Documente Academic
Documente Profesional
Documente Cultură
dinámico, esto es, sistema en evolución. Un sistema dinámico puede presentar caos , aunque las
leyes por las que se rige son deterministas, si es muy sensible a las condiciones iniciales, de
Por otra parte, un sistema puede mantenerse de forma estable fuera del equilibrio, en el que
disipativos. Muchos de los sistemas reales son disipativos y se rigen por leyes físicas no lineales,
de modo que raras veces es posible encontrar una solución exacta de sus ecuaciones de
dependientes del tiempo, del modelo y de la capacidad de la herramienta utilizada, tanto física, -
ordenador-, como lógica, -programa o algoritmo-. El proceso iterativo se verá afectado por
numerosas fuentes de variación y, en consecuencia, aunque no sea más que por esta razón, el
entre otras razones, debido a la pérdida de predictibilidad de los sistemas a la par que a la
constatación de las limitaciones de la mente humana tanto desde el punto de vista conceptual
como operativo. Además, el caos exige que los sistemas analizados estén en constante
evolución, saliendo del marco estático que imponía el viejo mecanicismo. Su validez
del conocimiento, desde la biología hasta la economía, de las que puede extraer modelos y
experimentales, así como equipos informáticos, tanto para la captura como para el posterior
Es difícil dar una definición de comportamiento caótico. La idea intuitiva se ha expuesto en los
párrafos anteriores. Varios autores han intentado dar una definición concreta, aunque ninguna es
“ Sea una X un espacio métrico y sea f una aplicación f(X)→X, se dirá que f es caótica en X
si,
1) f es transitiva
A esta definición han objetado Banks, y otros (1992) que la tercera condición puede deducirse
como consecuencia de las dos primeras, aunque sea precisamente la principal y más
sistema caótico, lo interesante es identificarlo y ello se hace a partir de una serie de propiedades
Se empieza por concretar la información disponible. Cuando se conocen las ecuaciones del
Una vez más hay que insistir en que la integrabilidad es lo “anormal”, como señaló Poincaré
“teorema KAM”, según el cual ningún movimiento en el espacio de las fases, espacio geométrico
en que se representan las variables dinámicas de las que depende el sistema, excluido el
En los demás casos, habrá que recurrir a otros indicadores de caos, sabiendo que el caos
puede presentarse en cualquier sistema natural. Siegel probó que cualquier entorno de un
regular a otro caótico. Para que un sistema disipativo presente un comportamiento caótico es
necesario que sea abierto y que se den ciertos parámetros específicos que indiquen el régimen y
En la práctica experimental se suele operar con series de señales que miden propiedades
significativas del fenómeno en estudio. Las técnicas instrumentales permiten conseguir señales
adolecen de un cierto nivel de ruido dependiente del equipo y de la sensibilidad del sistema de
acondiciona, -amplía o reduce, digitaliza y se filtra si es el caso- para entrar y ser procesada en
el equipo informático. Todo ello supone nuevas condiciones iniciales que pueden a su vez verse
Los indicadores objetivos de caos son varios y pueden clasificarse de modo laxo en dos grandes
grupos: aquellos que miden de algún modo como se pierde la información a lo largo de la
de Fourier o los que se refieren al carácter fractal ya sea de la propia señal ya de su atractor en
el espacio de fases.
Kolmogorov, debido por una parte a la facilidad del procesamiento de su cálculo y por otra al
EXPONENTE DE LYAPUNOV
El mecanismo por el cual se genera el caos puede resumirse en dos operaciones sobre el
espacio de fases,
b) Un plegamiento de este espacio de fases que hace que las trayectorias se mezclen,
Sea un sistema caótico descrito por una ecuación recurrente del tipo
xn+1 = f(xn),
ε N iteraciones εeNλ
x0 x0 +ε fN(x0) fN(x0+ε)
despejando y tomando límites cuando N→∞ y ε→0 se obtiene una definición formal del
exponente de Lyapunov
λ (x 0 ) = lim lim
1
log
f N
(x 0 + ε ) − f N (x 0 ) = lim
df N
(x 0 )
(2)
N →∞ ε → 0 N ε N →∞ dx 0
ε eλ(x0) representa el valor promedio de separación entre dos trayectorias al cabo de una
ENTROPÍA DE KOLMOGOROV
Es un parámetro que permite determinar el contenido y ganancia de información en un
sistema determinado.
información.
