Avance Tesis v2

Tecnolgico Nacional de Mxico
Instituto Tecnolgico de Celaya
Departamento de Ingeniera Bioqumica
Maestra en Ciencias en Ingeniera Bioqumica
Anlisis de la convergencia y optimizacin de una estrategia

hbrida para la estimacin de parmetros en ecuaciones
diferenciales parablicas no lineales
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
IAI. Maria de la Luz Lpez Gonzlez

luz_lo_glez@hotmail.com
Contenido
........................................................................................................................................
ndice de Figuras .......................................................................................................... III
ndice de Tablas ............................................................................................................ V
Introduccin ................................................................................................................... 1
I. Antecedentes .............................................................................................................. 2
Principios e importancia de optimizar sistemas biolgicos y qumicos. ........................... 2
Modelacin matemtica en procesos biolgicos y qumicos ........................................... 6
Mtodos para la estimacin de parmetros en ecuaciones diferenciales parciales ............ 9
Estrategias hibridas para la estimacin de parmetros ................................................... 10
Algoritmo Luus-Jaakola ............................................................................................... 12
Levenberg-Marquardt................................................................................................... 15
Justificacin. ................................................................................................................ 16
Hiptesis ...................................................................................................................... 18
Objetivo general ........................................................................................................... 18
Metas ........................................................................................................................... 18
II. Materiales y mtodos................................................................................................ 19
Materiales .................................................................................................................... 19
Mtodos ....................................................................................................................... 19
Estimacin de parmetros......................................................................................... 20
Casos de estudio ....................................................................................................... 22
III. Resultados ................................................................................................................ 24
Funcionamiento del algoritmo de Luus-Jaakola ............................................................ 24
Funcin de Michalewicz: una funcin con mltiples mnimos y mximos ................ 24
Optimizacin de una funcin algebraica cuadrtica .................................................. 26
I
Optimizacin de una funcin algebraica cbica ........................................................ 27
Optimizacin de una funcin algebraica con mnimos mltiples ............................... 28
Asignacin ptima de combustible en plantas de energa .......................................... 30
Optimizacin de un problema matemtico con solucin conocida............................. 32
Optimizacin del proceso de alquilacin .................................................................. 32
Optimizacin del proceso de secado para un secador circulacin. ............................. 35
Caso de estudio 1 ......................................................................................................... 36
Caso prototipo con solucin analtica conocida......................................................... 36
Caso de estudio 2 ......................................................................................................... 38
Caso de estudio 3 ......................................................................................................... 40
Caso de estudio 4 ......................................................................................................... 43
Difusin controlada de un pptido antimicrobiano para pelculas de biopolmeros. ... 43
Caso de estudio 5 ......................................................................................................... 47
Columna cilndrica de sedimentacin. ...................................................................... 47
Cronograma de actividades por meses .......................................................................... 56
IV. Referencias .............................................................................................................. 57
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.
Para encontrar una la resolucin de parmetros no lineales, se necesita un mtodo de

aproximacin que permita buscar una aproximacin adecuada pasa sistemas de ecuaciones
no lineales, el mtodo propuesto es el de Levenberg-Marquardt publicado en 1963, este
mtodo hace un ajuste al mtodo de Newton-Raphson y el mtodo de mximo descenso. En
este trabajo se plantea el uso de una estrategia hbrida para la estimacin de parmetros
en sistemas biolgicos, basada en la bsqueda de un vector de aproximacin inicial,
empleando el mtodo estocstico de Luus-Jaakola y posteriormente aplicar el mtodo de
Levenberg-Marquardt para refinar la solucin. Con los algoritmos anteriores se
implementar un cdigo computacional usando FORTRAN 90.
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).
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, a la vez que se dispone de informacin experimental del sistema
en estudio.
Numerosos modelos matemticos de procesos biolgicos estn definidos en trminos de

sistemas de ecuaciones diferenciales ordinarias(ODEs) o ecuaciones diferenciales
parciales(EDPs). Este tipo de ecuaciones son difciles o imposibles de resolver
analticamente, por esta razn se buscan aproximaciones utilizando mtodos numricos. Gran
parte de los sistemas bioqumicos se rigen con ecuaciones gobernantes que contienen
parmetros cinticos y de transporte, dichos parmetros sirven para encontrar las condiciones
que permitan optimizar un proceso. Para entender la finalidad de optimizar hay que
considerar la teora de la aproximacin, la cual comprende dos tipos generales de problemas:
uno se presenta cuando una funcin de manera explcita y se quiere encontrar un tipo ms
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).
El problema de optimizacin que se desea resolver es obtener una curva de aproximacin

ptima que se aproxime a un conjunto de datos dados, de todas las curvas posibles, aquella
que tenga la propiedad de hacer la suma de residuos 12 + 22 + + 2 mnima se llama
curva de ajuste ptimo. Donde D es la diferencia que existe entre el valor experimental
dado y el valor obtenido a travs del modelo (Spiegel, 2001).
( )
=
( 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)
Figura I-1. Curva de aproximacin y residuos(D).
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.
Para optimizar sistemas de ecuaciones a un conjunto de datos dados el mtodo de mnimos

cuadrados es ideal. 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 determina la mejor curva de aproximacin a un conjunto
de datos (Burden & Faires, 1998). La aproximacin por mnimos cuadrados permite
minimizar el error entre el conjunto de datos experimentales y el conjunto de datos predichos
por un modelo matemtico, disminuyendo la suma de los residuos. Para que el modelo
propuesto tenga una bondad de ajuste optima, es necesario calcular los parmetros
correspondientes al tipo de modelo elegido, en la Tabla I-1 se presentan algunos ejemplos de
estos modelos.
Tabla I-1. Ejemplos de modelos y parmetros a resolver por el mtodo de mnimos cuadrados.
Tipo de Modelo Modelo matemtico propuesto Parmetros a resolver

= 1 + 2 1 , 2
Lineal
2
( ) = 0 + 1 + 2 + + 0 , 1 , ,
No lineal = ( ; 0 , 1 , , ) 0 , 1 , ,
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.
En mayo de 2005 se publica el documento Estrategia hibrida de estimacin de parmetros

en sistemas dinmicos va mnimos cuadrados (Ramrez-Rodrguez, et al., 2005) donde se
plantea una estrategia de estimacin de parmetros para sistemas dinmicos modelados con
ecuaciones diferenciales utilizando una combinacin del mtodo de Luus-Jaakola para
obtener un vector de aproximacin inicial y el mtodo de Levenberg-Marquardt para
minimizar la funcin de mnimos cuadrados, para concluir que es una buena estimacin de
parmetros en sistemas modelados por ecuaciones diferenciales ordinarias, donde se reduce
el tiempo de cmputo. As mismo Osornio-Rubio et al. en 2009 con el documento
Estrategia hbrida para la estimacin de parmetros en problemas de ingeniera qumica
utilizan la misma estrategia hibrida que Ramrez-Rodrguez et al.(2005) y colaboradores para
la estimacin de parmetros en modelos no lineales, aqu se elucida la importancia de la
estimacin del vector de aproximacin inicial con un mtodo estocstico como es Luus-
Jaakola y combinacin de ambos algoritmos (Osornio-Rubio, et al., 2009).
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).
En julio de 1973 Luus y Jaakola, publicaron un artculo titulado Optimization by Direct

