Documente Academic
Documente Profesional
Documente Cultură
Comit tutorial
Presidente: Dr. Hugo Jimnez Islas
Secretario: Dra. Claudia Ivonne Muoz Snchez
Vocal: Dr. Jos Amir Gonzlez Caldern
Asesor Externo: Dr. Mario Caldern Ramrez
23 de noviembre de 2017
........................................................................................................................................
Introduccin ................................................................................................................... 1
I. Antecedentes .............................................................................................................. 2
Levenberg-Marquardt................................................................................................... 15
Justificacin. ................................................................................................................ 16
Hiptesis ...................................................................................................................... 18
Metas ........................................................................................................................... 18
Materiales .................................................................................................................... 19
Mtodos ....................................................................................................................... 19
Estimacin de parmetros......................................................................................... 20
I
Optimizacin de una funcin algebraica cbica ........................................................ 27
II
ndice de Figuras
Figura I-1. Curva de aproximacin y residuos(D). .............................................................. 3
Figura I-2. Topologa de una funcin con mximos y mnimos locales. .............................. 4
Figura I-3. Proceso de la modelacin matemtica adaptado de Brito-Vallina et al. 2011. .... 7
Figura I-4. Clasificacin de los tipos de ecuaciones usadas en la modelacin matemtica de
procesos biolgicos y qumicos. ................................................................................. 7
Figura I-5. Metodologa basca para la solucin de ecuaciones diferenciales parciales(EDPs)
................................................................................................................................. 10
Figura I-6. Estructura de las estrategias hibridas para estimacin de parmetros. .............. 10
Figura II-1. Diagrama de flujo para la implementacin de algoritmo Luus-Jaakola. .......... 21
Figura II-2. Diagrama de flujo para la estimacin de parmetros con Levenberg-Marquardt.
................................................................................................................................. 22
Figura III-1. Grfico de la funcin de Michalewicz para una variable. .............................. 25
Figura III-2 Grafico de la funcin del ejemplo 1. .............................................................. 27
Figura III-3 Grafico de la funcin del ejemplo 2. .............................................................. 28
Figura III-4 Grafico del ejemplo tomado de Khalegi et.al., (2010) con un dominio 5
1 5 y 5 2 5. ........................................................................................... 29
Figura III-5. Estimacin de parmetros para el caso de estudio 1. ..................................... 37
Figura III-6. Estimacin de parmetros con distinto nmero de malla. .............................. 39
Figura III-7. Comparacin de datos generados por la solucin analtica del modelo y los datos
generados por la solucin numrica del modelo por diferencias finitas. a) 7 nodos, b) 15
nodos y c) 29 nodos. ................................................................................................. 42
Figura III-8. Diagrama esquemtico del experimento de difusin de nisina en un gel de
agarosa. .................................................................................................................... 43
Figura III-9. Diagrama esquemtico de la direccin unidimensional en la que se difunde la
nisina al gel de agarosa para el caso de un cilindro semi-infinito propuesto por Sebti et
al.(2003). .................................................................................................................. 44
Figura III-10. Modelo con solucin analtica por la transformada de Laplace del modelo
propuesto por Sebti et al.(2003) ................................................................................ 45
III
Figura III-11. Ajuste de los datos experimentales y el modelo propuesto con resistencia
interfacial para el experimento E del artculo de Sebti et al.(2003) (modelo con solucin
analtica) .................................................................................................................. 46
Figura III-12. Ajuste de los datos experimentales y el modelo propuesto con resistencia
interfacial para el experimento E del artculo de Sebti et al. (modelo con solucin
numrica) ................................................................................................................. 46
Figura III-13. Diagrama esquemtico de la columna cilndrica de sedimentacin. ............ 47
Figura III-14. Dimensiones de la columna de sedimentacin. ........................................... 49
Figura III-15. Comportamiento de la suma del error cuadrado con respecto al valor de
coeficiente de difusividad. ........................................................................................ 52
Figura III-16. Estimacin de parmetros con una malla de 37 nodos para distintos puntos de
muestreo................................................................................................................... 53
Figura III-17. Estimacin de parmetros con una malla de 19 nodos para distintos puntos de
muestreo................................................................................................................... 54
IV
ndice de Tablas
Tabla I-1. Ejemplos de modelos y parmetros a resolver por el mtodo de mnimos
cuadrados. .................................................................................................................. 4
Tabla II-1. Clasificacin de los casos de estudio a implementar. ....................................... 23
Tabla II-2. Metodologa propuesta con base en el origen del caso de estudio. ................... 23
Tabla III-1. Resultados obtenidos al buscar mnimos de la funcin Michalewicz por el
algoritmo de bsqueda directa Luus-Jaakola, utilizando distintas aproximaciones
iniciales en 1. ......................................................................................................... 25
Tabla III-2. Resultados obtenidos al buscar mximos de la funcin Michalewicz por el
algoritmo de bsqueda directa Luus-Jaakola, utilizando distintas aproximaciones
iniciales en 1. ......................................................................................................... 26
Tabla III-3. Valores encontrados por el programa de Wolfram alfa en lnea para la funcin
Michalewicz. ............................................................................................................ 26
Tabla III-4. Mnimos encontrados con diferente rango y aproximacin inicial. ................. 27
Tabla III-5. Mnimos encontrados con diferente rango y aproximacin inicial para el ejemplo
2. .............................................................................................................................. 28
Tabla III-6. Valores mnimos de la funcin reportados por Khaleghi et al. (2010). ........... 29
Tabla III-7. Mnimos encontrados por el algoritmo Luus-Jaakola implementado en fortran.
................................................................................................................................. 30
Tabla III-8. Resultados obtenidos con el algoritmo LJ con diferentes cantidades de nmeros
aleatorios. ................................................................................................................. 31
Tabla III-9. Resultados obtenidos del algoritmo LJ con distintas cantidades de nmeros
aleatorios. ................................................................................................................. 32
Tabla III-10. Resultados obtenidos por el algoritmo LJ con distintas cantidades de nmeros
aleatorios. ................................................................................................................. 34
Tabla III-11. Mximo encontrados por el algoritmo LJ con distintos valores de nmeros
aleatorios .................................................................................................................. 35
Tabla III-12. Estimacin de parmetros con SOLVER de Excel utilizando diferente nmero
de malla.................................................................................................................... 37
Tabla III-13. Estimacin de parmetros con SOLVER de Excel utilizando diferente nmero
de malla.................................................................................................................... 39
V
Tabla III-14. Datos experimentales reportados por Sebti et al. tomados del experimento E
con el programa Engauge Digitizer. .......................................................................... 44
Tabla III-15. Datos experimentales para la columna de sedimentacin. ............................ 49
Tabla III-16. Variables propuestas para adimensionar el modelo que representa el fenmeno
de la columna de sedimentacin. .............................................................................. 50
Tabla III-17. Estimacin del parmetro para mallas de 19 y 37 nodos respectivamente.
................................................................................................................................. 52
VI
Introduccin
La modelacin matemtica de procesos biolgicos es un aspecto fundamental de las
herramientas de simulacin y optimizacin usadas para propsitos de diseo y control de
procesos en ingeniera Bioqumica. La precisin con la que un proceso real puede
representarse est determinada por las caractersticas y el nivel de sofisticacin del modelo.