1
Se sigue un desarrollo de la teoría de la información “clásica”, existe la posibilidad de un desarrollo
semejante dentro el formalismo de la mecánica cuántica que permite la explicación de fenomenos tales
como el “encriptado” o la “teletransportación”. Galindo (2000)
7
Si el sistema pudiera ocupar uno de cuatro estados, (para fijar ideas, supóngase que se
pretende situar un punto, estado real del sistema, en una de las celdillas, posibles estados, de un
cuadrado de lado 2, para la descripción del sistema se precisa un número binario de dos dígitos,
es decir, dos bit,( figura 2). En general, si se pretende localizar un estado en un cuadrado de lado
I = log 2 N ( 3)
b) Ganancia de información
Una vez más se recurrirá a un ejemplo sencillo: el lanzamiento de una moneda tiene la misma
probabilidad de caer cara que cruz e igual a 0,5. La ganancia de información que se obtendrá
conociendo el resultado del lanzamiento será 1 lo que se justifica porque son posibles dos
1 1 1 1
I = − ∑ p i log 2 p i = − log 2 + log 2 =1 (4)
i
2 2 2 2
Si la moneda está trucada de modo que p1 ≠ p2 y que se desea saber la cantidad promedio
m!
N = ( 5)
( p 1 m )!( p 2 m )!
1 1 m m e p1m e p 2 m
I = log 2 N = log 2 = − ( p 1 log 2 p 1 + p 2 log 2 p 2 )
m m e p 1 m p 2 m
( 6)
sabe el resultado y por tanto, al proceder al lanzamiento no se gana ninguna información. Sin
n eventos, o estados del mismo sistema, y además se conocen las probabilidades respectivas pi
de cada uno de estos estados, que deberán ser mutuamente excluyentes y en consecuencia la
suma de probabilidades pi debe ser necesariamente 1, el sistema deberá ocupar alguno de estos
estados. Si se puede medir de algún modo el estado j que el sistema ocupa, (o sucede el evento
j), y se repite n veces el experimento, la ganancia de información en promedio que se obtiene es,
n
I = − ∑ p i log 2 p i ( 7)
i =1
2
n!= 2πn n n e − n
9
n
1 1
I = −∑ log 2 ( 6)
i =1 n n
INFORMACIÓN
1
0,9
0,8
0,7
información/bit
0,6
0,5 I
0,4
0,3
0,2
0,1
0
0 0,2 0,4 0,6 0,8 1
p1
estados con probabilidad Pi respectivamente de ocupar cada uno de ellos, la entropía S del
sistema será,
S ∝ ∑ Pi log Pi ( 9)
i
De acuerdo con las ideas de Shannon la entropía proporciona un valor sobre la cantidad de
información que se necesita para localizar el sistema en un determinado estado. Por semejanza
Shannon, como la cantidad de información que el sistema va perdiendo a lo largo del tiempo.
Supóngase una función lineal, f(x) = ax, sus valores y los errores asociados cambian en un
n /a n
a a 1 1
∆I = − ∑ log 2 + ∑ log 2 = − log 2 a = − log 2 | f ' (x )| (10)
l n n l n n
si |f’(x)| > 1 hay pérdida de información puesto que la resolución disminuye. En promedio,
n −1
∆I = lim ∑ log 2 | f ' (x k )|
n →∞
0 ( 11)
λ (x 0 ) = − ∆I log 2
Según (9), se pone de manifiesto la relación entre la entropía de Kolmogorov y otro de los
es evidente si se considera que cada vez la predicción es menos exacta y, por tanto, la pérdida
progresivamente la información que poseía inicialmente, hasta que llega un momento en que la
Figura 4. Explicación gráfica del método propuesto la dimensión del espacio, y que se mide el
por Farmer para el cálculo de la entropía de
Kolmogorov. La línea azul representa una estado del sistema a intervalos de tiempo
trayectoria en el espacio de fases
τ uniformemente separados. Sea P0....n la
Kn+1 - Kn representa la información adicional necesaria para saber en qué celda in+1 se
mide la pérdida de información sobre el sistema cuando se pasa del tiempo nτ a (n+1)τ.