Search and Systematic Reduction of Size of Search Region en el cual se presentaba un
mtodo que tena como objetivo ser un procedimiento simple usado en la optimizacin de
problemas de programacin no lineales. Este mtodo se le conoce como algoritmo de Luus-
Jaakola(LJ) y est formulado para optimizar un problema de programacin no lineal (Luus
& Jaakola, 1973).
El mtodo de Levenberg-Marquardt y el algoritmo de Luus-Jaakola, se han utilizado por

separado en la resolucin de ecuaciones algebraicas no lineales, ecuaciones diferenciales
ordinarias(EDOs) y ecuaciones diferenciales parciales(EDPs). La propuesta de un mtodo
hbrido utilizando LM y LJ, se debe a las caractersticas particulares de cada mtodo sumado
a las aplicaciones que existe para la estimacin de parmetros en modelos matemticos
representados por EDPs que representan procesos biolgicos y qumicos.
Modelacin matemtica en procesos biolgicos y qumicos

Un modelo constituye una representacin o abstraccin de la realidad. Por lo que la
modelacin matemtica es un intento de describir alguna parte del mundo real en trminos
matemticos (BritoVallina, et al., 2011). La modelacin matemtica de procesos biolgicos
y qumicos est dada por la representacin matemtica de un problema real, esta
representacin matemtica puede ser considerada desde una simple ecuacin algebraica,
hasta sistemas ms completos como son las ecuaciones diferenciales ordinarias y parciales.
6
Predicciones acerca del
Validar Proceso biolgico
proceso biolgico o
o qumico
qumico
Formular
Interpretar
Resolver
Conclusiones Modelacin
matemticas matemtica
Figura I-3. Proceso de la modelacin matemtica adaptado de Brito-Vallina et al. 2011.
La formulacin(Figura I-3) de un modelo matemtico consiste en identificar y nombrar las

variables, adems de establecer una hipotesis que simplifique el fnomeno lo suficiente para
que pueda tratarse matematicamente. Lo que implica tener conocimiento de los fenomenos
fisicos para obtener una relacion entre las variables, cuando no se dispone de una ley fsica,
es necesario examinar una coleccin de datos para reconocer patrones y sugerir una
representacin matematica del proceso. Cuando se ha diseado un modelo matematico se
resuelve usando tecnicas matematicas para obtener conclusiones donde se observe un
comportamiento similar al fenomeno real de manera predictiva. Si las predicciones al ser
comparadas con datos reales no tienen un comportamiento similar, se debe redefinir el
modelo (BritoVallina, et al., 2011), los modelos matemticos tienen muchas limitaciones y
estas dependen del grado de sofisticacin al interpretar el fenmeno.
Tipos de ecuaciones usadas en
la modelacin matematica.
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).
El orden de la ecuacin es el de la derivada de orden ms alto encontrada. Una ecuacin

diferencial parcial (EDP) no lineal es aquella que tiene productos de la variable dependiente
por s misma o por sus derivadas, por ejemplo:

= [ ] ( 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
tipos: parablicas, elpticas e hiperblicas segn la magnitud del discriminante = 2

4. Por lo tanto las ecuaciones diferenciales parciales parablicas son ecuaciones de
segundo orden con una magnitud de 0 en su discriminante(= 0) (Ochoa Tapia, 2011).
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:
La ecuacin de conduccin de calor unidimensional sin transporte convectivo;

= ( 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).
Jmenez-Islas y Lpez-Isunza (1994,1996) en distintos manuscritos han desarrollado

programas y estrategias para resolver sistemas de ecuaciones diferenciales parciales elpticas
y parablicas no lineales, desarrollando programas como ELI-COL (Jmenez-Islas & Lpez-
Isunza, 1994) y PAR-COL2 (Jimnez-Islas & Lpez-Isunza, 1996), estos programas
permiten una aproximacin numrica a la solucin del sistema de EDPs, las caractersticas
de ambos programas radica en que las EDPs son convertidas a EDOs con valores iniciales
por doble colocacin ortogonal para posteriormente resolver por el mtodo de Newton con
factorizacin LU o utilizando la relajacin no lineal.
9
EDPs
Discretizacin de la
coordenada espacial
Sistema EDOs
Solucin por mtodo

numrico o analtico
Solucin aproximada
de la EDPs
Figura I-5. Metodologa basca para la solucin de ecuaciones diferenciales parciales(EDPs)
Estrategias hibridas para la estimacin de parmetros

Las estimacin de parmetros en la ingeniera bioqumica involucra sistemas de ecuaciones
diferenciales ordinarias(EDOs) y parciales (EDPs). Para la estimacin de parmetros
cinticos y de transporte en sistemas de EDPs y EDOs no lineales se construyen las
estrategias hibridas con la finalidad de obtener una mejor aproximacin numrica. Las
estrategias hibridas(Figura I-1) son una combinacin dada por un mtodo estocstico y uno
determinstico(Alfonsi et al.,2004), (Ramrez-Rodrguez, 2005), (Osornio-Rubio, et al.,
2009) y (Mendes Platt, et al., 2014) con la finalidad de obtener una mejor aproximacin y
lograr convergencia en sistemas compuestos de ecuaciones algebraicas no lineales, ODEs y
EDPs.
Mtodo Mtodo Estratega

estocstico determinstico hbrida
Figura I-6. Estructura de las estrategias hibridas para estimacin de parmetros.
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.
Ramrez-Rodrguez et al.(2005) utiliza la estrategia hibrida (LJ-LM) para la estimacin de

parmetros en la conversin de lactosa a cido lctico, de igual manera Osornio-Rubio et
al.(2009) presentan la misma estrategia hibrida para la estimacin de parmetros de
transporte y cinticos en la obtencin de xantofilas de flor de cempoalxochitl (Tagetes erecta)
donde se emplea un modelo matemtico considerando un transporte difusivo de la celulasa,
concluyendo que el algoritmo de LJ es apropiado en la estimacin de parmetros cuando
existe disparidad en la magnitud de cada parmetro. Esta estrategia hibrida es una opcin
viable para la estimacin de parmetros en sistemas modelados por ecuaciones diferenciales
ordinarias.
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)
El algoritmo genera nmeros aleatorios para cada conjunto {1 , 2 , , } y se evala cada

