La optimizacin es una forma eficiente de obtener un conocimiento ms profundo de un modelo.

Al igual que las diferentes flores en un bouquet colorido, puede realizar una variedad de
diferentes proyectos de optimizacin utilizando el Mdulo de optimizacin. Sin embargo, la
estimacin de parmetros es tambin una tcnica ampliamente utilizada. Tal anlisis
generalmente se establece como un problema de mnimos cuadrados basado en datos medidos,
pero para una respuesta clara y nica, es posible que necesite mltiples mediciones. Hoy, aprende
cmo estimar parmetros usando un conjunto de datos multiparmetro.

Usar conjuntos de datos mltiples

Al realizar experimentos de laboratorio, usted confa en la precisin y precisin del equipo de

medicin, que se usa con frecuencia. Aunque hay mucha informacin disponible en las
especificaciones del equipo, por lo general se aplica a sistemas nuevos y bien calibrados. Sin
embargo, puede olvidarse de calibrar sus dispositivos, o el sistema muestra un sesgo sistemtico
debido al desgaste y a otros procesos.

Si tiene un conjunto de datos que presenta tales errores, es importante corregirlos para que
pueda analizar los datos medidos con precisin. Un ejemplo aplicado es un experimento de flujo a
travs de una columna, donde se inyecta un qumico y se registra la curva de avance en la salida.
Para un anlisis posterior, se usa la velocidad de flujo establecida de la bomba. Sin embargo,
debido a la calcificacin, los caudales son sistemticamente sesgados. Realizar una optimizacin
multiparamtrica con varias velocidades de flujo le permite obtener un factor para corregir todos
los datos.

Optimizacin multiparamtrica de un problema de transporte

Este problema de optimizacin se basa en un modelo transitorio que utiliza el software COMSOL
Multiphysics y la interfaz Transporte de especies diluidas. Un modelo completo es un requisito
previo para el paso de optimizacin. El modelo que se discute aqu se establece en 1D y tiene una
geometra con una columna de 1 m de longitud.

Para las propiedades de transporte, puede establecer la velocidad del flujo, que es simplemente el
caudal multiplicado por el ancho de apertura de la columna. Adems, puede asignar condiciones
de lmite de entrada y salida y una condicin de lmite de Dirichlet en la entrada, establecer en una
concentracin fija
Configurando el problema fsico antes de la optimizacin.

Si bien se desconoce la verdadera velocidad del problema, puede reescribirlo como el ajuste u_in
* del producto. Aqu, u_in representa la velocidad de flujo establecida y la afinacin del factor de
correccin global, que deriva directamente de u_in = Q / (A * tuning). Por lo tanto, las cuentas de
ajuste para el cambio de rea del sistema.

En la jerga de optimizacin, u_in es el parmetro experimental que identifica las ejecuciones

experimentales individuales. La concentracin obtenida es nuestro objetivo de mnimos
cuadrados, que se compara con los datos medidos, y el ajuste es la variable de control.

Configurando la Optimizacin

Comenzando con el modelo fsico completo, puede agregar dos elementos para transformarlo en
un modelo de optimizacin. Primero, la interfaz de Optimizacin en nuestro ejemplo tiene dos
nodos: Objetivo y Variable de Control. Para cualquier estudio de optimizacin, estos nodos son un
requisito previo.
Si bien hay muchos objetivos de optimizacin factibles, el objetivo de mnimos cuadrados est
bien definido y de la forma Sum_i (u_obs_i-u_sim_i) 2. Por lo tanto, minimiza la suma de las
distancias entre todos los puntos de datos dados.

Debido al estricto enfoque formal, no es necesario expresar la funcin objetivo. Sin embargo,
necesita un archivo de datos que contenga toda la informacin necesaria para un objetivo de
mnimos cuadrados. Es importante tener en cuenta que el archivo de datos debe estar
estructurado en columnas. Puede asignar las columnas individuales en los subnodos.