1
K = lim lim lim
τ → 0 l → 0 n →∞ nτ
∑P
0Kn
0Kn log P0Kn . (13)
Por razones prácticas, primero debe tomarse el límite cuando n→∞ y después l→0, así se
sistemas continuos. Las propiedades del sistema condicionan el valor de K de la siguiente forma:
• Si es aleatorio, K = ∞
de dimensión mayor de 1 la pérdida de información está determinada sólo por los exponentes de
r r
K = ∫ d d x ρ (x ) ∑ λ i+ (x ) ( 14)
i
no aporta nada nuevo. Sin embargo, el exponente positivo involucra las casillas limítrofes, hay
y de la precisión inicial. Cuando K alcance el valor cero, no se podrá decir nada del sistema a
Considérese, por ejemplo, un sistema dinámico confinado en un cuadrado unidad de R2, [0,1]
y en el que δ es la imprecisión en x0. La incertidumbre crece con el tiempo según, ∆=δ eλt
13
1 1
1 = δ e λT m ⇒ T m = ln (16)
λ δ
Es decir, que para un tiempo t, tal que t > Tm sólo son posibles predicciones estadísticas.
Si el sistema tiene más de una dimensión entonces la idea puede generalizarse sustituyendo
1 1
Tm = ln (16b)
K δ
información sobre el estado de un sistema dinámico que se pierde con el tiempo. En sistemas
han propuesto distintas técnicas. En este trabajo se sigue la técnica de máxima verosimilitud
3
Véase Schouten J.C., F. Takens y Cor M. van den Bleek. (1994) “Maximum-Likelihood Estimation Of
The Entropy Of An Attractor.”
14
Los primeros trabajos se deben a Tam y Devine (1989, 1992) y Daw y Hallow (1993), que
estudian las oscilaciones de presión de un lecho fluidizado según las teorías del caos. Trabajan
Schouten y otros (1992 a 2000) investigan también oscilaciones de presión, y han generado
Dentro de esta línea se han publicado abundantes trabajos como los de Daw y otros (1990 a
(1993), Hay y otros (1995), Larachi y otros (1995), Huilin y otros (1995) Segarra (1995) , Aragón,
Bai y otros (1996). Kikuchi y otros (1996) , Martínez Pons ( 2000), Villa Briongos ( 2003)
Abashar y Elnashaie (1997) sugieren que el comportamiento del lecho fluidizado, no obstante
presentar un atractor extraño, se debe más bien a complejas oscilaciones periódicas, lo que
EXPERIMENTACIÓN:
Es este trabajo se ha utilizado un lecho fluidizado gas –sólido bidimensional, midiendo la
espesor, 300 mm de largo y 160 mm de ancho, separadas entre sí 30 mm, es decir, el lecho
comprendido entre 450 y 500 µm y de densidad 2.550 kg m-3 y acero entre 125 y 210 µm
en % en peso:
paredes de la columna, lo que podría enmascarar las medidas reales, y también para estudiar
los efectos que pueden tener las distintas características ópticas del relleno, siempre dentro
mm.
Emisor de rayos láser, láser He-Ne de 5 mW de potencia, , cuyo calibrado da una longitud de
onda dominante de 630,7±9,5 nm. Con lente colimadora que genera un rayo láser vertical de 4
COLUMNA Y RELLENO
LENTE
SENSOR LÁSER
A LA RED
CONVERSOR AD Y ORDENADOR
ESPESOR DEL R1 V1
LECHO, 30 mm
SENSOR PSD
LENTE
V0
ZI
ZLE R2 V2
Figura 7: Esquema del modo de operación del sensor y lecho fluidizado y del sensor PSD
• Los datos se toman siempre en el plano medio de la columna, con lo que se eliminan
los posibles efectos de borde, con la ventaja de que en caso de una incorrecta ubicación del
rayo o del sensor, las paredes de la columna no distorsionan el camino óptico del rayo como
c) Toma de datos y tratamiento de la señal. El sensor PSD mide la posición del centro de
18 35
16
30
14
25
12
Altura , (mm)
Altura , (mm)
20
10
8
15
6
10
5
2
0 0
0 2 4 6 8 10 12 14 16 18 20 0 2 4 6 8 10 12 14 16 18 20
Tiempo, (s) Tiempo, (s)
30 14
12
25
10
20
Altura , (mm)
Altura , (mm)
15
10
4
5
2
0 0
0 2 4 6 8 10 12 14 16 18 20 0 2 4 6 8 10 12 14 16 18 20
Tiempo, (s) Tiempo, (s)
entorno de 30-40 Bit/s, con una media de 34,43 y una desviación típica de 10,82 . Aplicado el
mismo algoritmo, por vías comparación a series aleatorias se obtienen valores de unos 170 Bit/s,
espectros con muy pocas frecuencias dominantes, lo que quita valor al espectro de Fourier cómo
indicador de caos.