conjunto con respecto a las restricciones 0 y 0. De esto se podrn tener dos
resultados: un conjunto de valores{1 , 2 , , } que satisfagan las restricciones y otro grupo
de valores que no cumpla las restricciones (Luus & Jaakola, 1973). Con el conjunto de
valores que cumplen con las restricciones se evala la funcin = (1 , 2 , , ) y se
almacena el valor que logre maximizar o minimizar, segn sea el caso.
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 mtodo de Luus-Jaakola puede ser empleado para optimizacin de parmetros de procesos

bioqumicos y qumicos descritos por modelos con ecuaciones diferenciales ordinarias. Este
mtodo ha sido comparado con el mtodo de Gauss-Newton que es un mtodo de gradiente,
por Englezos et al.(1998). Al utilizar el procedimiento de optimizacin LJ, los autores
reportan la convergencia a un mnimo para todos los valores iniciales propuestos, notando
que los valores de los parmetros calculados fueron siempre los mismos. Al comparar el
mismo problema utilizando el mtodo de Gauss Newton, muestran la dificultad de
convergencia cuando la estimacin inicial es deficiente a diferencia del algoritmo LJ; aunque
el mtodo de Newton incluya la modificacin de Marquardt(Mtodo de Levenberg-
Marquardt). Cabe destacar que la estimacin inicial de LJ no debe ser cercana al valor ptimo
que se desea encontrar, sumado a que es bueno para estimar la solucin de ecuaciones
algebraicas no lineales y ODEs.
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).
Li, et al.(2016) proponen un esquema de identificacin de sistemas dinmicos para el diseo

de un sistema de control del proceso de calentamiento centrado en el esquema de control
interno del modelo de orden fraccional(FOIMC); plantean una mejora del algoritmo New
Luus-Jaakola(INLJ) como una fusin del algoritmo New Luus-Jaakola(NLJ) y la bsqueda
aleatoria adaptativa con el mtodo de identificacin y diversificacin (RasID). La mejora
busca resolver dos de las limitaciones del NLJ; primero, la ineficiencia de identificar
parmetros cuando el sistema es un proceso complicado y segundo, la dificultad para
encontrar el ptimo global cuando se consideran determinadas restricciones. En los
resultados presentados demuestran que el INLJ proporciona una tasa de convergencia ms
rpida y una mayor precisin con respecto al NLJ convencional en el modelo de orden
fraccional, usado en la transferencia de calor para un sistema de control basado en FOIMC.
Adems ellos aaden que los mtodos de bsqueda de este tipo no siempre son eficientes
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.
El mtodo de Levenberg-Marquardt es plenamente descrito por Donald W. Marquardt en

1963 (Marquardt, 1963) y es descrito por:
+ = ( + [ ]) ( ) ( 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.
Wang et al.(2016) propone un modelo para la transferencia de calor donde estima el

coeficiente de transferencia de calor considerando las perturbaciones e incertidumbre que
produce la temperatura en la superficie. Existen diversas investigaciones en las que se
involucra la estimacin de parmetros cinticos y de transporte. Para estos casos, usualmente
se utiliza el mtodo de Levenberg-Marquardt como el caso de Wang et al. en 2016, que
presentan la estimacin del coeficiente de transferencia de calor proponiendo un enfoque
integrado que combina los mnimos cuadrados ponderados (WLS) y el mtodo de Levenberg-
Marquardt (LM) modificado, considerando las perturbaciones e incertidumbre causadas por
la temperatura de la superficie medida que pueden ocasionar resultados imprecisos de los
coeficientes de transferencia de calor. Los resultados de este mtodo WLS-LM demuestran
puede superar la influencia de grandes perturbaciones en los resultados, obteniendo el
coeficiente de transferencia que mejora la precisin de la transferencia de calor (Wang, et al.,
2016).
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.
El mtodo de Levenberg-Marquardt converge hacia una solucin con relativa facilidad

cuando se tiene una aproximacin lo suficientemente cercana al valor mnimo, lo cual no
siempre es posible, por lo que se puede mejorar implementando un mtodo hbrido. Dicho
mtodo consiste en la bsqueda de un vector de aproximacin inicial con ayuda de un mtodo
directo, en este caso el mtodo de LuusJaakola. Como desde el punto de vista terico, los
mtodos no determinsticos, bajo ninguna circunstancia pueden garantizar la convergencia
hacia el mnimo global (Esposito y Floudas, 2001). dicho vector ser posteriormente usado
este con el mtodo de Levenberg-Marquardt. El mtodo hibrido propuesto por Ramrez-
Rodrguez en 2005, muestra evidencia de lo promisorio con facilidad de implementacin
computacional, en la que se calcula el vector de aproximacin inicial con el mtodo
estocstico de Luus-Jaakola y se refina la aproximacin para reducir los mnimos cuadrados
con el mtodo de Levenberg-Marquardt. Tanto el mtodo de Luus-Jaakola como el de
Levenberg-Marquardt se siguen utilizando en problemas de optimizacin, por la efectividad
que tienen al dar una aproximacin numrica.
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.
Optimizar el funcionamiento de la estrategia hibrida Luus-Jaakola/Levenberg-Marquardt

para la estimacin de parmetros cinticos y de transporte.
Validar la eficacia del mtodo hibrido con las estimaciones de mnimos cuadrados en
ecuaciones diferenciales parciales parablicas no lineales.
Realizar un anlisis de la convergencia del mtodo hbrido.
Metas
Publicacin de un artculo referente al tema de tesis.
Participar en al menos un Congreso Nacional con el proyecto de tesis, para la obtencin de

memorias en extenso.
Desarrollo de la tesis Anlisis de la convergencia y optimizacin de una estrategia hibrida

para la estimacin de parmetros en ecuaciones diferenciales parablicas no lineales
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.
La estrategia de resolucin del modelo y la estimacin de parmetros propuesta por es:
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
Solucin del sistema de

ecuaciones diferenciales por Datos
Runge-Kutta Fehlberg experimentales
= [ ]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
Figura II-1. Diagrama de flujo para la implementacin de algoritmo Luus-Jaakola.
21
Aproximacin inicial
Sistema de ODEs
Solucin del sistema EDOs

diferenciales por Runge-Kutta Datos
Fehlberg experimentales
= [ ]2
Nuevos valores
=1 =1
para los
parmetros de
LM
Optimizacin no lineal utilizando el
Mtodo de Levenberg-Marquardt (LM)
No

