medida de las diferentes seales enviadas
por los multiplexores, cuya cantidad depende del tipo y nmero de puntos de medida
que, a su vez, depende del nmero de clulas y de los requisitos del propio laboratorio.
Los dos ltimos accesorios, controlados mediante el ordenador central, permiten actuar
directamente sobre dispositivos de calefaccin y refrigeracin para someter a las clulas a
determinadas secuencias establecidas por la metodologa de ensayo.
Las caractersticas generales del software utilizado son:
capacidad de muestreo de hasta 300 canales en intervalos de 60 s y hasta 40 canales

con un intervalo de 3 o 5 s dependiendo del ordenador central.
posibilidad de definicin de canales "software" (combinaciones de los anteriores)
presentacin y almacenamiento de valores instantneos, medio y globales.
capacidad de actuacin sobre dispositivos en control ON/OFF, tabular, PRBS,
RLOBS...

7.3 PROCESO DE VALIDACIN
El experimento se ha llevado a cabo sobre una Clula test, con una pared sur de
calibracin, situada en Leuven (Blgica), la descripcin de dicha Clula es la comentada
en la seccin (7.2.2), como clula de tipo comn. Ha sido elegida, sta como
experimento, debido a la disponibilidad de datos experimentales.
El proceso de toma de datos, se ha llevado a cabo durante el periodo comprendido
desde el 7 de Febrero hasta el 10 de Marzo, con un periodo de preiniciacin de cuatro
horas, pulso de calor radiante de 2Kw seguido de un periodo libre hasta que la clula se
encontraba dentro de unos 0.5 C de control, dos horas de pulso de calor convectivo
rectangular de 2 Kw, seguido de un periodo de cinco das con temperatura interna
constante de 30 C y un final libre. La temperatura de la habitacin de servicio se
mantuvo constante. Las medidas tomadas, hora a hora, fueron: parmetros climticos
constantes, temperatura internas y energa de entrada en los periodos de calentamiento,
con el sistema de adquisicin de datos descrito en la seccin (7.2).
La salida del sistema considerada de inters en la simulacin ha sido la temperatura
interior de la habitacin de ensayo.
Cada simulacin realizada est formada por 1362 registros, correspondientes a cada
simulacin horaria del periodo experimental eliminando el periodo de preiniciacin.
7.3.1 Anlisis de Sensibilidad
Los parmetros que constituyen bsicamente el conjunto de entradas son:
la geometra de la Clula test: grosor de las capas de los diferentes componentes de

los materiales
las propiedades trmicas de los materiales (conductividad, densidad, calor especfico,
capacidad de emisin y capacidad de absorcin)
capacidad de reflexin del suelo
infiltraciones
puntos de control
< potencia calorfica: valor absoluto y divisin entre convectivo y radiactivo
clima: valores absolutos de la inradiancia solar global y difusa, temperatura externa
del aire, velocidad y direccin del viento, y humedad relativa.
Debido a que la salida de inters en todo el proceso de validacin es la temperatura

interior de la habitacin de ensayo, se ha realizado el proceso de validacin variando tan
slo aquellos parmetros de entrada relacionados con los materiales que forman la Clula
Test, stos suman un total de 96. Es de sealar, que aunque existan dos capas del mismo
material, si ambas se encuentran separadas por otro material, se han considerado como
distintas, y de igual modo las propiedades de los mismos. As, por ejemplo, existen dos
capas de acero, una externa y otra interna a la habitacin de ensayo, sobre cada
propiedad trmica de ellas se ha realizado el anlisis de sensibilidad.
En la siguiente tabla, se puede observar la relacin de parmetros de entrada (referente
a materiales de construccin), el orden en el que aparecen en la tabla, sigue el orden de
cada material que est formada la Clula desde el exterior hasta el interior, salvo las

diferentes capacidades de emisin y absorcin. Es de sealar, que tambin se han incluido
como parmetros de entrada los relativos a las distintas capas de aire existentes. Para
cada material se diferencian sus propiedades, tanto geomtricas como trmicas.
Parmetro Base Mximo Mnimo 1

capa de aire: resistencia en pared 0.170 0.187 0.153
acero ext. conductividad 50.000 55.000 45.000
acero ext. densidad 7800.0000 8600.0000 7000.0000
acero ext. calor especfico 502.0000 552.0000 452.0000
acero ext. grosor 1.5 0.0015 0.0020 0.0010
acero ext. grosor2.0 0.0020 0.0025 0.0015
aglomerado, conductividad 0.150 0.310 0.080
aglomerado densidad 800.1000 1210.0000 560.0000
aglomerado: calor especfico 2093.0000 2400.0000 1100.0000
aglomerado: grosorl3 0.0130 0.0143 0.0117
aglomerado: grosor8 0.0080 0.0088 0.0072
aglomerado: grosor 19 0.0190 0.0209 0.0171
fibra de vidrio: conductividad 0.040 0.057 0.036
fibra de vidrio: densidad 105.000 120.000 90.0
fibra de vidrio: calor especfico 1800.0 2000.000 1600.000
fibra de vidrio: grosor80 0.080 0.088 0.0072
fibra de vidrio: grosoMO 0.040 0.044 0.036
poliestireno expandido: 0.040 0.051 0.027
conductividad
poliestireno expandido: densidad 33.0 36.3 29.7
poliestireno expandido: calor 850.0 935.0 765.0
especfico
grosor200
grosor130
acero int. conductividad 50.000 55.000 45.000
acero int. densidad 7800.0 8600.0 7000.0
acero int. calor especfico 502.0 552.0 452.0
acero int. grosor2 0.0020 0.0022 0.018
acero int. grosor4 0.0040 0.0044 0.0036
acero int. grosor6.4 0.0064 0.00704 0.00576
poliestireno extruido (aux.): 0.035 0.044 0.024
conductividad
densidad
poliestireno extruido (aux.): calor 850.0 935.0 765.0
especfico