velocidad reducida, Ur. La entropía en Bit/s muestra una cierta tendencia inicial a crecer con la
velocidad reducida, alcanzando un máximo pronunciado cuando H0 = 120 mm, o mucho más
suave en las restantes alturas, para después variar de forma más atenuada.
medio ya a una unidad de tiempo, el segundo, en este caso. El ciclo es distinto para cada ensayo
el número de puntos en cada ciclo, tabla 2, en consecuencia, la entropía por ciclo se reduce, y
así, no se aprecia de forma clara la discordancia a bajas velocidades reducidas, que aparece si
se mide en Bit/s, puesto que el número de puntos por ciclo es menor, véase tabla 2, por lo que
en general, para comparar los diferentes ensayos es más significativa la entropía en Bit/s, al
Bit/ciclo permite un seguimiento más claro del cambio de régimen, véase por ejemplo la gráfica
correspondiente a H0 = 40 mm.
sistema, es conveniente tener en cuenta el mayor número de parámetros que, en cierto modo,
80 7
0%
70
0% 6 10%
H0 = 40mm
10% 15%
15% 20%
60
20% 25%
Entropía de Kolmogorov, (Bit/ciclo)
5
30%
Entropía de Kolmogorov, (Bit/s)
25%
30%
50
4
40
3
30
2
20
1
10
0 0
1 1,2 1,4 1,6 1,8 2 2,2 2,4 2,6 1 1,2 1,4 1,6 1,8 2 2,2 2,4 2,6
Ur Ur
19
50 8
45
7
H0 = 80mm
40
6
0%
25 4
10%
15%
20%
20 0% 3
25%
10%
30%
15 15%
20% 2
25%
10 30%
1
5
0
0
1 1,2 1,4 1,6 1,8 2 2,2 2,4 2,6
1 1,2 1,4 1,6 1,8 2 2,2 2,4 2,6
Ur
Ur
50,000 8,000
45,000
7,000
40,000
6,000
H0 = 120mm
5,000
30,000
0%
25,000 4,000 10%
15%
20%
20,000
0% 3,000 25%
10% 30%
15,000 15%
20% 2,000
10,000 25%
30%
1,000
5,000
0,000 0,000
1 1,2 1,4 1,6 1,8 2 2,2 1 1,2 1,4 1,6 1,8 2 2,2
Ur Ur
Figura 9.- Entropía de Kolmogorov en Bit/s. Figura 10.- Entropía de Kolmogorov en Bit/ciclo.