Un problema clave en el diseo termodinmico de procesos, es la estimacin de parmetros,
en donde las ecuaciones gobernantes y/o las condiciones de entorno contienen algunos
parmetros indeterminados (por ejemplo: Coeficiente de transferencia de masa, difusividad
efectiva, constantes de velocidad especfica, etc.), a la vez que se dispone de informacin
experimental del sistema en estudio. Entonces, es necesario aplicar alguna tcnica de
minimizacin de funciones para calcular los valores de los parmetros indeterminados, de tal
manera que la suma cuadrtica de los errores entre el valor experimental y el valor que
predice el modelo sea mnima, lo que es un proceso de convergencia difcil y muchas de las
veces contiene mnimos relativos. En el ao de 1806 Carl Friederich Gauss pblico el mtodo
de mnimos cuadrados en el documento Theory of the motion of the heavenly bodies moving
about the sun in conic sections, este mtodo precisa la determinacin de la mejor curva de
aproximacin a un conjunto de datos experimentales a travs de la estimacin de parmetros,
esta aproximacin permite minimizar el error entre el modelo matemtico propuesto y el
comportamiento de los datos experimentales, con el algoritmo bsico de =
2
=1 =1[ ] . Este mtodo tiene desventajas, una de ellas es la proposicin del
modelo y otra la dificultad para obtener una aproximacin cuando se tienen modelos con
parmetros no lineales.
1
I. Antecedentes
Principios e importancia de optimizar sistemas biolgicos y qumicos.
De acuerdo a la Real Academia Espaola optimizar es un calco admitido del ingls to
optimize, que se emplea en espaol a partir del ltimo cuarto del siglo xx, normalmente en
textos tcnicos especializados, con el sentido de obtener el mximo rendimiento o provecho
[de algo]: tenemos que optimizar cada centavo (Real Academia Espaola, 2005). As
mismo, desde el punto de vista de la ingeniera econmica, una de las funciones comunes de
la ingeniera es el manejo o manipulacin de los elementos de un medio fsico(proceso) para
crear utilidad en un segundo medio: el econmico. La ingeniera es principalmente una
actividad productora que tiene la razn de ser en la satisfaccin de deseos humanos y uno de
sus objetivos es alcanzar el mayor resultado final por unidad de recursos gastados. Este es
esencialmente un proceso fsico cuyo objetivo es la optimizacin de un proceso
determinado(Thuesen et al.,1986).
2
simple de ella que sirva para determinar los valores aproximados de una funcin dada y el
otro problema de la teora se refiere a la adaptacin de las funciones a ciertos datos y a la
bsqueda de la funcin ptima (Burden & Faires, 1998).
( )
=
( I-1)
( ( ) ( ))
Como se aprecia en la (Figura I-1) donde la curva de aproximacin dada por la ecuacin (
I-1), es ajustada con datos experimentales, para estimar los parmetros y y
minimizar la suma de residuos.
3.0
2.5
D
2.0
Biomasa (g/L)
1.5
Modelo
D
1.0 Datos experimentales
0.5
0.0
0.0 2.0 4.0 6.0 8.0 10.0
Tiempo(horas)
En la Figura I-2 se aprecia la grfica de una funcin que contiene mximos y mnimos locales,
el problema principal de la optimizacin es encontrar mnimos o mximos globales que
permitan encontrar la suma de residuos menor.
3
Figura I-2. Topologa de una funcin con mximos y mnimos locales.
Tabla I-1. Ejemplos de modelos y parmetros a resolver por el mtodo de mnimos cuadrados.
4
El algoritmo bsico de los mnimos cuadrados es
= [ ] ( I-2)
= =
Donde S es el sumatoria de los residuos al cuadrado, son los valores de los datos
experimentales (datos medidos), son los valores de los datos calculados con la mejor
curva de aproximacin del modelo propuesto.
()
Para minimizar el error se resuelve = 0, para cada uno de los parmetros del modelo.
()
= { [ ] } = ( I-3)
= =
Este mtodo tiene desventajas, una de ellas es la proposicin del modelo y la dificultad para
obtener una aproximacin cuando se tienen modelos con parmetros no lineales. Adems,
cuando se tienen sistemas de ecuaciones donde se tienen parmetros no lineales, es necesario
resolver a travs de mtodos numricos para obtener un valor aproximado de los parmetros.
5
Muchos de los algoritmos para la estimacin de parmetros no lineales por mnimos
cuadrados estn centrados sobre dos aproximaciones. Una de ellas es con las series de Taylor
se busca proponer correcciones para calcular parmetros en cada iteracin asumiendo la
linealidad de los mismos, la otra aproximacin involucra varias modificaciones del mtodo
de mximo descenso, mejor conocido como el mtodo del gradiente. En el ao de 1963
Donald W. Marquardt pblico el mtodo de Levenberg-Marquardt, comnmente abreviado
como (LM), en el documento An Algorithm for Least-Squares Estimation of Nonlinear
Parameters el algoritmo combina los mtodos de gradiente descendente y Gauss-Newton.
El algoritmo de LM proporciona una solucin para problemas de optimizacin no lineales
utilizando una minimizacin por mnimos cuadrados no lineal (Marquardt, 1963).
6
Predicciones acerca del
Validar Proceso biolgico
proceso biolgico o
o qumico
qumico
Formular
Interpretar
Resolver
Conclusiones Modelacin
matemticas matemtica
Ecuaciones algebraicas
Parablicas
Ecuaciones diferenciales
ordinarias(EDOs)
Elpticas
Ecuaciones diferenciales
parciales(EDPs)
Hiperblicas
Figura I-4. Clasificacin de los tipos de ecuaciones usadas en la modelacin matemtica de procesos
biolgicos y qumicos.
7
La modelacin matemtica de procesos biolgicos y qumicos principalmente estn
representadas por ecuaciones algebraicas, EDOs y EDPs(Figura I-4). Este documento se
enfoca en la estimacin de parmetros donde los modelos de procesos biolgicos y qumicos
se rigen por ecuaciones gobernantes en forma de ecuaciones diferenciales del tipo parablico
no lineales. Ochoa-Tapia resume las caractersticas de una ecuacin diferencial parcial. Una
EDP es una ecuacin diferencial con ms de una variable independiente, por ejemplo si
(, ) la ecuacin diferencial parcial es:
2 ( I-4)
=
2
Este modelo representa la ley de Fick de difusin binaria, que describe el movimiento de una
especie qumica A a travs de una mezcla binaria A y B debido a un gradiente de
concentracin de A. Donde la difusividad est definida por (Bird, et al., 2006).
= [ ] ( I-5)
Si no existen productos o potencias de las derivadas de la variable dependiente la ecuacin
es quasi-lineal. Esta es una clase especial de ecuaciones no lineales, por lo que + =
2
0, no es lineal pero quasi-lineal y + ( ) = 0, es no lineal. La forma ms general de
2 2 2
una ecuacin quasi-lineal de segundo orden es 2 + + 2 = . En donde A,
B,C,F son funciones de , , , , . Las ecuaciones de segundo orden se clasifican en tres
Los principales fenmenos que son representados por ecuaciones diferenciales parciales en
la ingeniera bioqumica es la conduccin de calor(1D, 2D y 3D) con y sin transporte
8
convectivo y los procesos de difusin(1D, 2D y 3D) (Bird, et al., 2006), algunos ejemplos de
la modelacin matemtica de EDPs son:
= ( I-6)
La ecuacin de conduccin de calor unidimensional con transporte convectivo;
+ () = ( I-7)
Mtodos para la estimacin de parmetros en ecuaciones diferenciales parciales
Para la solucin de ecuaciones diferenciales parciales(Figura I-5) existen mtodos analticos
y mtodos numricos, considerando la dificultad para encontrar una solucin analtica en
algunos casos una aproximacin por numrica puede ser ideal. Los mtodos analticos
utilizados para la solucin de este tipo de ecuaciones diferenciales parciales son separacin
de variables y la transformada de Laplace (Ochoa Tapia, 2011), algunos de los mtodos
utilizados para la solucin de EDP de forma numrica son las diferencias finitas (Carrillo
Ledesma & Mendoza Bernal, 2016) y la colocacin ortogonal. Estos mtodos convierten una
EDPs en un sistema de EDOs con valores iniciales que pueden ser resueltos con el mtodo
de Newton, relajacin no lineal o mtodos de integracin como el mtodo de Euler y el
Runge-Kutta en sus diversas variantes (Jimenez-Islas & Lpez-Isunza, 1996).