Si
Parmetros optimizados FIN
Figura II-2. Diagrama de flujo para la estimacin de parmetros con Levenberg-Marquardt.
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-1. Clasificacin de los casos de estudio a implementar.
Nmero de casos de estudio

mnimos para validar el mtodo Tipo de solucin Origen del caso de estudio
hibrido
Casos prototipos con solucin analtica
3 Analtica
diseados.
Casos tomados de artculos publicados.
3 Aproximacin Casos de estudio reales con datos
experimentales.
Con base al origen del caso de estudio se propone la metodologa siguiente:
Tabla II-2. Metodologa propuesta con base en el origen del caso de estudio.
Casos prototipos con solucin analtica conocida

1. Construccin de la ecuacin diferencial parcial.
1.1 Diseo de la ecuacin diferencial.
1.2 Calculo del residual.
1.3 Sustitucin del residual en la ecuacin diferencial.
1.4 Eleccin de los parmetros a calcular.
2. Determinacin de las condiciones de frontera.
3. Implementacin de la estrategia hbrida: Luus-Jaakola y Levenberg-Marquardt para la estimacin de
parmetros.
Casos tomados de documentos publicados y casos de estudio reales
1. Eleccin de un proceso bioqumico donde la ecuacin gobernante sea una ecuacin diferencial parcial
de tipo parablico.
1.1 Analizar si se puede dar mayor grado de sofisticacin al problema.
1.2 Encontrar la solucin analtica en caso de que exista.
1.2.1 Transformada de Laplace.
1.2.2 Separacin de variables.
2. Implementar el mtodo hbrido: Luus-Jaakola y Levenberg-Marquardt para la estimacin de
parmetros.
3. Comparar la solucin numrica y la solucin analtica, con los parmetros calculados.
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.
Funcin de Michalewicz: una funcin con mltiples mnimos y mximos

La funcin de Michalewicz es usada para evaluar algoritmos de optimizacin, ya que tiene
infinidad de mnimo, mximos locales y reas planas, la funcin est definida por:

( ) = ( ) [ ( )] ( III-1)

=
El fin de evaluar los algoritmos de optimizacin con la funcin de Michalewicz, se debe a la

dificultad de encontrar un mnimo o mximo global, por la existencia de regiones planas en
la topologa de la funcin. Para este caso se evaluar el algoritmo de bsqueda directa Luus-
Jaakola con la funcin evaluada en = 1. Con un dominio de 5.0 1 5.0.
Para el caso de una variable 1 y = 10 la funcin se escribe:

( ) ( )
= [ ( )] ( 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

obtienen los mximos o mnimos de la funcin. Utilizando el programa de Wolfram alfa en

lnea se obtuvieron los siguientes valores:
Tabla III-3. Valores encontrados por el programa de Wolfram alfa en lnea para la funcin
Michalewicz.
Valor de 1 encontrado por el programa de

Wolfram alfa en lnea para el dominio de 5.5 Valor de la funcin Tipo
1 5.5
-2.202905520117261 -0.8013019 Mnimo
-3.85719816937521 0.65248937 Mximo
-4.96299768527855 0.96697168 Mximo
4.96299768527855 -0.96697168 Mnimo
3.85719816937521 -0.65248937 Mnimo
2.202905520117261 0.80130190 Mximo
0.00000000000000 0.00000000 Regin plana
Optimizacin de una funcin algebraica cuadrtica
Para la funcin cuadrtica propuesta:
() = ( III-3)
Se encuentra el valor mnimo de la funcin con el criterio de la primera derivada, entonces

cuando () = 0 ser el valor mnimo o el valor mximo. Por lo tanto s ( ) = 2 5 =
5
0, despejando = 2 = 2.5 se tiene que la funcin (2.5) = 2.52 5(2.5) = 6.25.
Concluyendo que el valor mnimo de la funcin de 6.25 se encuentra en = 2.5 como se

puede apreciar en la figura I-3.
26
Figura III-2 Grafico de la funcin del ejemplo 1.
Tabla III-4. Mnimos encontrados con diferente rango y aproximacin inicial.
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)
Se encuentra el valor mnimo de la funcin con el criterio de la primera derivada, entonces

cuando () = 0 ser el valor mnimo o el valor mximo. Por lo tanto s () = 12 2
100
100 = 0 , despejando = 12 = 2.8867 se tiene que la funcin (2.8867) = 4
2.88673 100(2.8867) = 192.45 y (2.8867) = 4 2.88673 100(2.8867) =

192.45. Concluyendo que el valor mnimo de la funcin de = 192.4500 se encuentra
en = 2.8867 como se aprecia en la Figura III-3.
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
Figura III-3 Grafico de la funcin del ejemplo 2.
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).
Punto 1 2 Valores mnimos de la funcin (1 , 2 ) Tipo
1 -1.9959 -1.9973 -0.501 Mnimo local

2 -1.9973 1.9993 -1.001 Mnimo local
3 1.9996 -1.9982 -1.501 Mnimo local
4 1.9993 1.9989 -2.001 Mnimo global
Los valores mnimos encontrados por el algoritmo LJ con distintas aproximaciones iniciales
se muestran en la Tabla III-7. Esto indica la cualidad del algoritmo Luus-Jaakola para
encontrar distintos mnimos locales.
29
Tabla III-7. Mnimos encontrados por el algoritmo Luus-Jaakola implementado en fortran.
Valores mnimos de la funcin Error

Punto 1 2 Tipo
(1 , 2 ) promedio(%)
1 -1.9929924 -1.9900368 -0.50008297 0.183039920 Mnimo local
2 -1.9345322 2.0269945 -0.9985157 0.248181818 Mnimo local
3 1.9805071 -1.9569033 -1.4993005 0.113224517 Mnimo local
4 2.0151544 2.0209188 -2.0001113 0.044412794 Mnimo global
Asignacin ptima de combustible en plantas de energa
Este problema de optimizacin considera minimizar la compra de gasolina cuando se desea
producir un salida de 50MW a partir de una combinacin de dos generadores que utilizan
gasolina o BFG, o cualquier combinacin de estos combustibles. La mxima cantidad de
BFG permisible esta especificada, asumiendo que solo 10.0 unidades de BFG estn
disponibles cada hora y cada generador puede usar una combinacin de
combustible(gasolina) o BFG, est restriccin est dada por;
= ( ) + ( ) , . ( III-6)
Los requerimientos de combustible son medidos en toneladas por hora(Tons/h); y se

representan matemticamente para cada generador. Para el generador 1 se considera que:
= . + . + . ( III-7)
Y de BFG unidades de combustible por hora
= . + . + . ( III-8)
donde 1 es la salida en MW del generador 1. El rango de operacin del generador es 18

