Documente Academic
Documente Profesional
Documente Cultură
Pentru temperatură: Kelvinul (K) şi gradul Celsius (°C). Mai rar, în literatura anglo-saxonă
se foloseşte şi gradul Fahrenheit (°F).
Pentru energie: Joule-ul (J). Unităţi tolerate (în uz, dar în afara sistemului internaţional) sunt
caloria (cal), litrul-atmosferă (L atm), electron-volt-ul (eV) şi ergul (erg). Relaţiile de
transformare sunt:
1 1
1J = cal = L atm = 0, 625 1019 eV = 107 erg
4,184 101,325
Unităţi de măsură pentru alte mărimi se pot stabili prin analiză dimensională (v. mai
jos). Reţinem, însă, că unitatea de măsură a unei mărimi derivate este mai mult decât o
expresie dimensională. De exemplu, lucrul mecanic şi momentul unei forţe au aceeaşi
expresie dimensională (forţă înmulţită cu lungime) şi, în sistemul internaţional, se măsoară în
N m . Dar numai în cazul lucrului mecanic 1 N m =1 J , pentru că doar lucrul mecanic are
semnificaţia unei energii, iar Joule-ul este o unitate de măsură pentru energie. Legat de
această observaţie, mai notăm că există unităţi de măsură pentru unele mărimi adimensionale.
De exemplu, radianul este o unitate de măsură pentru raportul dintre lungimea arcului de cerc
şi rază, care este adimensional.
1.1.2. Conversii. Operaţii cu unităţi de măsură. Analiză dimensională
Din prezentarea anterioară se poate vedea că unele mărimi pot fi exprimate în mai
multe unităţi de măsură. Pentru a putea compara mărimi exprimate în unităţi de măsură
diferite (dar având aceeaşi dimensiune), este necesar ca unităţile de măsură să fie convertite
una în cealaltă.
Operaţia de conversie este posibilă doar între mărimi cu aceeaşi dimensiune (de
exemplu, putem converti metri în nanometri, dar nu în secunde sau kilograme) şi se realizează
cu ajutorul factorilor de conversie, care sunt expresii unitate (au valoarea egală cu 1) şi
adimensionale (nu au dimensiune), deci înmulţirea cu un produs de factori de conversie nu
schimbă nici dimensiunea şi nici valoarea intrinsecă a unei mărimi.
Factorii de conversie se obţin prin expresii aritmetice asupra unităţilor de măsură ale
aceleiaşi dimensiuni. De exemplu, din relaţiile din secţiunea anterioară rezultă:
1 atm
1 atm = 101325 Pa =1
101325 Pa
Raportul astfel obţinut este factorul de conversie de la Pascal la atmosferă şi este,
unitar şi adimensional. Trebuie menţionat rolul esenţial al unităţilor de măsură, pentru că,
evident, avem:
1
1
101325
Modul de utilizare al factorilor de transformate poate fi înţeles cel mai bine pe baza
unui exemplu. Vom determina valoarea constantei gazelor ideale în L atm mol K , pornind
de la valoarea sa în sistemul internaţional:
R = 8,314 J mol K
= 8,314Pa m3 mol K
1
= 8,314 Pa m3 mol K atm Pa 1 1000 L m 3
101325
= 0, 082L atm mol K
Şirul de egalităţi de mai sus poate fi scris pentru că factorii de conversie utilizaţi sunt
unitari şi adimensionali, deci înmulţirea cu ei nu afectează nici valoarea şi nici dimensiunea
constantei universale a gazelor.
Conversiile sunt posibile între mărimi cu aceeaşi dimensiune. O altă problemă, care
face obiectul analizei dimensionale, este stabilirea dimensiunii unei mărimi şi, în acest scop,
sunt necesare câteva reguli de calcul cu dimensiuni, care se pot extinde direct la unităţile de
măsură asociate. Regulile de calcul sunt următoarele:
3
Extragerea dimensiunii permută cu operațiile elementare. Astfel, notând cu [ x ]
dimensiunea, respectiv unitatea de măsură a mărimii x , avem:
[ x y ] = [ x] [ y ], [ x y ] = [ x] [ y ]
x [ x]
[ xy] = [ x][ y], y = [ y]
xn = [ x]n
Funcțiile transcendente sunt adimensionale. Justificarea acestei afirmaţii vine are la bază
definiţia matematică a funcţiilor transcendente ca limite ale unor serii de puteri. De exemplu,
pentru funcţia exponenţială, avem:
xn
exp( x) =
n =0 n!