grosor
capa de aire: conductividad
capa de aire: densidad
capa de aire: calor especfico
capa de aire: grosor 0.1000 0.1100 0.090
contrachapado: conductividad 0.1080 0.1188 0.0972
contrachapado: densidad 620.7000 682.7700 558.6300
contrachapado: calor especfico 1214.0000 1335.4000 1092.6000
contrachapado: grosor4 0.0040 0.0044 0.0036
contrachapado: grosor30 0.0300 0.0330 0.0270
contrachapado: grosorl8 0.0180 0.0198 0.0162
poliestireno expandido (aux.): 0.040 0.051 0.027
conductividad
densidad
calor especfico
grosor292
poliestireno extruido: 0.035 0.044 0.024
conductividad
poliestireno extruido: densidad 33.0 36.3 29.7
poliestireno extruido: calor 850.0 935.0 765.0
especfico
poliestireno extruido: grosorl50 0.1500 0.1650 0.1350
poliestireno extruido: grosor50 0.0500 0.0450 0.0550
aislamiento: conductividad 0.150 0.310 0.080
aislamiento: densidad 28.300 31.130 25.470
aislamiento: calor especfico 1470.000 1617.0 1323.0
aislamiento: grosor40 0.0400 0.0440 0.036
capa de aire: resistencia en 0.1720 0.1892 0.1548
ventana
azulejo dePVC: conductividad 0.8500 0.9350 0.7650
azulejo de PVC: densidad 2000.0000 3000.0000 1000.0000
azulejo de PVC: calor especfico 837.0000 920.7000 753.3000
azulejo de PVC: grosorS 0.0030 0.0033 0.0027
cristal de ventana: conductividad 1.0500 1.1550 0.9450
cristal de ventana: densidad 2500.0000 3000.0000 2000.0000
cristal de ventana: calor espec. 750.0000 800.0000 700.0000
cristal de ventana: grosor4 0.0040 0.0044 0.0036
capa de aire: grosor 0.1200 0.1320 0.1080
cap. emisin 1 0.850 0.935 0.775
cap.emisin 2 0.850 0.935 0.775
cap.emisin_3 0.850 0.935 0.775
cap.emisin 4 0.850 0.935 0.775

cap.emisin_5 0.850 0.935 0.775
cap. emisin 6 0.850 0.935 0.775
cap.emisin 7 0.850 0.935 0.775
cap.emisin 8 0.850 0.935 0.775
cap.emisin 9 0.850 0.935 0.775
cap.absorcin 1 0.850 0.935 0.775
cap.absorcin 2 0.650 0.715 0.585
cap.absorcin 3 0.400 0.440 0.360
cap.absorcin 4 0.870 0.957 0.783
cap.absorcin 5 0.840 0.924 0.756
cap.absorcin 6 0.450 0.495 0.405
cap.absorcin 7 0.250 0.275 0.225
cap.absorcin 8 0.200 0.220 0.180
cap.absorcin 9 0.500 0.550 0.450
cap.absorcin 10 0.050 0.055 0.045
cap. absorcin 11 0.100 0.110 0.090
coeficiente de conveccin, int 7.0000 8.0000 6.0000
coeficiente de conveccin, ext -1.0000 0.0000 -2.0000
conductividad
poliestireno expandido: densidad 33.0 36.3 29.7
especfico
grosor200
cap.reflexin del suelo 0.200 0.300 0.150
infiltraciones 0.10 0.20 0.00
divisin de ganancias casuales 20 25.0 15.0
Tabla 7.1: Relacin de parmetros de entrada
Para cada parmetro de entrada se ha llevado a cabo un anlisis de sensibilidad

diferencial, siguiendo los siguientes pasos:
Se ha subdividido cada intervalo de incertidumbre definido anteriormente para cada

parmetro (#,;#,mx) en 10 subintervalos de igual longitud:
k r\ \ i.mx i,ruin /
. _ _
Es de inters sealar, que el intervalo de incertidumbre para cada parmetro ha sido

definido, o bien por los fabricantes, o bien por investigadores conocedores del
sistema.
Se han realizado las simulaciones correspondientes con cada nueva entrada de

parmetros, siempre variando nicamente aquel parmetro en el que se estaba
estudiando la sensibilidad, y dejando fijos todos los dems, es decir se han realizado
las simulaciones con el ESP para las entradas 6j} = 6* +{j-l)A#, j = 1,..,11

Para cada simulacin realizada por el modelo ESP, se han estimado los 11 residuos
correspondientes.
Se han considerado como parmetros crticos, aquellos cuya simulacin difiere de la

medida experimental, por lo menos 0,2 C. Segn esto, los parmetros de entrada que se
pueden considerar sensibles, debido a que cualquier variacin de los mismos influye
sobre la salida del sistema, la temperatura interior de la habitacin de ensayo de la Clula
test, son los siguientes:
1. conductividad del aglomerado

2. calor especfico del aglomerado
3. conductividad del poliestireno expandido
4. calor especfico del poliestireno expandido
5. conductividad de la capa de acero interior
6. calor especfico de la capa de acero interior
7. conductividad del poliestireno extruido auxiliar
8. calor especfico del poliestireno extruido auxiliar
9. conductividad del poliestireno expandido auxiliar
10. calor especfico del poliestireno expandido auxiliar
11. conductividad de la capa de aislamiento
12. cap.emisin_3
13. cap.emisin_4
14. cap.emisin_5
15. cap.emisin_6
16. cap.emisin_7 (todas ellas son capacidades de emisin externas correspondientes a
distintos materiales)
17. htc. interior
18. conductividad del poliestireno expandido en la pared sur
19. infiltraciones
Es notable observar, que la temperatura interior de la habitacin de ensayo se ha

mostrado particularmente sensible a los parmetros correspondientes a conductividades y
calores especficos de los materiales que estn ms prximos al interior de la misma; as
como a las capacidades de emisin externas de los materiales y a las infiltraciones. Es
importante sealar que aunque la densidad de los materiales no se encuentra en la
relacin anterior, es porque se trata de una propiedad muy relacionada con el calor
especfico del material correspondiente, y lo que s produca una sensibilidad importante
era el producto de las dos entradas, entonces considerando una de ellas como insensible,
la otra har que el producto siga comportndose como entrada crtica.
En las siguientes figuras se puede observar el comportamiento de las entradas crticas

ms importantes:

Calor esp. aglomerado Conduc. aglomerado
0,6
0,4
O
0,00
1100 1360 1620 1880 2140 2400 0,08 0,126 0,172 0,218 0,264 0,31
Fig.(7.1): Variacin de la T" al variar el calor Fig.(7.2): Variacin de la T al variar la

especfico del aglomerado conductividad del aglomerado
Calor esp.acero interno Conduc. acero int.
Fig.(7.3): Variacin de la P al variar el calor Fig.(7.4): Variacin de la P al variar la

especifico del acero interno. conductividad del acero interno.
Calor esp. styropor
Fig.(7.5): Variacin de la P al variar el calor Fig.(7.6): Variacin de la V al variar la

especfico del poliesreno expandido. conductividad del poliesreno expandido.