1 30.
De forma similar, para el generador 2 el requerimiento de combustible es:
= . + . + . ( III-9)
Y de BFG,
= . + . + . ( III-10)
donde 2 es la salida en MW del generador 2. El rango de operacin del segundo generador

es 14 2 25.
Existe una relacin de la salida del generador 1(1 ) y el generador 2(2 )
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)
donde 3 es la fraccin de gasolina usada en el generador 1, 0 3 1 y 4 es la fraccin

de gasolina usada en el generador 2, 0 4 1
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

1 = 30.0, 2 = 20.0, 3 = 0.0 4 = 0.58, encontrados en la iteracin nmero 55. La

respuesta para este problema de optimizacin de combustible es de = 3.17 . En este

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.
Nmero de Nmeros Mnimo

Prueba
iteraciones aleatorios Encontrado(ton/h)
1 29.99484
2 20.00516
1 300 30000 3.071206
3 0.135688
4 0.3972718
1 29.41429
2 20.58571
2 300 800 3.143018
3 0.1285212
4 0.434019
1 29.61677
2 20.38323
3 300 3000 3.0656009
3 0.001118501
4 0.5745915
Para cada prueba el nmero de es generado entre -0.5 y 0.5, con lo valores iniciales de
rango 10 = 20, 30 = 1.0 y 40 = 1.0; utilizando las aproximaciones iniciales 10 = 20.0,
30 = 0.5 y 40 = 0.5 con un valor de = 0.05, los valores encontrados para cada con su
respectivo mnimo de la funcin se aprecian en la Tabla III-8, cabe destacar que se han
modificado la cantidad de nmeros aleatorios por iteracin para observar el comportamiento
del algoritmo.
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)
Sujeta a las restricciones;
+ + + + + ( III-14)
+ + + ( III-15)
+ + + ( III-16)
Se conoce que el valor mnimo de la funcin es = 44.0 en 1 = 0.0, 2 = 1.0, 3 =

2.0, 4 = 1.0. Utilizando el algoritmo de bsqueda directa Luus-Jaakola con distinta
cantidad de nmeros aleatorios por iteracin, se obtienen los resultados de la Tabla III-9. Se
observa que conforme se aumenta el nmero de datos aleatorios se acerca ms al valor
mnimo de la funcin.
Tabla III-9. Resultados obtenidos del algoritmo LJ con distintas cantidades de nmeros aleatorios.
Nmero de Nmeros Mnimo

Prueba
iteraciones aleatorios encontrado
1 0.007228952
2 1.0005016
1 300 30000 -43.99482
3 1.992703
4 -1.007747
1 0.0328527
2 0.9939413
2 300 3000 -43.97326
3 1.979927
4 -1.018101
1 0.06672452
2 0.9813896
3 300 300 -43.90924
3 1.930351
4 -1.031159
Optimizacin del proceso de alquilacin
Se replica el proceso de alquilacin reportado por Luus y Jaakola (1973), en que se busca
determinar las mejores condiciones de operacin que maximicen el proceso. Para esto se
considera un modelo propuesto por otros autores (Luus & Jaakola, 1973); este define diez
parmetros: 1 es la alimentacin de olefina(barriles/da), 2 es el reciclaje de
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.
Se pretende maximizar la funcin:
= 0.0634 7 5.041 0.0352 103 3.365 ( III-17)

Sujeta a las condiciones siguientes:
. ( 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.
Nmero de Nmeros Mximo

Prueba
1 1713.93856
2 15568.6572
3 12.6142792
4 3032.30951
5 1985.47913
1 200 100 2116.09983
6 92.44447
7 94.7290182
8 10.2419869
9 2.25647313
10 151.187055
1 1708.42997
2 15050.1006
3 13.2307848
4 3023.99906
5 1980.84896
2 200 1000 2138.53035
6 92.9919487
7 94.8167904
8 9.96877242
9 2.19801685
10 152.450371
1 1726.62749
2 14346.1639
3 13.2338742
4 3054.39684
5 1999.73675
3 200 10000 2148.05822
6 92.8836737
7 94.6012256
8 9.46695263
9 2.34158299
10 150.803677
En la Tabla III-10 se muestran los resultados obtenidos por el algoritmo Luus-Jaakola, los
resultados obtenidos por los autores son un valor mximo de la funcin(P) de 1162.0 con
1 = 1728.4(barriles/da), 2 = 16000(barriles/da) , 3 = 98.4(miles de libras/da), 4 =
3056.0 (barriles/da), 5 = 2000.0(barriles/da), 6 = 90.6(porcentaje de peso), 7 =
94.2, 8 = 10.41, 9 = 2.61, 10 = 149.60. En este problema se encontr un valor para la
funcin(P) de 2148.05822. Debido a un posible error redaccin de los autores en el artculo
de 1973 el valor encontrado con la aproximacin inicial dada por ellos no es coherente; se
observa claramente que existe una diferencia entre el valor reportado de 3 = 98.4 y el valor
0.0014 8 9 0.001(3056.0)(10.41)(2.61)
real definido por 3 = = = 11.220569(considerando los
986 98(90.6)
mismos valores obtenidos por los autores).
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)

. . .

( . )]
.

Sujeto a las restricciones:
. . .
. ( III-36)
.
. .
( III-37)

.
( + .
.

.
.

. ( III-38)

. . .

( . ))

.

Tabla III-11. Mximo encontrados por el algoritmo LJ con distintos valores de nmeros aleatorios
Nmero de Nmeros Mximo

Prueba 1 2
1 100 200 172.463058 965.487976 0.534849524
2 200 1000 172.351059 966.022766 0.533489466
3 100 20000 172.479355 980.243535 0.520056963
4 200 20000 172.486053 976.406076 0.523870289
El resultado reportado en la literatura es de = 172.49 con 1 = 976.76 y 2 = 0.5235,
valores similares encontrados por el algoritmo LJ construido. En estas pruebas se modific
en nmero de iteraciones y el nmero de valores aleatorios.
35
Caso de estudio 1
Caso prototipo con solucin analtica conocida
= + ( III-39)
De la solucin analtica (III-39), se plantean los parmetros 1 y 2 con valores de 0.5 y

4.0 respectivamente. A partir de la solucin analtica se construye una ecuacin diferencial
parcial con la siguiente estructura,

= + [ ] + ( III-40)

2
Se calculan las ecuaciones diferenciales ( , , ) y se sustituyen en la ecuacin (III-39)
2
para obtener el valor del residual Q.
( 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 ] +
De la ecuacin (III-44) se despeja el residual Q y se reescribe en la ecuacin diferencial

parcial (III-40).