Aunque la entropía de Kolmogorov debe ser un invariante del sistema, la posible fórmula
empírica que permita su predicción a partir de las características del lecho supone siempre una
incertidumbre, sobre todo por la gran dependencia y sensibilidad con los parámetros iniciales,
característica de todo sistema caótico. No obstante, siguiendo las ideas de Schouten y otros
(1992) y (1998) se buscó una expresión que relacionara las características del lecho fluidizado -
cantidad de relleno (altura del lecho fijo), velocidad de fluidización y contenido en acero- con la
K= P1 ( Ur -1)P2(χ/100+1)P3H0 P4 (17)
χ, el contenido de acero, en %
50
Entropía de Kolmogorov (bit/s)
40
30
20
10
0
0 10 20 30 40 50 60
Entropía experimental (bit/s)
CONCLUSIONES:
La entropía de Kolmogorov es un eficiente parámetro para determinación del caos tambioen
entropía de Kolmogorov. Esto se hace más patente en su estimación por unidad de tiempo
debido a que el criterio de comparación es siempre el mismo para todos los ensayos y no
depende del régimen del fenómeno, mientras que el número de puntos por ciclo si depende del
En cualquier caso y como ocurre con cualquier parámetro caotico, debe cotegarse el algoritmo
utilizado con series artificiales , deterministas y aleatorias para establecer los valores patrón y
BIBLIOGRAFÍA
2. Aragón, J.M.; Serrano, M. y Palancar, M.C. (1997). “Application of Neural Networks for
3. Atkinson, C.M. y Clark, N.N. (1988). “Gas Sampling from Fluidized Beds: A Novel Probe
4. Bai, D.; Bi H.T. y Grace, J.R. (1997). "Chaotic Behavior of Fluidized Beds Based on
5. Bai, D.; Masuda, Y.; Nakagawa, N. y Kato, K. (1996). “Transition to Turbulent Fluidization
7. Bi, H.T.; Grace J.R. y Lim K.S. (1995). “Transition from Bubbling to Turbulent
10. Daw, C.S. y Hallow J. S. (1993). "Evaluation and Control of Fluidization Quality
12. Devaney, R.L. (1989). “An Introduction to Chaotic Dynamical Systems”. Addison-
Wesley.
13. Ditto, W.L. y Pecora, L.M. (1993). “Dominar el caos”. Investigación y Ciencia, 205, 48-55.
14. Fan, L.T.; Ho, T-Ch., Hiraoka, S. y Walawander, W.P. (1981). "Pressure Fluctuations in a
15. Fan, L.T.; Ho, T-Ch.; y Walawender, W.P. (1983). "Measurements of the Rise Velocities
of Bubbles, Slugs and Pressure Waves in a Gas-Solid Fluidized Bed Using Pressure
16. Galindo, A. (2000). “Quanta e información”. Revista Española de Física, 14 (1), 30-47.
17. Gardner, M. (1978). “Música blanca y música parda, curvas fractales y fluctuaciones
19. Karamavruç, A.I. y Clark, N.N. (1997) “A fractal interpretation of local instantaneous
temperature signals around a horizontal heat transfer tube in a bubbling fluidized bed”.
21. Korsan, R.J. (1993). “Fractals and Time Series Analysis". Mathematica J. 3 (1), 39.
22. Kwon, H.W.; Kang, Y.; Kim, S.D.; Yashima, M. y Fan, L.T. (1994). “Bubble-Chord Length
and Pressure Fluctuations in Three-Phase Fluidized Beds”. Ind. Eng. Chem. Res., 33,
1852-1857.
23. Laherrère, J.-M.; Savary, H.; Mellet, R. y Tolédano, J.-C. (1990). “Dynamic-Light-
24. Korsan, R.J. (1993). “Fractals and Time Series Analysis". Mathematica J. 3 (1), 39.
25. Letaief, N.; Rozé, C. y Gouesbet, G. (1995). "Noise/Chaos Distinction Applied to the
26. Lirag, R.C. y Littman, H. (1971). “Statistical Study of the Pressure Fluctuations in a
27. Martínez Pons , J.A. ( 2000) “Aplicación de la Teoría del Caos Determinista al Estudio
28. Martínez Pons , J.A.; Vinagre Benito F.A. ( 2002) Comportamiento de lechos fluidizados
gas-sólido 2-d. Aplicación del análisis de Hurts. Revista Ingeniería química Septiembre
2002
29. Shannon, Calude E,, Weawer, W.(1949) The Mathematical Theory of Communication.
31. Solé, R.V y Manrubia, S.C. (1996). “Orden y caos en sistemas complejos”. UPC.
Barcelona.
32. Stappen, M.L.M van der.; Schouten, J.C. y van den Bleek, C.M. (1993). ”Deterministic
Chaos Analysis of the Dynamical Behavior of Slugging and Bubbling Fluidized Beds”.
33. Steward, I. (1994). “¿Juega Dios a los dados?: La nueva Matemática del caos”. R. B. A.
Barcelona.
34. Taxil, I.; Guigon, P.; Archimbault, F. y Gauthier, T. A. (1997). “Analyse des signaux
35. Villa Briongos, J. Guardiola Soler, J. (2003) Free top fluidized bed surface fluctuations