Infiltraciones
2 ,5 i
2
1 ,5
o
o 1
0 ,5 \ / /
0
() 0,04 0,08 0,12 0,16 0,2
Fig.(7.7): Variacin de la T al variar la capacidad Fig.(7.8): Variacin de la "P al variar las

de emisin extema. infiltraciones.
7.3.2. Bsqueda de Dominios de Entrada
Despus de haber realizado el anlisis de sensibilidad, y haber comprobado que tan

slo, 19 parmetros de entrada influyen sobre la temperatura interior de la Clula-test.
Segn un dominio inicial de los parmetros crticos al sistema, descritos en la Tabla (7.2)
se han realizado 1000 simulaciones, para cada una de ellas se ha obtenido un fichero, de
la temperatura interior simulada, con los 1362 registros correspondientes a datos
horarios, cada uno de ellos pertenecientes al periodo propiamente del experimento.
Es de sealar que las entradas de cada una de las simulaciones se comporta como una
distribucin Normal, dentro de su intervalo de incertidumbre, debido a que la suposicin
inicial de todo el experimento es que todos los parmetros de entrada se comportan
segn dicha distribucin. El procedimiento de generacin de estas entradas se ha
realizado mediante mtodos de Monte-Cario.
Cada uno de los datos horarios, que constituyen cada simulacin, es comparado con el
fichero experimental y se calcula el residuo medio cuadrtico. La funcin objetivo a
minimizar es el "rms"\ ya que si se quiere encontrar aquellos dominios de parmetros de
entrada que hacen mnima la diferencia entre salidas simuladas y las experimentales, stos
sern los mismos que los que minimicen el residuo medio cuadrtico.
Se obtiene por lo tanto, un valor residual medio cuadrtico para cada una de las 1000
simulaciones realizadas, estas simulaciones se agrupan formando clusters segn lo
cercanos que se encuentren el conjunto de parmetros de entrada que definen cada
simulacin en Rn-
El procedimiento elegido, para la formacin de clusters est basado en la eleccin de

centroides, debido a ser el ms rpido, las desventajas de este procedimiento se han
salvado de la siguiente manera:
e El inconveniente sobre la eleccin de los centroides puede ser salvado, teniendo en

cuenta que como se pretende minimizar una funcin, si se seleccionan como centros

aquellos puntos que tengan un valor pequeo de dicha funcin la desventaja se
reduce considerablemente. As, de cada iteracin se han seleccionado como
centroides los 10 puntos que proporcionan un menor rms.
Ante el segundo inconveniente, es cierto que no todos los puntos del dominio
quedarn agrupados. Pero, estos sern aquellos que no se encuentren prximos a los
que proporcionan un pequeo valor del rms, por lo que su contribucin a la
bsqueda de un nuevo dominio de parmetros se puede considerar despreciable.
La formacin de clusters se ha hecho seleccionando, primeramente, de las 1000

simulaciones realizadas, un conjunto de simulaciones con residuo no muy grande,
aquellas cuyo residuo:
a{rms{i]
rms < /u(rms(i))- i=l,...1000
obteniendo, de esta manera, alrededor de un 30% de simulaciones de las realizadas. De

este nmero de simulaciones se han elegido 10 centroides, aquellos con menor rms y se
han formado los agrupamientos a partir de los mismos.
El radio elegido para la formacin de clusters ha sido el 15% del nmero de
parmetros, debido a que segn la definicin de distancia dada en (4.39), ste debe de
estar en funcin del nmero de parmetros a modificar, el que sea exactamente el 15%,
ha sido debido a que un tanto por ciento alrededor de 10, proporcionaba clusters con
pocos elementos, cuyos anlisis no resultaban significativos, y por el contrario un tanto
por ciento alrededor de 20, proporcionaban clusters con numerosos elementos, cuyos
anlisis resultaba un tanto costoso.
El dominio de parmetros inicial (tan slo ya considerando modificaciones, sobre

aquellos parmetros que influyen sobre la salida del sistema, y dejando a los dems
parmetros invariantes) ha sido ligeramente modificado del proporcionado por los
expertos en este tipo de sistema, debido a que era de gran inters comprobar que el
mtodo de anlisis de clusters funciona correctamente, aun cuando el dominio de
parmetros sea errneo, as para los 19 parmetros sensibles, el primer dominio ha sido:
PARMETRO BASE MXIMO MNIMO

aglomerado: conductividad 0.1500 0.3100 0.0800
aglomerado:calor especfico 2093.0000 2400.0000 1100.0000
conductividad
poliestireno expandido:calor 850.0000 935.0000 765.0000
especfico
acero int.xonductividad 50.0000 55.0000 45.0000
acero int.xalor especfico 502.0000 552.0000 452.0000
poliestireno extruido(aux): 0.0350 0.0440 0.0240
conductividad

poliestireno extruido(aux.): 850.0000 935.0000 765.0000
calor especfico
poliestireno expandido(aux.): 0.0400 0.0510 0.0270
conductividad
calor especfico
aislamiento conductividad 0.1500 0.3100 0.0800
cap.emisin 3 0.2200 0.3200 0.1200
cap.emisin_4 0.4400 0.5400 0.3400
cap.emisin_5 0.4200 0.5200 0.3200
cap.emisin 6 0.2570 0.3570 0.1570
cap.emisin 7 0.6000 0.7000 0.5000
int. htc 6.5000 8.0000 5.0000
poliestireno expandido, pared 0.0400 0.0510 0.0270
sur: conductividad
Tabla (7.2): Dominio inicial de parmetros
Para este dominio inicial de parmetros, el agrupamiento en clusters de las distintas