9
EDPs
Discretizacin de la
coordenada espacial
Sistema EDOs
Solucin aproximada
de la EDPs
10
Para disear una estructura hbrida ideal para la estimacin de parmetros en ecuaciones
diferenciales parciales parablicas no lineales, se deben considerar las fortalezas de los
mtodos estocsticos y determinsticos. Este trabajo contina con el trabajo de tesis
presentado en 2005 por Ramrez-Rodrguez en el cual se presenta por primera vez la
implementacin del mtodo hibrido Luus-Jaakola/Levenberg-Marquardt el cual ya ha
estudiado en diversos casos de estudio presentados en el trabajo de tesis Estimacin de
parmetros en ecuaciones diferenciales parciales parablicas y anlisis de convergencia.
Ramrez-Rodrguez et al. (2005) plantean una estrategia hibrida de estimacin de parmetros
para sistemas dinmicos modelados con ecuaciones diferenciales ordinarias. La estrategia
hibrida tiene como objetivo encontrar un vector de parmetros = [1 , 2 , , ] a
2
optimizar del modelo diferencial para minimizar la funcin = [ ()] basada en
el algoritmo de bsqueda directa Luus-Jaakola(LJ) y el mtodo de Levenberg-
Marquardt(LM). Para realizar la estimacin del vector que minimice la funcin, emplean
como primer paso la bsqueda aleatoria inicial con el algoritmo LJ, posteriormente el
resultado obtenido de la bsqueda aleatoria se utiliza como aproximacin inicial para el
mtodo de Levenberg-Marquardt, utilizando el mtodo de Runge-Kutta-Fehlberg con control
adaptable de paso para la solucin de EDOs.
Otras estrategias hibridas en las que aparecen algoritmos estocsticos son el propuesto por
Mendes Platt et al. (2014), donde se utiliza una estructura hibrida que contiene un mtodo
estocstico y otro determinstico para el clculo de azeotropos reactivos en columnas de
destilacin, la modelacin de estos de sistemas es dada por un sistema algebraico no lineal
11
con equilibrio de fase qumico y ecuaciones azeotrpicas; donde se presentan casos con ms
de una solucin, lo que es interpretado como un azeotropo doble. Este tipo de sistema no
lineal( pero sin reacciones qumicas) puede ser resuelto usando mtodos de homotopa,
algunas tcnicas robustas para sistemas no lineales o por algoritmos genticos. Para producir
resultados precisos los autores proponen una estructura hibrida donde utiliza como mtodo
estocstico el algoritmo Firefly y el algoritmo de Luus-Jaakola, para obtener una
aproximacin del azeotropo reactivo y despus resolver el sistema no lineal con el mtodo
de Newton. (Mendes Platt, et al., 2014)
De igual manera Rdiger, et al.(2007) describe la aplicacin del mtodo hibrido introducido
por Alfonsi, et al. (2004). Los autores determinan un sistema de EDPs y la adaptacin del
modelo DeYoung-Keizer para representar las dinmicas de los canales de calcio en las
clulas; considerando, que la concentracin de calcio es determinada por difusin, el
transporte de calcio sucede a travs de la membrana de la membrada del retculo
endoplasmtico y el comportamiento IP3R. La solucin de las EDPs se plantea discretizando
la coordenada espacial por el mtodo de elemento finito usando una malla que contiene
30,000 puntos. Los sistemas de EDOs resultado de la discretizacin son resueltas por un
mtodo de Runge-Kutta de segundo orden. La adaptacin del modelo DeYoung-Keizer s
resuelve por el mtodo de Gillespie que representa la parte estocstica del mtodo hbrido.
Los autores consideran un algoritmo que resuelve de forma determinstica las EDPs y el
modelo DeYoung-Keizer de forma estocstica para poder representas las dinmicas de los
canales de calcio en las clulas.
Algoritmo Luus-Jaakola
El algoritmo de bsqueda directa Luus-Jaakola (Luus & Jaakola, 1973) es un procedimiento
simple usado en la optimizacin de problemas de programacin no lineales. El algoritmo
busca maximizar o minimizar la funcin = (1 , 2 , , ), segn sea el caso, sujeta a las
restricciones:
( , , , ) ; = , , , ( I-8)
( , , , ) ; = , , , ( I-9)
12
( , , , ) = ; = , , , ( I-10)
Rein Luus continua con el anlisis del algoritmo LJ presentado originalmente en 1973,en la
bsqueda de optimizar la implementacin y la convergencia del mtodo. Por lo que sus
trabajos presentan la implementacin del algoritmo en problemas de ingeniera qumica
regidos por sistemas de ecuaciones diferenciales ordinarias no lineales. Algunos de estos
trabajos (Luus,1998;Luus,2001) has sido discutidos por diversos autores, creando
controversia sobre la precisin del mtodo LJ al ser comparado con mtodos
determinsticos(Floudas et al., 2001;Englezos et al.,1998).
El uso de tcnicas de optimizacin por bsqueda directa son usadas extensamente para
resolver problemas de optimizacin de inters de ingeniera bioqumica, algunas usadas
frecuentemente son las redes neuronales, los algoritmos genricos y la optimizacin por
13
Luus-Jaakola(LJ). El algoritmo de bsqueda directa Luus-Jaakola est planteado para
resolver problemas no lineales. Rein Luus (2001) reporta que el algoritmo LJ alcanza
fcilmente el ptimo global en un sistema de dos ecuaciones diferenciales; con la reserva que
en problemas altamente no lineales es difcil establecer con absoluta certeza el ptimo global,
as mismo destaca que el algoritmo evita la mayora de los nmeros mnimos locales
presentes. La programacin del algoritmo de LJ utiliza un mnimo esfuerzo computacional,
requiriendo solo 125 lneas de cdigo en FORTRAN (Luus, 2001). Continuando con su
trabajo junto a otros investigadores, Liao & Luus (2007) comparan el algoritmo LJ con un
algoritmo gentico(GA) para analizar la velocidad de convergencia y la confiabilidad del
mtodo en encontrar un ptimo global. Probaron ambos mtodos en problemas descritos por
sistemas de EDOs, como son los reactores de tanque agitado continuo fotoqumicos(CSTR),
el proceso de fermentacin de etanol y el proceso de cracking cataltico de gasleo. Ellos
reafirman la factibilidad del algoritmo de LJ por su sencilla implementacin, para LJ se
necesitan 4 parmetros(nmero de datos aleatorios , nmero de iteraciones en cada paso
M, parmetro de tolerancia , y el parmetro de colapso de regin ) para determinar el mejor
rendimiento comparado con el GA que necesita al menos 7 parmetros. Adicionalmente,
consideran que la optimizacin por LJ es ms confiable para obtener el ptimo global en los
problemas probados (Liao & Luus, 2007).
14
para hacer frente a la exigente complejidad de los problemas de optimizacin del mundo real
(LI, et al., 2016).
Levenberg-Marquardt
Muchos algoritmos de estimacin por mnimos cuadrados de parmetros no lineales estn
centrados sobre dos aproximaciones, una de ellas es por expansin por series de Taylor y
corregir los parmetros en cada iteracin asumiendo la linealidad del modelo, por otro lado ,
modificaciones del mtodo de mximo descenso son usadas, ambos mtodos frecuentemente
tienen divergencia conforme avancen las iteraciones.
+ = ( + [ ]) ( ) ( I-11)
Este mtodo ha sido utilizado desde su publicacin en infinidad de trabajos para la estimacin
de parmetros, cabe destacar su uso para la solucin de redes neuronales, modelos de
transferencia de calor y masa y la solucin de sistemas de ecuaciones en distintas ramas de
la ingeniera.
15
Justificacin.