= + [ ] ( III-45)

Se determinan las condiciones de frontera 1(ecuacin (III-47)) y 2(ecuacin (III-48)),

tambin la condicin inicial est representada en la ecuacin (III-46).
Condicin inicial =0 = 3 + 2 3 ( III-46)
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)
+ )
Los resultados obtenidos de la estimacin de parmetros aparecen en la Tabla III-12, se

observa el error promedio y los valores de los parmetros son aceptables a partir de la malla
de 21 nodos.
Tabla III-12. Estimacin de parmetros con SOLVER de Excel utilizando diferente

nmero de malla.
Aproximacin del parmetro

Valor original del parmetro
Nmero de con SOLVER.
Error promedio (%)
nodos
1 2 1 2
7 0.519656 3.790834 0.5 4.0 1.717897
21 0.500003 4.000000 0.5 4.0 0.752344
35 0.500001 3.999995 0.5 4.0 0.375567
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
Figura III-5. Estimacin de parmetros para el caso de estudio 1.
37
Caso de estudio 2
= ( III-50)
De la solucin analtica ( III-50), se plantean el parmetro 1 con el valor 3.0. A partir de

la solucin analtica se construye una ecuacin diferencial parcial con la siguiente
estructura,

= + [ ] + ( III-51)

2
Se calculan las ecuaciones diferenciales ( , , 2 ) y se sustituyen en la ecuacin ( III-50)
para obtener el valor del residual Q.
( 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 ] +
De la ecuacin ( III-55) se despeja el residual Q y se reescribe en la ecuacin diferencial

parcial ( III-50).

= + [ ] [ + ( + )] ( III-56)

Se determinan las condiciones de frontera 1y 2, tambin la condicin inicial.

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)
[ + ( + )]
Tabla III-13. Estimacin de parmetros con SOLVER de Excel utilizando diferente

nmero de malla.
Nmero de Valor Valor original Suma de cuadrados
nodos estimado del parmetro
1 1
7 3.218151 3.0 0.003600

15 3.097273 3.0 0.0100230
35 3.000150 3.0 0.0007246
Los resultados obtenidos de la estimacin de parmetros aparecen en la Tabla III-13, se
observa que el error promedio y los valores de los parmetros son aceptables a partir de la
malla de 21 nodos.
Figura III-6. Estimacin de parmetros con distinto nmero de malla.
39
Caso de estudio 3
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
Condicin de frontera 1 =0 1 = 0 ( III-65)
2
Condicin de frontera 2 =1 1 = 3 sin(1) + ( III-66)
+ 2
Condicin inicial =0 2 = 3 ( III-67)
Condicin de frontera 1 =0 2 = 0 ( III-68)
40
Condicin inicial =0 = 3 + 2 3 ( III-70)
( III-71)
Condicin de frontera 1 =0 =0

Para resolver el sistema de EDPS, se discretiza la coordenada espacial de cada EDP y se

obtienen tres sistemas de EDOs con sus respectivas condiciones de frontera discretizadas,
estos sistemas son resueltos por el mtodo de Runge-Kutta de 4to orden y los parametros son
estimados con la funcin SOLVER en VISUAL BASIC. Adicionalmente se realiz un
analisis de malla con 7, 15 y 29 nodos.
Tabla III-14. Estimacin de parmetros con distinto nmero de malla para un sistema de 3 EDPs.
Nmero de Valores estimados Suma de cuadrados

nodos
1 2 3 4
7 3.053877851 0.935937075 1.984892997 0.516320022 0.0424510

15 2.94996344 0.99998085 1.85109345 0.51666459 0.0383939
29 2.999992 1.0000000 1.999997 0.500000 0.0200
Se anexan los graficos donde aparecen los datos generados por la solucin analtica(modelo)
comparada por la aproximacin nmerica dada por diferencias finitas.
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.
Fijacin del gel
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.
El procedimiento experimental de la difusin se llev a cabo con una concentracin inicial

de nisina de 376 g/mL, con una temperatura de 22.3C y la concentracin del gel de agarosa
cortado en rebanadas delgadas de 1mm fue medida a los 5.9 das. Durante el experimento de
difusin la solucin de nisina fue agitada lentamente y la concentracin en la solucin se
cuantific todos los das del experimento para verificar que no existiera variacin.
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
constante. Con las condiciones de frontera en = 0 la concentracin es = y cuando

, = = 0. Este problema originalmente fue resuelto de forma analtica con la
0
transformada de Laplace, obteniendo la siguiente solucin = erf (2 ).
0
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)
En el presente caso de estudio, se considera que durante el experimento de difusin la

solucin de nisina fue agitada lentamente, por lo tanto presume la existencia de resistencia
interfacial y se propone una modificacin en sus condiciones de frontera, incluyendo la

resistencia interfacial. El modelo propuesto como caso de estudio es el siguiente =

2
, modificando las condiciones de frontera; resultando las siguientes expresiones, en
2

= 0 es = 0 y = es
= ( ). Este modelo se resuelve

empleando el mtodo de separacin de variables, resultando la siguiente solucin analtica
2

2
= (2 ) +
( (1 ))) (0 ( III-73)
+
=1
Con la funcin trascendente:

= = , , , , , ( III-74)
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.
Se considera un flujo de agua, dentro de una columna cilndrica de sedimentacin, el cual

contiene partculas macroscpicas de igual tamao que se dispersan a travs del lquido, las
partculas fluyen verticalmente hacia abajo a travs de la columna hasta alcanzar el fondo de
la misma. La concentracin es constante a travs de una misma seccin transversal horizontal
de la columna, es decir, la concentracin no vara en las direcciones x e y; por lo tanto, la
concentracin es funcin solamente de la altura y el tiempo: = (, ). Se establece
que dentro de la columna no se produce reaccin qumica alguna. La concentracin de slidos
al tiempo inicial para cualquier altura de la columna es la concentracin inicial 0 . Tambin
se considera que en la parte superior de la columna para cualquier tiempo mayor a la inicial
la concentracin de slidos, , en esa seccin es cero. Debido a que la parte inferior de la
columna se encuentra cerrada se considera que la densidad de flujo de slidos en esa parte es
cero. Para el desarrollo se consideran coordenadas cartesianas en la columna de
sedimentacin (Figura III-13).
= , > 0, = 0

@ = 0, = 0
= (, )

= 0, > 0, =0
=0
Figura III-13. Diagrama esquemtico de la columna cilndrica de sedimentacin.
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)

Teniendo en cuenta las siguientes condiciones Frontera:
Condicin inicial =0 (, 0) = 0 ( III-77)
Condicin de frontera 1 ( III-78)