simulaciones, ha sido el siguiente:
CLUSTER N elementos RMSmn RMSmY RMS mpri j

CL 1 142 0.974 2.179 1.715
CL 2 79 0.890 2.175 1.629
CL 3 51 0.929 2.150 1.603
CL 4 25 0.929 2.150 1.572
CL 5 19 0.974 2.106 1.551
CL 6 12 0.989 2.170 1.703
CL 7 10 1.061 2.170 1.640
CL 8 10 0.890 2.089 1.475
CL 9 9 0.945 1.891 1.506
CL 10 5 1.076 2.089 1.770
Tabla (7.3): Formacin de clusters en la Ia iteracin
Debido a los resultados anteriores, ha sido seleccionado como Cluster importante a tener
en cuenta, el cluster n 2 debido a ser el que tiene un rms mnimo pequeo, pero aunque
no proporciona el ms bajo tiene un n considerable de puntos dentro del cluster.
El proceso debera de repetirse para cada uno de los 10 clusters formados

anteriormente, sin embargo debido a que cada uno de ellos nos dara como resultado
otros nuevos 10 clusters formados, el proceso sera casi interminable.
La eleccin del nuevo dominio a partir del cluster seleccionado difiere ligeramente de lo
expuesto anteriormente en la seccin (4.2.1), debido a que la suposicin inicial de todo el

sistema es que los parmetros de entrada se distribuyen segn una distribucin Normal,
el dominio se ha centrado en la media de cada uno de los parmetros de entrada y se le
ha dado una incertidumbre de 2.33 a . Teniendo as un dominio centrado en su media.
El proceso se ha vuelto a repetir con el siguiente dominio de parmetros:

conductividad
especfico
acero int.:conductividad 50.0000 65.0000 35.0000
conductividad
calor especfico
conductividad
calor especfico
cap.emisin 3 0.2200 0.3200 0.1200
cap.emisin 4 0.4400 0.5400 0.3400
cap.emisin 5 0.4200 0.5200 0.3200
cap.emisin 6 0.2570 0.3570 0.1570
cap.emisin 7 0.6000 0.7000 0.5000
int. htc 6.0000 8.0000 4.0000
poliestireno expandido en 0.0400 0.0700 0.0100
pared sur: conductividad
Tabla (7.4): Dominio de parmetros de entrada para la 2a iteracin del proceso
El resultado de formacin de clusters ante este nuevo dominio ha sido:
CLUSTER N elementos RMSmn RMSmY RMSmpH

CL 1 82 0.845 1.611 1.213
CL 2 45 0.845 1.583 1.175
CL 3 42 0.845 1.564 1.229
CL 4 39 0.854 1.591 1.201
CL 5 37 0.845 1.590 1.199

CL 6 27 0.854 1.602 1.259
CL 7 17 0.858 1.583 1.193
CL 8 11 0.864 1.587 1.066
CL 9 8 0.864 1.292 1.044
CL 10 6 0.894 1.487 1.205
Tabla (7.5): Agrupamiento en clusters en la 2a iteracin del proceso
El cluster elegido en la formacin anterior ha sido el cluster n 2 debido a que tiene un

rms mnimo (dentro de los formados) y a su vez, dentro de los clusters que tienen este
mismo valor es el que tiene un menor rms medio, adems este cluster ha sido formado
con un nmero considerable de puntos.
El dominio de parmetros se ha realizado con el mismo criterio que en el paso anterior,
formndose el siguiente:

conductividad
especfico
acero int.xonductividad 50.7400 62.2800 39.2000
conductividad
calor especfico
conductividad
calor especfico
cap.emisin 3 0.2083 0.2933 0.1233
cap.emisin 4 0.4436 0.5154 0.3718
cap.emisin 5 0.4267 0.5007 0.3527
cap.emisin 6 0.2528 0.3068 0.1988
cap.emisin 7 0.6056 0.6596 0.5516
int. htc 5.5200 6.9780 4.0620
poliestireno expandido en la 0.0312 0.0472 0.0152
a
Tabla (7.6): Dominio de parmetros de entrada para la 3 iteracin del proceso

El agrupamiento de las simulaciones obtenidas con este nuevo dominio de parmetros, se
puede observar en la siguiente tabla:
[CLUSTER N elementos RMSm5n RMSmY RMS m P H

CL 1 34 0.853 1.010 0.937
CL 2 30 0.846 1.012 0.928
CL 3 26 0.846 1.013 0.917
CL 4 16 0.851 1.011 0.919
CL 5 12 0.853 0.994 0.920
CL 6 11 0.851 0.990 0.923
CL 7 10 0.848 1.014 0.908
CL 8 10 0.836 0.988 0.931
CL 9 3 0.839 0.963 0.918
CL 10 1 0.833 0.833 0.833
Tabla (7.7): Agrupamiento en clusters en la 3a iteracin del proceso
Siguiendo el anterior criterio de seleccin de clusters, se ha seleccionado como cluster

importante el n 2, que aunque no tiene el rms mnimo ms pequeo tiene un rms mnimo
pequeo, y su valor medio tambin lo es; adems, los 3 clusters que tienen menor rms
que l, estn formados por muy pocos puntos.
El dominio de parmetros que el cluster n2 ha generado es el siguiente:

conductividad
especfico
acero int.:conductividad 50.0776 58.8076 41.3476
conductividad
calor especfico
conductividad
calor especfico
cap.emisin 3 0.1930 0.2380 0.1480
cap.emisin 4 0.4298 0.4888 0.3708
cap.emisin 5 0.4202 0.4702 0.3702
cap.emisin 6 0.2415 0.2975 0.1855

cap.emisin 7 0.6008 0.6448 0.5568
int. htc 5.7100 6.8140 4.606
poliestireno expandido en la 0.0292 0.0392 0.0192
a
Tabla (7.8): Dominio de parmetros de entrada para la 4 iteracin del proceso
El agrupamiento en clusters que este dominio ha generado se puede observar en la