El desarrollo de modelos matemticos en biotecnologa provee una base racional para el
diseo termodinmico de biorreactores (Bailey, 1998; Escamilla et al., 2001; Coronado et
al., 2001; Jimnez-Islas & Navarrete-Bolaos, 2002), ya que permite cuantificar y deslindar
los procesos de transporte que ocurren dentro del reactor, permitiendo identificar la o las
fenomenologas limitantes (difusin, transferencia interfacial de masa, reaccin, entre otros.),
con el fin de efectuar el diseo termodinmico correspondiente, calcular factores de
efectividad, simular verdaderos sistemas durante la fase de diseo antes de construir un
primer prototipo. Adems, los modelos sirven para verificar decisiones, evitar prdidas
econmicas, analizar, entender y explicar el comportamiento de sistemas, u optimizar el
diseo y la produccin.
A este respecto, en sistemas complejos como los biolgicos, tambin es necesario estimar los
parmetros de transporte y cinticos involucrados en el proceso en anlisis, que no pueden
medirse directamente (Difusividad efectiva, coeficiente de transferencia de masa, constantes
del modelo cintico usado, entre otros), los cuales se calculan con ajuste mediante mnimos
cuadrados con los datos experimentales. Existen muchos mtodos para minimizar la funcin
de mnimos cuadrados entre los cuales se tienen los mtodos de Newton-Raphson,
Levenberg-Marquardt, Simplex, Gauss-Newton, entro otros (Yildirim, 2003), de los cuales
el mtodo de Levenberg-Marquardt (Marquardt, 1963) es el ms eficiente para la mayora de
las situaciones (Ngia & Sjoberg, 2000). Al mtodo original de Marquardt se le han hecho
una serie de modificaciones (Zhang & Chen, 1997; Ngia & Sjoberg, 2003; Fan, 2003) de las
cuales se analizarn para probar su factibilidad de usarse en optimizacin no lineal con
ecuaciones diferenciales parciales parablicas. El mtodo de Levenberg-Marquardt es un
mtodo muy robusto para la optimizacin de la funcin de mnimos cuadrados. Este mtodo
puede ser utilizado en la estimacin de parmetros de sistemas gobernados con ecuaciones
diferenciales parciales de tipo parablico. Al ser muy compleja la resolucin analtica de
dichas ecuaciones, una forma de resolver numricamente dichas ecuaciones es
discretizndolas mediante diferencias finitas o colocacin ortogonal, lo cual reduce la
ecuacin diferencial parcial a un sistema de ecuaciones diferenciales ordinarias.
(Papamichail, 2002). La optimizacin de sistemas descritos por modelos matemticos que
involucran ecuaciones diferenciales, con frecuencia se complica por la presencia de curvas
16
sin convexidades, es decir, sin una curvatura apreciable, adems de que pueda presentar
mltiples mnimos o mximos locales.
17
Hiptesis
El diseo de una estrategia hibrida conformada por el mtodo estocstico Luus-Jaakola con
mejoras en sus condiciones de operacin y el mtodo determinstico Levenberg-Marquardt
permite la estimacin de parmetros cinticos y de transporte en sistemas biolgicos y
qumicos regidos por ecuaciones diferenciales parciales parablicas no lineales.
Objetivo general
Analizar la convergencia y optimizacin de una estrategia hibrida para la estimacin de
parmetros cinticos y de transporte en sistemas biolgicos y qumicos gobernados por
ecuaciones diferenciales parciales parablicas no lineales para minimizar la funcin de
mnimos cuadrados.
Objetivos particulares
Ajustar las condiciones de operacin del algoritmo Luus-Jaakola para obtener una mejor
aproximacin del vector inicial a utilizar por el mtodo de Levenberg-Marquardt.
Validar la eficacia del mtodo hibrido con las estimaciones de mnimos cuadrados en
ecuaciones diferenciales parciales parablicas no lineales.
Metas
Publicacin de un artculo referente al tema de tesis.
18
II. Materiales y mtodos
Materiales
I. Workstation Intel Xeon E2620 v3. Memoria instalada (RAM): 64 GB. Windows 10
pro. Compilador FORTRAN Intel v17. 2.64GHz.
II. Laptop Acer. Modelo: Aspire E5-522. Procesador: AMD A8-7410 APU con AMD
Radeon R5 Graphics, 2.20 GHz. Memoria instalada (RAM): 4GB. Tipo de sistema:
Sistema Operativo de 64 bits, procesador x64. Windows 10 Home Single Language.
III. Fortran 77, versin para 64 bits diseado para sistemas windows x64.
IV. Microsoft Visual Basic for Applications 7.1. (2012).
V. Software Engauge Digitizer.
Mtodos
I. Diferencias finitas (Carrillo Ledesma & Mendoza Bernal, 2016)
II. Mtodo de integracin: Runge Kutta Fehlberg (Burden & Faires, 1998)
III. Algoritmo de Luus-Jaakola (Luus & Jaakola, 1973)
IV. Levenberg-Marquardt (Marquardt, 1963)
V. Mtodo LU (Burden & Faires, 1998)
VI. Mnimos cuadrados (Burden & Faires, 1998)
19
Estimacin de parmetros
La estimacin de parmetros se aplica cuando se dispone de un modelo matemtico que tiene
parmetros desconocidos y un conjunto de datos experimentales del sistema que el modelo
representa. Se aplican tcnicas de minimizacin de funciones para calcular los valores de los
parmetros indeterminados, de tal manera que la suma cuadrtica de los errores entre el valor
experimental y el valor que predice el modelo sea mnima ( = 2
=1 =1[ ] ).
En donde son los valores experimentales, son los datos predichos por el modelo,
n es el nmero de datos experimentales y m el nmero de ecuaciones.
Verificar la concordancia entre los datos experimentales y tericos que han sido validados
mediante anlisis estadstico. Realizar la estimacin de parmetros con el algoritmo de Luus-
Jaakola (Luus & Jaakola, 1973) para tener una aproximacin del vector inicial a utilizar por
el mtodo de Levenberg-Marquardt. Diferencias finitas para la discretizacin de coordenadas
espaciales, la precisin del mtodo ser evaluado con un anlisis de malleo (Jimnez-Islas y
Lpez-Isunza, 1996). Mtodo de Runge-Kutta Fehlberg con control de paso de integracin
(Burden & Faires, 1998) con un error de truncamiento del orden 104 a 105 para la solucin
de ecuaciones diferenciales ordinarias generadas de la discretizacin de coordenadas
espaciales(Jimnez-Islas y Lpez-Isunza, 1996). Para la estimacin de mnimos cuadrados
se emplea el mtodo de Levenberg-Marquardt (Marquardt, 1963) con factorizacin LU
(Burden & Faires, 1998), con un control adaptable del parmetro de descenso().
Para la implementacin del mtodo hibrido se consideran dos diagramas de Figura II-2 y la
Figura II-1, uno correspondiente a la aproximacin inicial con el algoritmo Luus-Jaakola y
el otro a la parte determinstica representada por la estimacin de parmetros por Levenberg-
Marquardt.
20
Modelacin matemtica
Ecuaciones gobernantes
EDPs
Anlisis
estadstico para
Discretizacin de la coordenada la confiabilidad
espacial con diferencias finitas de los datos
para obtener sistemas de ODEs
= [ ]2
=1 =1
Modificar los
valores de las
Optimizacin no lineal con el condiciones de
algoritmo de Luus-Jaakola operacin del
algoritmo de
Luus-Jaakola
No
Si
Aproximacin inicial
21
Aproximacin inicial
Sistema de ODEs
= [ ]2
Nuevos valores
=1 =1
para los
parmetros de
LM
Optimizacin no lineal utilizando el
Mtodo de Levenberg-Marquardt (LM)
No
Si
Casos de estudio
Para el diseo y eleccin de los casos de estudio se considera una estructura de anlisis
distinta para cada uno de ellos. Se definen dos tipos de caso de estudios, los primeros son
casos prototipo que parten de una solucin analtica conocida para la construccin de una
ecuacin diferencial parcial y los segundos, aquellos casos de estudio que tienen como origen
datos experimentales para la modelacin matemtica de un caso real o artculos publicados.