=0 =0

Condicin de frontera 2 = (, ) = 0 ( III-79)
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
1.80m
0.30 m
Figura III-14. Dimensiones de la columna de sedimentacin.
La corrida experimental se realiz con la columna conteniendo 50 litros de agua, agregando

una muestra de solidos de una concentracin 0 = 24 , con tamao de partcula de 0.1 mm,
para mantener la concentracin uniforme se inyecto aire comprimido. Posteriormente se

retir el aire comprimido y comenz la prueba. El tiempo de operacin de la columna fue de
90 min y se toman muestras simultneamente a los 5, 10, 30, 45, 60, y 90 min (300, 1800,
2700, 3600, y 5400 s) en cada uno de los puertos de muestreo colocados a 0.3, 0.6, 0.9, 1.2,
y 1.5 m, con respecto a la base de la columna de sedimentacin. Obteniendo los datos
experimentales presentados en la Tabla III-16.
Tabla III-16. Datos experimentales para la columna de sedimentacin.
Promedio de los SST a malla 150

Altura m
Tiempo (s)
0.30 0.60 0.90 1.20 1.50 1.80
0 24.000000 24.000000 24.000000 24.000000 24.0000000 24.0000000
300 7.8866667 6.9566667 4.9933333 4.3733333 4.0366667 0.0000000
900 4.1133333 3.9266667 3.1966667 2.5800000 1.8400000 0.0000000
1800 2.3800000 2.4100000 1.7033333 1.4533333 1.2300000 0.0000000
2700 1.9900000 1.7833333 1.5866667 1.3500000 1.1933333 0.0000000
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
Para realizar estimar el coeficiente de difusin( ), se debe adimensionar el modelo para

discretizar la coordenada espacial en z con diferencias finitas. Al analizar el tamao de la
columna de sedimentacin (1.8 m) se proponen 19 nodos y 37 nodos para realizar un anlisis
de malleo que coincida con la posicin en que se recolectaron los datos experimentales
considerando que los 5 puntos de muestreo se encentraban distribuidos simtricamente a lo
largo de la columna de sedimentacin. Cuando se tiene las ecuacin diferencial parcial
discretizada, se resolvi el conjunto de ecuaciones diferenciales ordinarias con el mtodo de
Runge-Kutta de 4to orden, para posteriormente realizar la estimacin de parmetros en
VISUAL BASIC utilizando la funcin SOLVER en Excel.
Tabla III-17. Variables propuestas para adimensionar el modelo que representa el

fenmeno de la columna de sedimentacin.
=
=
=
= ( 0 )
=
0 2 = ( 0 )2
=
=
2 = 2 2
Considerando el modelo propuesto en la ecuacin ( III-76), se sustituyen por las nuevas

variables que aparecen en la Tabla III-17 y se obtiene;

= ( 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)

Para la segunda condicin de frontera (, ) = 0 en = , se reescribe
50
= = ( III-82)
La condicin inicial (, 0) = 0 es modificada por;
= 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)

En el nodo 19 se aplica la condicin de frontera 2,
() = ( 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.
Tabla III-18. Estimacin del parmetro para mallas de 19 y 37 nodos respectivamente.
Nmero de nodos 2 Suma del error cuadrado

Parmetro ( )

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.
La Figura III-16 muestra la estimacin de parmetros utilizando una malla de 37 nodos

durante la discretizacin por diferencias finitas y la Figura III-17 describe la estimacin de
parmetros utilizando una malla de 19 nodos.
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.
BritoVallina, M. L. y otros, (2011). Role of mathematical modeling in the training of

engineers. Ingeniera Mecnica, 14(2), pp. 129-139.
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.
Delgado-Vargas, F.; Paredes-Lpez, O.(1997) Effects of enzymatic treatments of marigold

flowers on lutein isomeric profiles. J. Agric. Food Chem. 45 (4), 1097-1102.
Edgar, T. F.; Himmelblau, D. M. (1973) Optimization of Chemical Processes. Ed. McGraw

Hill.
Escamilla-Silva, E. M.; Gutierrez, G. F.; Dendooven, L.; Jimenez-Islas, H.; Ochoa-Tapia, J.

A.(2001) A Method to Evaluate the Isothermal Effectiveness Factor for Dynamic Oxygen
into Mycelial Pellets in Submerged Cultures. Biotechnology Progress. 17 (1), 95-103.
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.
Gau, C. Y.; Stadtherr, M. A. (2002) Deterministic Global Optimization for Error-in-

Variables Parameter Estimation. AIChE Journal, 48 (6), 1192-1197.
Gau, C. Y.; Stadtherr, M. A. (2000) Reliable nonlinear parameter estimation in VLE

modeling. Fluid Phase Equilibria. 168 (1).
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.
Hugo Jimnez-Islas.(2001) Natural Convection in a Cubical Porous Cavity: Solution by

Orthogonal Collocation. Computational Fluid Dynamics; Proceedings of the Fourth UNAM
Supercomputing Conference. Eduardo Ramos, Gerardo Cisneros, Rafael Fernndez-Flores,
Alfredo Santilln-Gonzlez, ed. World Scientific Publishing Co. Singapore. ISBN 981-02-
4535-1
Jimnez-Islas H. y Lpez-Isunza F. (1996) PAR-COL2: Programa para resolver sistemas de

ecuaciones diferenciales parciales parablicas no lineales, por doble colocacin ortogonal.
Avances en Ingeniera Qumica. 6 (2), 168-173.
Jimnez-Islas, H. y Lpez-Isunza, F., (1994). ELI-COL: Programa para resolver sistemas de

ecuaciones diferenciales parciales elpticas no lineales, por doble colocacin ortogonal.
Avances de Ingeniera Qumica, pp. 82-86.
Jimnez-Islas, H. y Navarrete-Bolaos, J. L. (2002) Estado del Arte de la Ingeniera

Bioqumica en Mxico, BioTecnologa, 7 (1), 40-57.
Jimnez-Islas, H., (1988) Paquete Computacional Para la Solucin de Sistemas de

Ecuaciones no Lineales. Tesis de Maestra, Instituto Tecnolgico de Celaya, Celaya, Gto.
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. y Jaakola, T. H. I., (1973) A Direct Approach to Optimization of a Complex System.