siguiente tabla:
CLUSTER N elementos RMS m i n RMS m w RMSmpH

CL 1 141 0.832 0.946 0.891
CL 2 36 0.831 0.946 0.886
CL 3 33 0.832 0.927 0.880
CL 4 33 0.832 0.938 0.884
CL 5 27 0.831 0.938 0.878
CL 6 23 0.835 0.927 0.881
CL 7 17 0.831 0.942 0.877
CL 8 13 0.831 0.935 0.869
CL 9 10 0.839 0.946 0.893
CL 10 4 0.833 0.873 0.857
Tabla(7.9): Agrupamiento en clusters en la 4a iteracin del proceso
El proceso de formacin de clusters tan slo se ha repetido 4 veces y en cada iteracin

del proceso tan slo se ha seleccionado un cluster como principal, pero el proceso se
debera haber hecho para cada uno de los clusters formado en cada una de las
iteraciones.
Se puede observar como a pesar de no bajar excesivamente el rms mnimo en cada
iteracin, lo que si ha decrecido considerablemente ha sido el rms medio en cada
iteracin. En 4 repeticiones del proceso, se ha conseguido bajar este ltimo a la mitad
(inicialmente se parti de un /ms1.6 y en la 4a iteracin se tiene un rms^O.S). A pesar,
de que en cada nueva definicin del dominio de parmetros estos se les genera segn una
distribucin Normal, y no segn un Uniforme, como exiga el proceso de optimizacin
aleatoria en la seccin (4.2.1.)

7.3.3 Anlisis de Residuos
Despus de haber llevado a cabo una bsqueda de dominios de parmetros de entrada

adecuados, y debido a que sigue existiendo una cierta diferencia entre medidas
experimentales y las propias salidas del modelo; es necesario realizar un anlisis de los
residuos producidos.
En el anlisis que se ha realizado, caven destacar dos estudios bien diferenciados: el

primero de ellos se basa en el anlisis de los residuos como serie temporal, y el segundo
basado en que estos forman parte de un proceso multivariante {salidas, entradas). Como
una serie temporal aislada, se han estimado los siguientes estadsticos.
> media y varianza
funcin de autocorrelacin
funcin del autoespectro suavizado
espectro acumulado normalizado
Como parte de un proceso estocstico multivariante, se han tenido en cuenta como

variables de entrada las siguientes:
1. Temperatura interior de la habitacin de servicio (C)
2. Potencia de calefaccin (w)
3. Radiacin global en direccin horizontal (w/m^)
4. Radiacin difusa en direccin horizontal (w/m^)
5. Temperatura del bulbo seco (C)
6. Velocidad de viento (m/s)
7. Direccin de viento ( desde el norte)
8. Humedad relativa (%)
Para cada una de las 8 series temporales que las variables anteriores generan, se han
estimado:
> la funcin de autocorrelacin
la funcin de correlacin cruzada con el residuo
las funciones de correlacin cruzada de cada i-sima entrada con el resto de entradas
el autoespectro del ruido que ellas generan
o la fase espectral entre cada una de ellas y el residuo
la coherencia parcial de cada una de ellas
Para realizar todo el anlisis anterior, se ha seleccionado de las 1000 simulaciones

realizadas de la ltima definicin de dominios (Tabla 7.8) aquella que ha producido el
menor "rms". El fichero de salida del modelo, reproduce una serie temporal de 1362
registros, cada uno de ellos, corresponde a datos horarios del periodo experimental,
eliminando el precalentamiento del sistema. Este fichero es comparado con los datos
experimentales.

T. sim
Tmp.simulada-Tmp.experimental
T.exp
O
o
217 221 226 230 234 238 242 246 251 255 259 263 267 271
hora
Fig. (7.9): Representacin de salidas simuladas y experimentales
En la figura (7.9) se han representado las 2 series temporales, temperatura interior de la

habitacin de ensayo, correspondientes a la simulada y a la experimental; en el eje x estn
representados los distintos datos horarios, aunque en la grfica, tan slo se han sealado
distintos das Julianos. Se puede observar como la mayor desviacin entre las dos series
se encuentra entre los das 232 y 246.
Durante este periodo crtico, el modelo representa la temperatura interior por encima del
valor experimental, es decir la sobrestima.
El residuo producido entre las 2 series, es decir: e{i) = yexp {t)-y() tiene una media
de -0.13 C y una varianza de 0.70 C. La representacin grfica de los mismos, se puede
observar en la figura (7.10)
7 224 230 \ 236 242 249 255 261 267
Fig. (7.10): Representacin de residuos, en datos horarios

Un valor medio distinto de cero, significa que el conjunto de valores seleccionados no
representa adecuadamente el comportamiento esttico del sistema, sin embargo el valor
medio, (-0.13), se puede considerar como error posible dentro de las medidas tomadas,
ya que difiere alrededor de un 10% de un valor medio igual a 0.
Para estudiar las posibles no-estacionariedades. y periodicidades de los residuos, es

necesario analizar el comportamiento de la funcin de autocorrelacin de los mismos. Su
representacin grfica se puede observar en la figura (7.11). Donde se representa la
funcin de autocorrelacin, y las bandas de confianza de un 95% . Si los residuos se
comportaran como un ruido blanco, esta funcin debera estar dentro de dicha banda.
Autocorrelacin residuo
Fig.(7.11): Representacin de la funcin de autocorrelacin del residuo
Se han elegido 120 saltos en la representacin de la funcin de autocorrelacin. Como

se puede observar, la funcin de autocorrelacin decrece de manera lineal, pero sin
embargo en los primeros 120 saltos, esta no entra dentro de la banda de confianza de un
comportamiento de ruido gaussiano, con la confianza de un 95%. Lo que significa, que
existen ciertas no-estacionariedades, quiz por la existencia de ciertas entradas sesgadas.
Parece ser que el comportamiento de los residuos, es debido a la influencia de ciertas

entradas importantes, para estar seguro de ello, se ha realizado el estudio de las
funciones de correlacin cruzada de residuos con cada una de las variables, asi como
entre ellas. Las funciones de correlacin cruzada ms importantes han sido la funcin
residuo-temperatura de habitacin de servicio, y residuo-potencia de calefaccin. Ambos
comportamientos estn representados en la figura (7.12), junto con las bandas de
confianza de un 95%.