De ser posible, en los casos de estudio de artculos publicados se propone aadir un mayor
22
grado de sofisticacin al modelo propuesto por los autores. Sern abordados al menos 6 casos
de estudio que sern clasificados de acuerdo a su origen(Tabla II-1)
Tabla II-2. Metodologa propuesta con base en el origen del caso de estudio.
23
III. Resultados
Funcionamiento del algoritmo de Luus-Jaakola
El algoritmo de Luus-Jaakola implementado en FORTRAN 77 para la solucin de ecuaciones
algebraicas se ha probado son distintas funciones y problemas. Para probar el algoritmo en
los ejemplos algebraicos propuestos se ha aplicado el criterio de la primera derivada para
encontrar el valor mnimo y as comparar con el encontrado por el algoritmo de Luus-Jaakola.
Los problemas replicados de la publicacin original del algoritmo de Luus-Jaakola son
comparados con los resultados obtenidos por los autores en 1973. Al aplicar el algoritmo de
Luus-Jaakola se ha probado con distintas aproximaciones iniciales, diferentes valores del
rango de bsqueda inicial o distinta cantidad de generacin de nmeros aleatorios; con la
finalidad de comprender el funcionamiento del algoritmo.
( ) = ( ) [ ( )] ( III-1)
=
( ) ( )
= [ ( )] ( III-2)
24
Figura III-1. Grfico de la funcin de Michalewicz para una variable.
Para este experimento se observ que el algoritmo de Luus-Jaakola encuentra los mximos
y mnimos, e identifica en algunos casos las regiones planas dependiendo de la aproximacin
inicial. Cabe destacar que el algoritmo permite encontrar todos los mnimos y mximos
existentes en el dominio de 5.0 1 5, los resultados obtenidos se muestran en las tablas
III-1 y III-2; para mnimos y mximos respectivamente.
Tabla III-1. Resultados obtenidos al buscar mnimos de la funcin Michalewicz por el algoritmo de
bsqueda directa Luus-Jaakola, utilizando distintas aproximaciones iniciales en .
Valor
Posicin del mnimo
Experimento inicial de Rango inicial Mnimo encontrado
1
10
1 -5.0 0.5 -4.965995 -0.967849731
2 -4.0 0.5 -3.857211 -0.652489603
3 -3.0 0.5 -3.857217 -0.65248960
4 -2.0 0.5 2.202937 -0.801302493
5 -1.0 0.5 2.202933 -0.8013015
6 0.0 0.5 2.202933 -0.8013015
7 1.0 0.5 2.202945 -0.8013017
8 2.0 0.5 2.202944 -0.8013019
9 3.0 0.5 2.202931 -0.8013020
10 4.0 0.5 4.444169 0.0
11 5.0 0.5 5.44028 0.0
25
Tabla III-2. Resultados obtenidos al buscar mximos de la funcin Michalewicz por el algoritmo de
bsqueda directa Luus-Jaakola, utilizando distintas aproximaciones iniciales en .
Valor
Posicin del mximo
Experimento inicial de Rango inicial Mximo encontrado
1
10
1 -5.0 0.5 -5.44279099 0.0
2 -4.0 0.5 -4.44279090 0.0
3 -3.0 0.5 -2.20292521 0.801302433
4 -2.0 0.5 -2.20292687 0.801302493
5 -1.0 0.5 -2.20291862 0.801302493
6 0.0 0.5 -2.20291877 0.801302433
7 1.0 0.5 0.109044015 0.0
8 2.0 0.5 0.0 0.0
9 3.0 0.5 3.85718513 0.652489543
10 4.0 0.5 3.85718513 0.652489543
11 5.0 0.5 4.96603346 0.967849731
401 2 2
Si la derivada (1 ) = tan(1 ) cos ( 1 ) sin ( 1 ) de la funcin es igual a 0, se
Tabla III-3. Valores encontrados por el programa de Wolfram alfa en lnea para la funcin
Michalewicz.
() = ( III-3)
26
Figura III-2 Grafico de la funcin del ejemplo 1.
Error
Valor inicial de Valor del rango Valor de x Mnimo
promedio
x inicial(r) encontrado encontrado
(%)
1 0.5 2.574739 -6.24441814 0.00089310
2 0.3 2.557429 -6.24670219 0.00052765
-1 0.7 2.589760 -6.24194336 0.00128906
-2 1 2.630030 -6.23309231 0.00270523
0 0.3 2.533120 -6.24890327 0.00017548
Optimizacin de una funcin algebraica cbica
Para la funcin cbica propuesta:
() = ( III-4)
27
250.00 ()
200.00
150.00
100.00
50.00
x
0.00
-6.00 -4.00 -2.00 0.00 2.00 4.00 6.00
-50.00
-100.00
-150.00
-200.00
-250.00
Lo valores encontrados por el algoritmo LJ con distinta aproximacin inicial y rango inicial
se muestran en la Tabla III-5.
Tabla III-5. Mnimos encontrados con diferente rango y aproximacin inicial para el ejemplo 2.
Error
Valor inicial Valor del rango Valor de x Mnimo
promedio
de x inicial(r) encontrado encontrado
(%)
1 0.5 2.958333 -192.271133 0.00092942
1 1.0 3.090476 -190.978546 0.00764590
-1 0.5 2.944655 -192.333176 0.00060704
-1 1.0 3.038680 -191.636475 0.00422720
Optimizacin de una funcin algebraica con mnimos mltiples
Para este ejemplo se seleccion la funcin algebraica que contiene cuatro mnimos reportados
por Khalegi et al.(2010) , tres de estos mnimos son relativos y uno global, dentro del dominio
5 1 5 y 5 2 5. El mtodo empleado para encontrar los mnimos por los
autores es homotopa, bajo la premisa de que la ecuacin tiene diversos puntos donde la
(1 , 2 ) = 0, esto se observa claramente en la Figura III-4.
(( +)( +) ) (( +) ( ) )
( ) ( )
( , ) = .
( III-5)
(( ) ( +)) (( )( ) )
( ) ( )
.
28
Figura III-4 Grafico del ejemplo tomado de Khalegi et.al., (2010) con un dominio y
.
Los resultados encontrados con el mtodo de homotopa por Khaleghi et al. (2010) aparecen
en la Tabla III-6.
Tabla III-6. Valores mnimos de la funcin reportados por Khaleghi et al. (2010).
29
Tabla III-7. Mnimos encontrados por el algoritmo Luus-Jaakola implementado en fortran.
= ( ) + ( ) , . ( III-6)
= . + . + . ( III-7)
= . + . + . ( III-8)
= . + . + . ( III-9)
Y de BFG,
= . + . + . ( III-10)
30
= ( III-11)
El problema es producir 50 MW de los dos generadores de tal manera que el consumo de
gasolina sea mnimo. Matemticamente la formulacin del problema es,
= + ( III-12)
Este problema fue resuelto por Luus &Jaakola en 1973, tomo un segundo de cmputo para
llevar acabo 200 iteraciones obteniendo un valor mnimo de la funcin en = 3.05 con
documento se muestran tres pruebas con diferente nmero de iteraciones y un mayor nmero
de valores aleatorios, tomando como parmetros iniciales para , , 0 0 de manera
similar a la propuesta por Luus&Jaakola, y se aprecia que la funcin mnima C encontrada
en las pruebas es cercana a la reportada en el artculo (Luus & Jaakola, 1973).
Tabla III-8. Resultados obtenidos con el algoritmo LJ con diferentes cantidades de nmeros aleatorios.