Tenga en cuenta que el orden de los nodos en el rbol de Model Builder (de arriba a abajo)
corresponde al orden de las columnas en el archivo de datos (de izquierda a derecha). Tambin es
importante que cada columna del archivo de datos est identificada por un subnodo apropiado
Asigne los nodos en el objetivo de mnimos cuadrados (de arriba hacia abajo) a las columnas
separadas por punto y coma (de izquierda a derecha) en el archivo de datos.

El ejemplo de optimizacin de transporte requiere cuatro columnas:

Columna de parmetros
En el ejemplo, establece el identificador u_in en la columna de parmetros. Esta es la velocidad de
flujo de la bomba utilizada para discriminar entre los diferentes experimentos, as como el mismo
parmetro asignado en Global Definitions> Parameters. Tambin puede encontrar este parmetro
utilizado para las propiedades de transporte en la interfaz Transporte de especies diluidas.

Columna de tiempo

Los tiempos indicados en el archivo de datos deben estar en unidades SI, segundos. Sin embargo,
en general, estos tiempos no necesitan coincidir los tiempos de salida almacenados con precisin.
Sin embargo, se recomienda una buena precisin.

Columna de valor

En la columna de valor, le da la expresin, que se evala a partir del resultado del modelo
numrico. Esto debe ingresarse de la manera en que representa la mtrica exacta de los datos
grabados. El nombre de la variable se refiere a los datos medidos, a los que se puede acceder
durante el posprocesamiento utilizando dicho nombre.

Columna de coordenadas

La coordenada indicada en el archivo es el destino donde se realizan las mediciones. Tambin hay
una especialidad que debe tenerse en cuenta: el nmero de columnas de coordenadas en el
archivo de datos debe ser el mismo que el de la dimensin de la geometra, incluso cuando la
caracterstica del objetivo Mnimos cuadrados seleccionado est en una dimensin inferior. En ese
caso, las expresiones del modelo se evalan en los puntos ms cercanos en la seleccin dada.

Agregar el nodo de estudio de optimizacin

Aqu, realiza dos ajustes configurando el mtodo al conocido algoritmo de Levenberg-Marquardt,

diseado para abordar problemas de mnimos cuadrados de manera eficiente. Como el objetivo es
realizar un estudio multiparamtrico, puede cambiar el mtodo de tiempo / parmetro de
mnimos cuadrados a: desde el objetivo de mnimos cuadrados. Las otras configuraciones se
pueden dejar como predeterminadas por ahora.

Los barridos de parmetros y pasos de tiempo correctos se reconocen directamente desde el

archivo de datos y no es necesario configurarlo individualmente en el Paso 1: Configuraciones
dependientes del tiempo. Eventualmente, usando tales configuraciones, el solucionador puede
resumir todas las desviaciones al cuadrado para todos los pasos de tiempo y parmetros, as como
tambin buscar y minimizar tales sumas al encontrar un factor de correccin global que sea
apropiado para todos los experimentos individuales.

Configuracin del paso de estudio Optimizacin.

Conclusin
Con todas estas configuraciones, tiene un modelo muy genrico que se puede aplicar a muchas
ejecuciones experimentales actualizando solo el archivo de datos subyacente. La configuracin
ajusta automticamente el modelo a los parmetros experimentales. Hasta ahora, esto incluye
variaciones de la cantidad de tiempos de muestreo registrados de los parmetros experimentales.

Dichos modelos podran extenderse fcilmente para considerar ms variaciones de parmetros;

por ejemplo, variaciones de la concentracin de entrada o ms ubicaciones de medicin de una
manera analgica. Se pueden usar pasos adicionales para transformar un modelo en una
aplicacin, donde puede elegir libremente la longitud de la columna, de ah la geometra. De esta
forma, terminas con una poderosa herramienta para evaluar tus experimentos y asegurar su
calidad.

Resultados para un ajuste multiparamtrico basado en tres mediciones individuales (smbolos) con
la salida simulada y optimizada (lneas).