Cr.corr R-Tmps, R-Ptc
- 1 2 0 - 9 0 - 6 0 - 3 0 0 30 60 90 120
salto
Fig.(7.12): Representacin de las funciones de correlacin cruzada entre residuo-temperatura de la

habitacin de ensayo y entre residuo-potencia de calefaccin
La entrada correspondiente a la temperatura de habitacin de servicio, es la entrada que

se encuentra mayormente correlada con la funcin del residuo, se puede observar adems
que es negativa. La siguiente entrada en importancia es la correspondiente a la potencia
de calefaccin. Sin llegar a entrar ninguna de ellas dentro de la banda del 95%, donde se
las pueda considerar como independientes con el residuo.
Adems, de poder comprobar la existencia de correlaciones entre el residuo y ciertas

entradas, es necesario comprobar si adems existen problemas estructurales en el
modelo, por no representar adecuadamente procesos no-lineales.
Inicialmente, se ha considerado que los componentes del proceso multivariante {ruido,
variables explicativas} {s(t), Xi(t), X2(t),...,Xq(t)} se encuentran relacionados de manera
lineal, estando los residuos modificados por un cierto ruido, segn el modelo general
dinmico siguiente:
-A = JM 7=1 -a.
donde:
X (t) se refiere a las variables explicativas del modelo (i=l,2,...,q)

Z(t) se refiere a ruido blanco independiente
|ij(t) valor medio del proceso i (i=e, 1,2,...q)
hei referente a la funcin de respuesta-impulso de X (t) hasta e(t).

Si se representa la funcin del autoespectro del residuo frente al autoespectro del ruido,
se podr ver si el comportamiento del primero es debido al del segundo, y por lo tanto el
ruido no tratarse de un ruido blanco como haba sido supuesto.
Autoesp. residuo-Auoesp. ruido
0.37 0.45
residuo
ruido
frecuencia
Fig.(7.13): Representacin del autoespectro del residuo y del autoespectro del ruido
Como se puede observar, el ruido que se haba considerado inicialmente como blanco,
no se comporta como tal e influye bastante en el comportamiento del residuo. Por lo que
se puede decir, que el modelo representa como lineales procesos que no lo son.
El espectro de mltiple coherencia mide la proporcin de los espectros residuales que

pueden ser explicados por ciertas variables de entrada. Esta funcin toma valores entre 0
y 1; un valor 0 significara que no existe correlacin entre entradas y residuos, y valores
unitarios, que los residuos estn completamente explicados por las entradas, mientras
que valores intermedios corresponden a situaciones donde los residuos se encuentran
parcialmente predichos por las entradas.
A su vez, la coherencia parcial para cada entrada, nos indica como sta influye en el
comportamiento del residuo. Tanto el espectro mltiple de coherencia como la
coherencia parcial, se definen en el dominio de frecuencias.
Es lgico pensar despus de haber analizado la funcin de autocorrelacin y las
correlaciones cruzadas entre el residuo y las diferentes entradas, que las entradas
referentes a la temperatura interior de la habitacin de servicio, as como la potencia de
calefaccin son variables que explican, sino todo, una buena parte del comportamiento
del residuo. En la figura (7.14) se puede observar el comportamiento del espectro de
mltiple coherencia, as como las coherencias parciales entre residuo-temperatura de la
habitacin de ensayo y residuo-potencia de calefaccin.

Espectro Tmps y Re emp
tmps
1.00 T
pto
0.80 -
0.60 -
0.40 -
0.20 -
0.00
0.00 0.09 0.17 0.25 0.33 0.42 0.50
frecuencia
Fig.(7.14): Espectro de mltiple coherencia. Coherencias parciales: Temperatura interior de la

habitacin de servicio. Potencia de calefaccin
8. CONCLUSIONES
El proceso de validacin de un modelo de simulacin siempre est sujeto al

experimento frente al que se vaya a realizar el estudio. Por lo que no se puede asegurar
estrictamente si el modelo es vlido o no, habr que sealar siempre el experimento
frente al que es vlido o no. Sirve por lo tanto como una gua en el diseo de
experimentos. Para realizar la validacin de cualquier modelo de simulacin, no es
necesario ser un experto del sistema que el modelo represente, bastara con tener ciertos
conocimientos estadsticos y estar apoyado por en el sistema.
En el proceso de Validacin de modelos de simulacin, es necesario distinguir tres

partes bien diferenciadas
1. Anlisis de Sensibilidad
2. Bsqueda de dominios apropiados de parmetros de entrada
3. Anlisis de residuos
8.1 Anlisis de sensibilidad
El anlisis de sensibilidad se ha llevado a cabo para los parmetros de entrada

referentes a las propiedades termo-energticas y pticas de los materiales de
construccin, as como los referentes a la construccin. De un total de 96 parmetros de
entrada, tan slo 19 pueden ser considerados como crticos; cuya variacin influye
considerablemente en la salida considerada en el experimento, la temperatura interior de
la habitacin de ensayo. Estos 19 parmetros se refieren primordialmente al calor

especfico y conductividad de los materiales que se encuentran ms cercanos en el
interior de la habitacin de ensayo, tambin se comportan como crticos las emisividades
externas de los distintos materiales, as como, las operaciones de infiltracin.
A la vista de los resultados obtenidos, se podan clasificar los parmetros en tres

categoras:
Parmetros lineales: aquellos parmetros en donde el incremento de rms tan solo

dependa del correspondiente incremento del propio parmetro, pero independiente
del valor del parmetro.
a Parmetros no lineales: aquellos parmetros en donde el incremento del rms
depende tanto del incremento como del valor que toma en ese momento.
Parmetros errticos: aquellos parmetros en donde el rms muestra un
comportamiento errneo, que no tienen sentido fsico. Normalmente, esto suceda, en
parmetros involucrados en el proceso de conduccin calorfica. Quiz esto sea
debido a un problema relacionado al mtodo numrico utilizado por el ESP para
resolver las ecuaciones de conduccin de calor. Parece ser, por ello, que la
resolucin numrica del modelo no es la ms apropiada para representar el anlisis de
sensibilidad sobre ciertos parmetros cuando altos modos dinmicos del sistema se
excitan, como era el caso de los parmetros aqu analizados. Probablemente para
otro tipo de experimento sin pulsos de calor rpidos y pronunciados, el
comportamiento irregular detectado en varios parmetros podra desaparecer.
3.2 Bsqueda de dominios de parmetros de entrada
El mtodo, que se ha utilizado para buscar dominios apropiados de parmetros de