31
Optimizacin de un problema matemtico con solucin conocida
El problema matemtico utilizado no tiene interpretacin fsica, pero tiene un solo valor
ptimo. El problema es minimizar la funcin:
= + + + + ( III-13)
+ + + + + ( III-14)
+ + + ( III-15)
+ + + ( III-16)
Tabla III-9. Resultados obtenidos del algoritmo LJ con distintas cantidades de nmeros aleatorios.
32
isobutano(barriles/da) , 3 es la tasa de adicin de cido(miles de libras/da), 4 es el
rendimiento del alquilado (barriles/da), 5 es la composicin del isobutano(barriles/da), 6
es la fuerza del cido(porcentaje de peso), 7 es el octanaje del motor, 8 es la relacin
externa de isobutano y olefina, 9 es el factor de dilucin del cido, 10 es el nmero de
rendimiento F-4.
. ( III-18)
. ( III-19)
. ( III-20)
. ( III-21)
. ( III-22)
( III-23)
( III-24)
( III-25)
. ( III-26)
( III-27)
= (. + . . ) ( III-28)
= . ( III-29)
= ( III-30)
(. + . . )
= + ( III-31)
.
= + ( III-32)
= . . ( III-33)
.
= ( III-34)
33
Tabla III-10. Resultados obtenidos por el algoritmo LJ con distintas cantidades de nmeros aleatorios.
34
Optimizacin del proceso de secado para un secador circulacin.
Este problema consiste en encontrar la tasa de flujo de aire y el espesor de la bandeja que
maximice la tasa de produccin, se bebe encontrar los parmetros 1 y 2 , 1 corresponde a
la tasa de flujo msico y 2 al espesor de la bandeja (Luus & Jaakola, 1973). De tal forma
que el problema a optimizar es:
.
=. [ . + .
.
. ( III-35)
. . .
( . )]
.
. . .
. ( III-36)
.
. .
( III-37)
.
( + .
.
.
.
. ( III-38)
. . .
( . ))
.
Tabla III-11. Mximo encontrados por el algoritmo LJ con distintos valores de nmeros aleatorios
35
Caso de estudio 1
Caso prototipo con solucin analtica conocida
= + ( III-39)
= + [ ] + ( III-40)
2
Se calculan las ecuaciones diferenciales ( , , ) y se sustituyen en la ecuacin (III-39)
2
( III-41)
= 31 1
( III-42)
= 32 2
2 ( III-43)
= 62
2
Se sustituyen las ecuaciones diferenciales (III-41), (III,42) y (III-43) en la ecuacin
diferencial parcial (III-40).
2 ( III-44)
31 1 = (3 1 + 2 3 )62 + 2[32 2 ] +
= + [ ] ( III-45)
36
Condicin de frontera 1 ( III-47)
=0 =0
Condicin de frontera 2 =1 = 3exp1 t + 2 ( III-48)
Para este ejercicios realiz un anlisis de malla(Tabla III-12) para diferencias finitas que se
resolvieron el mtodo de integracin Runge-Kutta de 4to orden y se estimaron los parmetros
con la funcin SOLVER de Excel. El sistema de EDOs obtenidos de la discretizacin estn
estructurados con la ecuacin diferencial siguiente:
( + + ) + . (+ )
=[ ] (
( III-49)
+ )
7 nodos
3.60
21 nodos
3.40
35 nodos
3.20
Datos de la solucin analtica
3.00
2.80
T
2.60
2.40
2.20
2.00
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Tiempo
37
Caso de estudio 2
Caso prototipo con solucin analtica conocida
= ( III-50)
= + [ ] + ( III-51)
2
Se calculan las ecuaciones diferenciales ( , , 2 ) y se sustituyen en la ecuacin ( III-50)
( III-52)
= 1 1
2 2 2 1 ( III-53)
= 1
2
T ( III-54)
= Xp1 teXp1 xt
x
Se sustituyen las ecuaciones diferenciales ( III-52), ( III-53) y ( III-54) en la ecuacin
diferencial parcial ( III-50).
2 ( III-55)
1 1 = 1
2 2 1
+ 1 [1 1 ] +
= + [ ] [ + ( + )] ( III-56)
Condicin de frontera 1 =0 =0
Condicin de frontera 2 =1 = 1
Condicin inicial =0 =1
38
Para este caso de estudio se realiz un anlisis de malla para diferencias finitas que se
resolvieron por el mtodo de integracin Runge-Kutta de 4to orden y se estimaron los
parmetros con la funcin SOLVER de Excel. El sistema de EDOs obtenidos de la
discretizacin estn estructurados con la ecuacin diferencial siguiente:
+ + )
+
=[ ] + ( [ ]
( III-57)
[ + ( + )]
39
Caso de estudio 3
Caso prototipo con solucin analtica conocida
2 ( III-58)
1 = 1 sin( ) +
+ 2
2 = 3 ( III-59)
2 ( III-60)
3 = 3 +
+ 4
De la solucin analtica ( III-58), ( III-59) y ( III-60) se plantean los parmetros 1 ,2 ,3
[
y 4 con vector solucin 3.0, 1.0, 2.0, 0.5]. A partir de la ecuaciones ( III-58), ( III-59)
y ( III-60) se construyen tres ecuaciones diferenciales parciales con la siguiente estructura,
1 2 1 2 2 2 ( III-61)
= 2( 2) +( ) ( )
2 + 21 sin 3
( + 2 )
= ( ) ( III-62)
= +
() ( III-63)
( + ) +
2x
Condicin inicial =0 1 = 1 sin( ) + ( III-64)
2
2
Condicin de frontera 2 =1 1 = 3 sin(1) + ( III-66)
+ 2
40
Condicin de frontera 2 =1 = 3exp1 t + 2 ( III-69)
( III-71)
Condicin de frontera 1 =0 =0
Tabla III-14. Estimacin de parmetros con distinto nmero de malla para un sistema de 3 EDPs.
a)
2.50
2.00
T1 DIFERENCIAS
1.50 T2 DIFERENCIAS
T
1.00 T3 DIFERENCIAS
T1 MODELO
0.50
T2 MODELO
0.00 T3 MODELO
0.00 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90 1.00
Tiempo
41
b)
2.50
2.00
T1 MODELO
1.50 T2 MODELO
T
1.00 T3 MODELO
T1 DIFERENCIAS
0.50
T2 DIFERENCIAS
0.00 T3 DIFERENCIAS
0.00 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90 1.00
Tiempo
c)
2.50
2.00 T1 DIFERENCIAS
1.50 T2 DIFERENCIAS
T
T3 DIFERENCIAS
1.00
T1 MODELO
0.50
T2 MODELO
0.00 T3 MODELO
0.00 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90 1.00
Tiempo
Figura III-7. Comparacin de datos generados por la solucin analtica del modelo y los datos
generados por la solucin numrica del modelo por diferencias finitas. a) 7 nodos, b) 15 nodos y c) 29
nodos.
42
Caso de estudio 4
Difusin controlada de un pptido antimicrobiano para pelculas de biopolmeros.
Gel de
agarosa
z=0
Agitacin
Solucin de
nisina
Figura III-8. Diagrama esquemtico del experimento de difusin de nisina en un gel de agarosa.
Se propone como caso de estudio el modelo propuesto por Sebti et. al. (2003) en el artculo
<<Controlled diffusion of an antimicrobial peptide from a biopolymer film>>, donde se
propone un modelo para determinar el coeficiente de difusin aparente de una solucin de
nisina en contacto con un gel de agarosa empleando la segunda ley de Fick (Bird, et al.,
2006), tomando en cuenta factores que tienen posible influencia en los rangos de difusin;
destacando el tiempo de difusin y temperatura.