AIChE Journal, 19(3), pp. 645-646.
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.
Marquardt, D. W., (1963) An Algorithm for Least-Squares Estimation of Nonlinear

Parameters. Journal of the Society for Industrial and Applied Mathematics, 11(2), pp. 431-
441.
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.
Morales-Flix, V.J. PAR-FIN2. (2008) Software para resolver sistemas de ecuaciones

diferenciales parciales parablicas, bidimensionales no lineales por diferencias finitas
centrales. Tesis de Maestra, Instituto Tecnolgico de Celaya, Celaya, Gto.
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.
Osornio-Rubio, N. R., (2009) Modelamiento de dispersin de metales pesados (Pb, Cr, Ni y

Zn) en el suelo, Tesis de maestra, Instituto Tecnolgico de Celaya.
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.
Ramrez Rodrguez, J. F., (2008) Estimacin de parmetros en ecuaciones diferenciales

parciales parablicas y anlisis de convergencia. Tesis de maestra, Instituto Tecnolgico de
Celaya.
Ramrez-Rodrguez, J. F. y otros (2005) Estrategia hbrida de estimacin de parmetros en

sistemas dinmicos va mnimos cuadrados. Acapulco, AMIDIQ.
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.
Salcedo, R.L. (1992) Solving nonconvex nonlinear programming and mixed-integer

nonlinear programming problems with adaptive random search. Ind. Eng. Chem. Res. 31 262-
273.
Spaans, R.; Luus, R. (1992) Importance of search-domain reduction in random optimization.

J. Optim. Theory Appl., 75, 635-638.
Spiegel, M. R., (2001) Estadstica. Ciudad de Mxico: Mc Graw Hill.
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.
Torres, N.V.; Voit, E.O.; Gonzlez-Alcn, C.; Rodrguez, F. (1997) An integrated

optimization method for biochemical systems. Description of method and application to
ethanol, glycerol and carbohydrate production in S. cerevisiae. Biotechnol. Bioeng. 55(5),
758772.
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.
Wolfram Alpha LLC, (2017) WolframAlpha. [En lnea] Available at:

http://www.wolframalpha.com/widgets/view.jsp?id=4dcf415ef3489a03f5ab41ac2579f902
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.
Zhang, J. Z., Chen, L. H. (1997) Non-monotone Levenberg-Marquardt algorithms and their

convergence analysis. Journal of Optimization Theory and Applications. 92 (2), 393-418.
61

Avance Tesis v2

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Avance Tesis v2

Încărcat de

Drepturi de autor:

Formate disponibile

Tecnolgico Nacional de Mxico

Instituto Tecnolgico de Celaya

Departamento de Ingeniera Bioqumica

Maestra en Ciencias en Ingeniera Bioqumica

Anlisis de la convergencia y optimizacin de una estrategia

IAI. Maria de la Luz Lpez Gonzlez

ndice de Figuras .......................................................................................................... III

ndice de Tablas ............................................................................................................ V

Principios e importancia de optimizar sistemas biolgicos y qumicos. ........................... 2

Modelacin matemtica en procesos biolgicos y qumicos ........................................... 6

Mtodos para la estimacin de parmetros en ecuaciones diferenciales parciales ............ 9

Estrategias hibridas para la estimacin de parmetros ................................................... 10

Algoritmo Luus-Jaakola ............................................................................................... 12

Objetivo general ........................................................................................................... 18

II. Materiales y mtodos................................................................................................ 19

Casos de estudio ....................................................................................................... 22

III. Resultados ................................................................................................................ 24

Funcionamiento del algoritmo de Luus-Jaakola ............................................................ 24

Funcin de Michalewicz: una funcin con mltiples mnimos y mximos ................ 24

Optimizacin de una funcin algebraica cuadrtica .................................................. 26

Optimizacin de una funcin algebraica con mnimos mltiples ............................... 28

Asignacin ptima de combustible en plantas de energa .......................................... 30

Optimizacin de un problema matemtico con solucin conocida............................. 32

Optimizacin del proceso de alquilacin .................................................................. 32

Optimizacin del proceso de secado para un secador circulacin. ............................. 35

Caso de estudio 1 ......................................................................................................... 36

Caso prototipo con solucin analtica conocida......................................................... 36

Caso de estudio 2 ......................................................................................................... 38

Caso prototipo con solucin analtica conocida......................................................... 38

Caso de estudio 3 ......................................................................................................... 40

Caso prototipo con solucin analtica conocida......................................................... 40

Caso de estudio 4 ......................................................................................................... 43

Difusin controlada de un pptido antimicrobiano para pelculas de biopolmeros. ... 43

Caso de estudio 5 ......................................................................................................... 47

Columna cilndrica de sedimentacin. ...................................................................... 47

Cronograma de actividades por meses .......................................................................... 56

IV. Referencias .............................................................................................................. 57

Para encontrar una la resolucin de parmetros no lineales, se necesita un mtodo de

La modelacin matemtica de procesos biolgicos es un aspecto fundamental de las

Numerosos modelos matemticos de procesos biolgicos estn definidos en trminos de

El problema de optimizacin que se desea resolver es obtener una curva de aproximacin

Figura I-1. Curva de aproximacin y residuos(D).

Para optimizar sistemas de ecuaciones a un conjunto de datos dados el mtodo de mnimos

Tipo de Modelo Modelo matemtico propuesto Parmetros a resolver

En mayo de 2005 se publica el documento Estrategia hibrida de estimacin de parmetros

En julio de 1973 Luus y Jaakola, publicaron un artculo titulado Optimization by Direct

El mtodo de Levenberg-Marquardt y el algoritmo de Luus-Jaakola, se han utilizado por

Modelacin matemtica en procesos biolgicos y qumicos

Figura I-3. Proceso de la modelacin matemtica adaptado de Brito-Vallina et al. 2011.

La formulacin(Figura I-3) de un modelo matemtico consiste en identificar y nombrar las

El orden de la ecuacin es el de la derivada de orden ms alto encontrada. Una ecuacin

tipos: parablicas, elpticas e hiperblicas segn la magnitud del discriminante = 2

La ecuacin de conduccin de calor unidimensional sin transporte convectivo;

Jmenez-Islas y Lpez-Isunza (1994,1996) en distintos manuscritos han desarrollado

Solucin por mtodo

Figura I-5. Metodologa basca para la solucin de ecuaciones diferenciales parciales(EDPs)

Estrategias hibridas para la estimacin de parmetros

Mtodo Mtodo Estratega

Figura I-6. Estructura de las estrategias hibridas para estimacin de parmetros.

Ramrez-Rodrguez et al.(2005) utiliza la estrategia hibrida (LJ-LM) para la estimacin de

El algoritmo genera nmeros aleatorios para cada conjunto {1 , 2 , , } y se evala cada

El mtodo de Luus-Jaakola puede ser empleado para optimizacin de parmetros de procesos

Li, et al.(2016) proponen un esquema de identificacin de sistemas dinmicos para el diseo

El mtodo de Levenberg-Marquardt es plenamente descrito por Donald W. Marquardt en