entrada, est basado en la combinacin de mtodos de Monte-Cario con tcnicas Cluster.
Se puede observar como la media del residuo medio cuadrtico en cada iteracin
disminuye considerablemente, lo que significa que la bsqueda de dominios est siendo
apropiada, a pesar de variar inicialmente las condiciones del mtodo; ya que debido a las
exigencias de las suposiciones del sistema, los parmetros de entrada deban de estar
distribuidos segn una Normal y no como una uniforme,.
Sin embargo, el residuo mnimo no disminuye con la misma rapidez. Esto podra ser
salvado quiz forzando en la generacin de los parmetros de entrada, adems de
generarlos segn una distribucin Normal, no hacerlo de manera aleatoria sino siempre
en la direccin opuesta al gradiente de la funcin objetivo, que en nuestro caso es el rms.
Aunque el procedimiento se ha realizado tan slo 4 veces, es lgico suponer que en un
nmero finito de veces, se llegara a encontrar un dominio de parmetros de entrada cuyo
rms se pudiera considerar como mnimo, teniendo en cuenta los posibles errores en las
medidas. Adems en cada paso iterativo se ha seleccionado un cluster para formar el
nuevo dominio de parmetros, pero sin embargo se debera haber realizado con todos los
clusters formados, lo que significara, obtener dominios diferentes, pero vlidos todos
ellos.

8.3 Anlisis de residuos
A pesar de obtener una media de los residuos obtenidos de -0.13, y no diferir sta
demasiado del valor 0 que significara una buena representacin del comportamiento
esttico del sistema; el estudio sobre la funcin del espectro de mltiple coherencia no se
comporta adecuadamente en bajas frecuencias, debido a ser cercano al 1, lo que significa
que el comportamiento esttico del sistema no est bien representado.
En el anlisis de residuos que se ha realizado, se han tratado estos como parte de un
sistema estocstico multivariante (s(t), Xj(t), X2(t),...,Xq(t)}. Como variables de
entrada, se han considerado aquellas referentes al clima, la temperatura interior de la
habitacin de servicio, contigua a la de ensayo, as como la potencia de calefaccin
existente en la habitacin de ensayo.
La autocorrelacion del residuo hace que ste quede lejos de comportarse como un
ruido blanco, esto puede ser debido a que el modelo represente mal la perturbacin
aleatoria de las entradas. Adems, el residuo se encuentra totalmente correlacionado con
la entrada referente a la temperatura de la habitacin de servicio, y ms ligeramente con
la potencia de calefaccin. Ambas entradas son la causa principal del comportamiento
errneo del sistema. En la fig (8.1) se puede observar como la desviacin entre medidas
experimentales y las simuladas est explicada casi totalmente por el comportamiento de
la temperatura interior de la habitacin de servicio.
Fig.(8.1): Representacin de la T* simulada, T' experimental, T' de la habitacin contigua
El espectro de mltiple coherencia del residuo, se comporta mal en bajas frecuencias, y

adems est totalmente explicado por el comportamiento de la coherencia parcial
referente a la temperatura interior de la habitacin de servicio. Lo que significa que el
modelo no modeliza adecuadamente las ecuaciones referentes a la transferencia de calor
entre las 2 habitaciones, siendo las posibles causas:
movimiento de aire, debido a las posibles infiltraciones a travs de la puerta que las
comunica
una mala estimacin de las propiedades trmicas de la pared intermedia (calor
especfico, densidad, conductividad)
Tambin, se podra asegurar la existencia de problemas estructurales del modelo ante la
representacin de procesos no lineales.

9, BIBLIOGRAFA
1. Rubienstein, R.Y. "Systems, models. simulation and Monte Cario methods". John
Wiley, 1981. New York.
2. R. Tomovc, M. Vukobratovic. "General Sensitivity Theory". American Elsevier

publising Company, 1970. New York.
3. N. Parezanovic. "An efficient method for computation of Sensitivity functions".

ETAN Ryeka. 1968. ETAN, Belgrade.
4. Becker, R. W. and Lago, G.V. "A global optimization algorithm". Eighth Allerton
Conference on Circuits and System Theory, 1970, pp.3-13.
5. Matyas, J., "Random optimization, Automat. Remote Control", 26, 1965, 246-253.
6. Torn, A. Zilinskas, A. "Global Optimization". Springer-Verlag, 1989. Andeberg
7. Von NeumannJ.; "Various techniques used in connection with random digits". U.S.
Nat. Bur. Stand. Appl. Math. Ser., No 12,pp 36-38, 1951.
8. Andeberg M.R. "Cluster Analysis for Applications". John Wiley. 1973 New York.
9. Spth, H. "Cluster Analysis Algorithms". John Wiley. 1982 New York
10. Box, G.E.P., JenkinsJ.M. "Time series analysis Forecasting and control. Holden-
Day. San Francisco, 1976 California.
11. Jenkins,G.M.; Watts,D.G. "Spectral analysis and its applications". Holden-Day Inc.,
San Francisco. 1968 California.
12. Priesley, M.B. "Spectral analysis and time series." Academic Press. 1981
13. Alvarez, S. "Arquitectura Bioclimtica y Diseo Prctico. IDAE,1991. Madrid.
14. Serra, R.; "Clima, Lugar y Arquitectura". Secr. Gral Tcnica del CIEMAT, 1989.
Madrid.
15. Clarke J.; "Energy Simulation in Builfing Design", Adam Hilger Ltd. Bristol and
Boston 1985.
16. Hensen J.; "On the Thermal Interaction of Building Structure and Heating and
Ventilating System". PhD. Thesis University of Eindhoven 1991.
17. Clarke J., Hensen J.; "ESP-r. A program for Building Energy Simulation". ESRU,
1993 Glasgow.