Sebti et al. propone que la difusividad en el gel de agarosa obedece la segunda Ley de Fick
2
= dentro de un cilindro semi-infinito, donde el coeficiente de difusividad( es
2
43
Gel de
agarosa
H
Solucin
de nisina
Figura III-9. Diagrama esquemtico de la direccin unidimensional en la que se difunde la nisina al gel
de agarosa para el caso de un cilindro semi-infinito propuesto por Sebti et al.(2003).
Para este caso de estudio se toman los datos experimentales reportados por Sebti et al. del
experimento E, los cuales se obtuvieron con el programa Engauge Digitizer(Tabla III-15) .
Tabla III-15. Datos experimentales reportados por Sebti et al. tomados del experimento E con el
programa Engauge Digitizer.
()
( )
0.000000 230.800000 0.000000 1.000000
0.001727 200.175379 0.024674 0.867311
0.002733 185.571047 0.039036 0.804034
0.004587 164.545167 0.065528 0.712934
0.006403 95.866704 0.091477 0.415367
0.008352 74.483084 0.119318 0.322717
0.010521 53.094155 0.150306 0.230044
0.012596 30.996209 0.179943 0.134299
0.014579 28.815611 0.208271 0.124851
0.016562 24.145373 0.236593 0.104616
0.019583 22.295649 0.279761 0.096602
0.022637 19.733908 0.323379 0.085502
0.025973 17.165427 0.371043 0.074374
0.027956 13.562177 0.399367 0.058762
Se replic la solucin analtica del modelo propuesto por Sebti et al. empleando el mtodo
de la transformada de Laplace resolviendo = erfc (2 ) y se hizo un
44
ajuste(Figura III-10) con los datos experimentales para la estimacin de parmetros,
resultando los parmetros de =8.341799153x1011 y =2.00x107 , con un error
promedio de 33.281355098%.
Figura III-10. Modelo con solucin analtica por la transformada de Laplace del modelo propuesto por
Sebti et al.(2003)
2
2
= (2 ) +
( (1 ))) (0 ( III-73)
+
=1
45
El ajuste(Figura III-11) de los datos experimentales con la solucin analtica del modelo que
incluye resistencia interfacial para la estimacin de los parmetros y , obtienen un
error promedio de 31.367207% y los parmetros estimados son =
1.051001721x1010 y = 1.81647477x108.
Figura III-11. Ajuste de los datos experimentales y el modelo propuesto con resistencia interfacial para
el experimento E del artculo de Sebti et al.(2003) (modelo con solucin analtica)
El modelo propuesto con resistencia interfacial fue resuelto por diferencias finitas y el
mtodo de integracin Runge-Kutta de 4to orden, para despus estimar parmetros con la
herramienta SOLVER en Visual Basic (Figura III-12).
Figura III-12. Ajuste de los datos experimentales y el modelo propuesto con resistencia interfacial para
el experimento E del artculo de Sebti et al. (modelo con solucin numrica)
46
Caso de estudio 5
Columna cilndrica de sedimentacin.
= , > 0, = 0
@ = 0, = 0
= (, )
= 0, > 0, =0
=0
47
Realizando un balance de masa sobre un elemento diferencial aplicando la Ley de Fick de la
difusin binaria para modelar la macro dispersin longitudinal considerando que el
coeficiente de difusin es constante, se considera que engloba los efectos de turbulencia
causados por las partculas y la gravedad, adems se emplea la ley de Stokes para calcular la
velocidad de las partculas. Se obtiene la ecuacin de continuidad para el componente A de
una mezcla binaria.
+ ( ) = + ( III-75)
Suponiendo que las partculas slo se mueven en la direccin vertical z, que la concentracin
slo es funcin de la altura y el tiempo, CA = CA (z, t), y que no hay reaccin qumica dentro
de la columna, = 0, la ecuacin anterior se puede simplificar obtenindose la siguiente
expresin:
=
( III-76)
La experimentacin a nivel planta piloto se hace con el objeto de conocer las diferentes
concentraciones de slidos suspendidos totales, presentes en una columna de sedimentacin
a diferentes profundidades y tiempos (Figura III-14). Con una geometra cilndrica construida
expresamente para este proyecto, con dimensiones de 1.8m de altura y 0.1524 m (6 in) de
dimetro, la columna tiene 5 puertos de muestreo que se encuentran simtricamente
distribuidos a lo largo de la columna cada uno con una separacin de 0.3 m.
48
0.1524m
Puerto de muestreo 5
Puerto de muestreo 4
1.80m
Puerto de muestreo 3
Puerto de muestreo 2
Puerto de muestreo 1
0.30 m
49
3600 1.6733333 1.4333333 1.4200000 1.0300000 1.0800000 0.0000000
5400 1.2500000 1.4533333 0.9833333 0.9700000 0.8266667 0.0000000
=
=
=
= ( 0 )
=
0 2 = ( 0 )2
=
=
2 = 2 2
= ( III-80)
Las condiciones de frontera se adimensionan de igual manera con las variables propuestas,
para la condicin de frontera 1 en = 0 y = 0; se reescribe por:
= = ( III-81)
50
= = ( III-82)
= 1 en = 0 ( III-83)
Una vez adimensionado el modelo, se define la discretizacin del modelo con diferencias
finitas para los 19 nodos (17 nodos centrales y 1 nodos en cada frontera) y 37 nodos(35 nodos
centrales y 1 nodo en cada frontera), de la discretizacin se obtienen dos sistemas de
ecuaciones uno de 17 EDOs y otro de 35 EDOs, respectivamente. Los sistemas estn
conformados por EDO con la estructura de la ecuacin ( III-84),
() (+) () + () (+) + ()
=
(
) ( ) ( III-84)
Las condiciones de frontera son discretizadas de igual manera para obtener dos ecuaciones
algebraicas(una por cada condicin de frontera), la condicin de frontera 1 discretizada se
expresa por la ecuacin ( III-85) y la condicin de frontera 2 discretizada por la ecuacin (
III-86)
Y despejando ()
() ()
() = ( III-85)
() = ( III-86)
Los sistemas de EDOs fueron resueltos por el mtodo de Runge-Kutta de 4to orden y la
estimacin de parmetros se realiz en VISUAL BASIC con la herramienta
SOLVER(Modifica los parmetros que minimicen la suma del error cuadrado entre el dato
experimental y el valor obtenido del modelo, con un tiempo mximo de computo de 100s y
100 iteraciones, la precisin se estableci en 1E-16 y la convergencia en 1E-6). Para este
caso de estudio se consideraron dos posibilidades para realizar el ajuste de parmetros, la
51
primera consiste en determinar un solo parmetro( ) y la segunda considera dos
parmetros ( y Vz) para el ajuste del modelo con los datos experimentales.
Los resultados presentados son los obtenidos por la estimacin del parmetro para mallas
de 19 y 37 nodos.
19 0.005000000 151.98421
37 0.005240994 139.15696
Se realizaron simulaciones en para observar el comportamiento del error cuadrado con
distintas aproximaciones del parmetro , con la informacin obtenida se dio una
aproximacin inicial para realizar la estimacin de parmetros.
Figura III-15. Comportamiento de la suma del error cuadrado con respecto al valor de coeficiente de
difusividad.
52
Figura III-16. Estimacin de parmetros con una malla de 37 nodos para distintos puntos de muestreo.
53
Figura III-17. Estimacin de parmetros con una malla de 19 nodos para distintos puntos de muestreo.
54
El mtodo de LuusJaakola planteado para el mtodo hibrido ha sido analizado y se considera
aceptable para el desarrollo de los casos de estudio. Se reafirma la fcil implementacin del
algoritmo LJ, lo que resulta bastante conveniente cuando se estimar una aproximacin
inicial de los parmetros cinticos y de transporte a optimizar. Las discretizacin de la
coordenada espacial permitir la conversin de las EDPs a sistemas de EDOs para que el
algortimo LJ tenga un funcionamiento ptimo y se obtenga una aproximacin inicial
adecuada para la estimacin de parmetros por Levenberg-Marquardt. Aun as se considera
importante considerar las restricciones de ambos mtodos y analizar la posibilidad de
encontrar mnimos relativos(debido a que los casos de estudios propuestos en su mayora son
altamente no lineales) y como evitarlos porque la finalidad es encontrar el ptimo global para
los casos de estudio.