18. Directiva 89/106/EEC, "Construction Products. Interpretative Document on essential
requeriments for energy economy and heating direction".
19. Cools, C et al., "The P AS SYS test Cells". BBR1, 1990. Bruselas
20. Palomo,E.; Tllez F.M. "Non-parametric tests on the residuals for model validation
purposes". (PASSYS Ref. xxx-9]-PASSYS-MVD-WD-zzz) 1991
21. Palomo, E. and Marco, J. "Sensitivity.analysis: Comparisson between differential and

Montecarlo Techniques". Minutes of MVD subgroup PASSYS II Meeting Delft.
1991.
22. E. Palomo, J. Marco. "On the use of different statistical tools for model validation
purposes". Workshop "VALIDATION METHODOLOGY", 9-10, 1992. EDF centre
des REN ARDIERES.
23. San Isidro,MJ. Marco,J. (1993). "Sensitivity Analysis on LAMAS Program as a part
to be fitted into the P AS SPORT4"". Minutes of the Solar Control Modelling &
Experimental Meeting, La Rochelle-F. 1994.
24. San Isidro,MJ. Marco,J.(1994). "Random search of optimal parameters into

empirical validation". Minutes of the PASCOOL Coordinating Meeting, Leuven-B.
1994
25. Tllez, F.; Construction de las Clulas de Ensayo para componentes Solares Pasivos
CESPA". Informe Interno DER-CIEMAT, 1990. Madrid

Prcoceso de Validacion de Modelo de Simulacion

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Prcoceso de Validacion de Modelo de Simulacion

Transféré par

Droits d'auteur :

Formats disponibles

Informes Tcnicos Ciemat 844

Departamento de Energas Renovables

Las solicitudes de ejemplares deben dirigirse a este mismo Servicio.

Se autoriza la reproduccin de los resmenes analticos que aparecen en esta

Depsito Legal: M-14226-1995

San Isidro Pindado, Ma Jess

"Validation process of simulation model"

San Isidro Pindado, Ma Jess

Proceso de Validacin de Modelos de Simulacin

Proceso de Validacin de Modelos de Simulacin

En Estadstica, al igual que en otras teoras de la Matemtica, adems de desarrollar

Al aplicar mtodos estadsticos para obtener nuevos conocimientos de fenmenos

El proceso de validacin de un modelo siempre est sujeto a un caso experimental

Proceso de Validacin de Modelos de Simulacin

1. La cantidad de informacin del sistema fsico que contienen los datos.

El diseo de un experimento para la validacin de un modelo no es una tarea sencilla.

Debido a las dificultades anteriormente expuestas, es de esperar que se obtengan

Proceso de Validacin de Modelos de Simulacin

Un deficiente comportamiento de las salidas simuladas frente a las experimentales

Antes de asegurar que el mal ajuste de salidas simuladas y experimentales es debido a

A pesar, de haber conseguido definir buenos dominios de los parmetros de entrada,

Proceso de Validacin de Modelos de Simulacin

Por sistema se entiende un conjunto de entidades relacionadas, que a veces, se

Los sistemas se pueden clasificar de varios modos. Sistemas naturales o artificiales,

El primer paso, en el estudio de un sistema determinado, es la construccin de un

Entre los diferentes tipos de modelos, se pueden destacar:

1. Modelos Icnicos, son aquellos que representan ciertos aspectos de la realidad

Proceso de Validacin de Modelos de Simulacin

Sin embargo, en la construccin de modelos no todo son ventajas. Debido a que no

Los modelos matemticos, se pueden clasificar de varias maneras: existen modelos

Un modelo es til, siempre y cuando sea realista y a la vez simplifique la realidad. En la

Proceso de Validacin de Modelos de Simulacin

Debido a que los modelos fsicos representan un sistema multivariable tanto de

Matemticamente, se puede definir dicho problema de la siguiente manera:

donde x es un N-vector, p(t) un M-vector, y fua funcin vectorial. El vector/? contiene

El anlisis de sensibilidad es aplicado al estudio de las influencias de parmetros sobre

Proceso de Validacin de Modelos de Simulacin

3.1 Funciones de Sensibilidad de Sistemas Continuos

Debido a que el anlisis a realizar, es un anlisis paramtrico. Dentro del apartado de

Proceso de Validacin de Modelos de Simulacin 10

donde r|(t) es una perturbacin integrable uniformemente acotada y e una constante.

Como conclusin, para determinar la funcin de sensibilidad en el caso de

3.2 Funciones de Sensibilidad de Sistemas Continuos-Discretos

AtM)= Mtk\tktyx{tk)) k = 0,l,2,...,K (3.5)

donde x(tk) es un vector de estado N-dimensional, f es una funcin N-dimensional, e

Desde el punto de vista del anlisis de sensibilidad es interesante considerar lo que

Proceso de Validacin de Modelos de Simulacin 11

Si el intervalo entre 2 instantes mustrales consecutivos es constante, el modelo (3.5)

= f{x(k,Tlk,y,(k,T),T) k = 0,l,2,..,K (3.8)

donde T es la frecuencia muestral

En este tipo de sistemas, es de gran inters realizar el anlisis de sensibilidad de las

/( )= MJ) = Um #,T + *T)-4,T)

3.3 Clculo de funciones de Sensibilidad

En el clculo de funciones de sensibilidad es necesario tener informacin sobre el

En el caso de perturbaciones invariantes con el tiempo sobre el vector de parmetros

Entonces, la matriz de sensibilidad para una variacin constante de parmetros p m que

Un modo sencillo de encontrar la matriz de sensibilidad es derivar la ecuacin (3.1) con

Proceso de Validacin de Modelos de Simulacin 12

H= n=l,2,....N m=l,2 M (3.13)

En la prctica, ante un modelo de simulacin que haya que validar, es normal

> Anlisis de Sensibilidad diferencial

Anlisis de Sensibilidad diferencial

Se trata de un anlisis de sensibilidad individual sobre cada parmetro de entrada.

Proceso de Validacin de Modelos de Simulacin 13