Los resultados presentados en este avance de tesis consisten en la preparacin de cinco casos
de estudio que servirn de validacin del mtodo hibrido propuesto. Para poder validar la
convergencia del mtodo hibrido se debe tener una solucin numrica o la solucin analtica
a partir de la cual se estiman los parmetros del modelo propuesto en el caso de estudio, para
tener un punto de comparacin con el mtodo hibrido.
55
Cronograma de actividades por meses
2017 2018
Meses Meses
Actividad
MAY
MAY
MAR
MAR
AGO
NOV
AGO
ABR
ABR
OCT
ENE
ENE
JUN
JUN
FEB
FEB
JUL
JUL
DIC
SEP
Revisin bibliogrfica
Escritura del protocolo de tesis
Presentacin del protocolo de tesis ante el
comit tutorial
Presentacin del protocolo en el
seminario departamental
Aprendizaje del lenguaje de
programacin FORTRAN
Optimizar el mtodo hibrido en
FORTRAN
Validar el mtodo hibrido en FORTRAN
Analizar versiones de los compiladores
para optimizar el proceso.
Elegir casos de estudio para validar el
mtodo
Presentacin en congreso
Escritura de tesis
Presentar tesis
56
IV. Referencias
Bailey, J. E. (1998) Mathematical Modeling and Analysis in Biochemical Engineering: Past
Accomplishments and Future Opportunities. Biotechnol. Progress.,14, 8-20.
Banga, J.R.; Seider. W. D., (1996) Global Optimization of Chemical Processes Using
Stochastic Algorithms. In State of the Art in Global Optimization; Floudas, C. A., Pardalos,
P. M., Eds.; Kluwer Academic Publishers: Dordrecht, The Netherlands, 563-583.
Bird, B. R., Stewart, W. E. & Lightfoot, E. N., (2006). Fenmenos de transporte. 2da ed.
CdMex: Limusa.
Burden, R. L. & Faires, J. D., (1998). Anlisis Numrico. Mxico: International Thomson
Editores.
Carrillo Ledesma, A. & Mendoza Bernal, O., (2016). Geofisica UNAM. [En lnea] Available
at: http://www.mmc.geofisica.unam.mx/acl/Textos/ [ltimo acceso: 2017 abril 20].
Coronado, C.; Botello, J. E.; Herrera, F.(2001) Study and Mathematical Modeling of the
Production of Propionic Acid by Propionibacterium acidipropionici Immobilized in a Stirred
Tank Fermenter. Biotechnology Progress. 17 (4), 669-675.
Esposito, W. R.; Floudas C. A.(2000) Global Optimization for the Parameter Estimation of
Differential-Algebraic Systems. Ind. Eng. Chem. Res. 39 (5), 1291.
57
Fan J. Y. (2003) A modified Levenberg-Marquardt algorithm for singular system of
nonlinear equations. Journal of Computational Mathematics. 21 (5), 625-636.
Gmehling, J.; Onken, U.; Arlt, W. Vapor-liquid Equilibrium Data Collection, Chemistry Data
Series, 1977-1990. Vol. I, Parts 1-8, DECHEMA, Frankfurt/Main, Germany.
Goulcher, R_.; Casares J. J. (1978) The solution of steady state chemical engineering
optimization problems using a random search technique. Comput. Chem. Eng. 2, 33-36.
Li, D., Lu, T., Liu, L. y Jin, Q., (2016) Fractional modeling of heating process using improved
NLJ algorithm. Proceedings of the 35th Chinese Control Conference , pp. 10447-10452.
58
Liao, B. y Luus, R. (2007) Comparison of the LuusJaakola optimization procedure and the
genetic algorithm. Engineering Optimization, 37(4), pp. 381-396.
Litchfield, B. J. y Okos, M. R., (1992) Moisture Diffusivity in Pasta During Drying. Journal
of Food Engineering, Volumen 17, pp. 117-142.
Luus, R. & Jaakola, T., (1973) Optimization by Direct Search and Systematic Reduction of
the Size of Search Region. AIChE Journal, pp. 760-766.
Luus, R., (1998). Comments on "Dynamic Optimization of Batch Reactors Using Adaptive
Stochastic Algorithms". Ind. Eng. Chem. Res., p. 305.
Luus, R., (2001). Comments on Global Optimization for the Parameter Estimation of
Differential-Algebraic Systems. Ind. Eng. Chem. Res., 40, pp. 488-489.
Mendes Platt, G.; Pinheiro Domingos, R. ; Oliveira de Andrade, M., (2014) Application of
the Firey and LuusJaakola algorithms in the calculation of a double reactive azeotrope.
Computational Science & Discovery, 7, p. 015002.
Menkov, N. & Durakova, A., (2007) Moisture sorption isotherms of sesame flour at several
temperatures. Food Technology and Biotechnology, 41(1), pp. 96-100.
Ngia, L.S.H., Sjoberg, J. (2000) Efficient training of neural nets for nonlinear adaptive
filtering using a recursive Levenberg-Marquardt algorithm. IEEE Transactions on signal
Processing. 48 (7): 1915-1927.
59
Ochoa Tapia, J. A., (2011) Mtodos Matemticos Aplicados a la Ingeniera Qumica. CDMX:
Universidad Autnoma Metropolitana.
Papamichail, I.; Adjiman C.S. (2002) A rigorous global optimization algorithm for problems
with ordinary differential equations. Journal of Global Optimization. 24 (1).
Quarteroni, A., Manzoni, A. & Vergara, C., (2017) The cardiovascular system: Mathematical
moddelling, nmerical algorithms and clinical aplications. Acta numerica, 26, pp. 365-590.
Real Academia Espaola, (2005) Real Academia Espaola. [En lnea] Available at:
http://lema.rae.es/dpd/srv/search?id=LiE1rActOD6qKXDDnt [ltimo acceso: 21 Octubre
2017].
Rdiger, S., (2007). Hybrid Stochastic and Deterministic Simulations of Calcium Blips.
Biophysical Journal, 93, pp. 19847-1857.
Spigno G., Zilli M., Nicolella C. (1994) Mathematical modelling and simulation of phenol
degradation in biofilters, Biochemical Engineering Journal, pp. 267275
60
Stortelder, W.J.H. (1996) Parameter estimation in chemical engineering; a case study for
resin production. Report NM-R9610. Department of Numerical Mathematics. Centrum voor
Wiskunde en Informatica. Amsterdam, The Netherlands. 18 p.
Thuesen, G. H., Fabryck, W. & Thuesen, G., (1986) Ingeniera econmica. 5ta ed. Mxico:
Prentice-Hall Hispanoamericana S.A..
Tjoa, I. B.; Biegler, L. T. (1991) Simultaneous Solution and Optimization Strategies for
parameter Estimation of Differential Algebraic Equation Systems. Ind. Eng. Chem. Res.,
30 (2), 376-385.
Wang, B. C.; Luus, R. (1978) Reliability of optimization procedures for obtaining global
optimum. AIChE J. 24, 619-626.
Wang, Y., Luo, X., Yu, Y. & Yin, Q., (2016) Evaluation of Heat Transfer Coecients in
Continuous Casting under Large Disturbance by Weighted Least Squares Levenberg-
Marquardt Method. Applied Thermal Engineering.
Yildirim, N., Akcay, F., Okur, H., Yidirim, D. (2003) Parameter Estimation of Nonlinear
Models in Biochemistry: A Comparative Study on Optimization Methods. Applied
Mathematics and Computation. 140 (1), 29-36.
61