Orice ecuație trebuie să fie omogenă dimensional. Mai simplu, această regulă afirmă că
membrul stâng şi cel drept al unei ecuaţii trebuie să fie comparabili, deci trebuie să aibă
aceeaşi dimensiune. Omogenitatea dimensională este şi un discriminant (condiţie necesară)
pentru validitatea formulelor: o formulă neomogenă dimensional nu poate fi corectă.
f [ f ]
=
xi [ x]
adică dimensiunea unei derivate parţiale este raportul dintre dimensiunea funcţiei şi cea a
variabilei de derivare.
Ca aplicaţie, ştiind că derivata energiei interne cu temperatura este capacitatea
calorică, putem scrie:
U [U ]
[Cv ] = =
T [T ]
sau, folosind unităţile sistemului internaţional,
J
[Cv ] =
mol K
0 i =1
b f ( x)dx = f ( )( x x ) = f ( )( x x ) = [ f ][ x]
n
a
i =1
i i i 1
i i i 1
deci dimensiunea unei integrale Riemann este produsul dintre dimensiunea funcţiei şi
dimensiunea argumentului.
Un alt caz interesant în termodinamică este cel al integralelor curbilinii
(Riemann–Clairaut) de speţa a doua, care, folosind parametrizarea traiectoriei de integrare se
reduc la integrale Riemann:
b
f ( x),dx =
a
f [ x( )], x( ) d
unde < > reprezintă produsul scalar, este parametrul traiectoriei. iar a şi b sunt valorile
[ a ,b ][ c , d ]
f ( x, y)dxdy =
a
b
f ( x, y)dy dx
d
de unde rezultă:
[ a ,b ][ c ,d ] f ( x, y )dxdy = [ f ][ x][ y ]
adică dimensiunea integralei duble este produsul dintre dimensiunea funcției şi dimensiunile
variabilelor de integrare.
Formulele de mai sus se extind cu uşurinţă la integrale multiple şi integrale pe varietăţi (de
suprafaţă, volum etc.).
Ca aplicaţie, să stabilim dimensiunea lucrului mecanic de volum, definit ca:
l = Pdv = b P( )v( )d
a
Indiferent de scopul pentru care este construit, un grafic trebuie să respecte câteva
reguli pentru a fi utilizabil:
• Curba şi/sau setul de puncte trebuie să ocupe o porţiune cât mai mare din suprafaţa
graficului. Astfel, toată suprafaţa de reprezentare va fi utilizată pentru ilustrarea relaţiei dintre
cele două mărimi, fără a lăsa zone “moarte”, care nu au nici o utilitate practică, dar reduc
rezoluţia reprezentării.
• Axele graficului trebuie divizate prin puncte echidistante, nu prin valorile observate ale
variabilelor corespunzătoare. Aceasta face mult mai simplă citirea şi interpretarea graficului,
în aceeaşi măsură în care gradaţiile echidistante de pe o riglă gradată o fac utilizabilă pentru
măsurarea lungimilor.
• Axele trebuie etichetate cu precizarea unităţii de măsură a mărimii reprezentate. Aceasta
face posibilă interpretarea graficului, întrucât o axă pe care este reprezentată o mărime
necunoscută cu unităţi de măsură neprecizate nu poate servi nici unei analize.
7
1.2.1. Scalarea axelor liniare
Algoritmul de mai jos este utilizat pentru stabilirea domeniului optim de reprezentare
şi a diviziunilor de pe axele liniare, adică de pe axele pentru care lungimile geometrice (de
exemplu în mm) sunt proporţionale cu lungimile intervalelor reprezentate (în unitatea de
măsură a mărimii reprezentate). Algoritmul nu poate fi aplicat axelor neliniare (de exemplu,
logaritmice) în care această proporţionalitate nu mai este respectată.
Paşii algoritmului sunt următorii:
1. Se ordonează crescător valorile care trebuie reprezentate pe axă. Se notează cu xmin ,
respectiv xmax , cea mai mică, respectiv cea mai mare, dintre aceste valori.
9
Procesul este ilustrat în figura 1 în care numerele corespund cu paşii descrişi mai sus,
cu menţiunea că diviziunile de pe axa absciselor au fost etichetate din două în două pentru a
nu încărca excesiv graficul.
P v H 1 1
= exp
Po R T0 T
11
Figura 2. Liniarizarea empirică a seturilor de date.
Ca exemplu, în figura 2 (stânga) sunt prezentate două seturi de date aparent foarte
asemănătoare. Geometria ambelor grafice sugerează o dependenţă hiperbolică între presiune
şi volum (caracteristică transformării izoterme a unui gaz ideal). Totuşi, după aplicarea
transformării de liniarizare:
1
X = , Y=P
v
se vede (dreapta) că doar unul dintre seturi este descris de dependenţa hiperbolică presupusă
iniţial. Deviaţiile de la linearitate din graficul transformat al celui de-al doilea set indică o
relaţie mai complexă.
Graficul din figura 2 justifică ubicuitatea regresiei liniare, ilustrând capacitatea de
discriminare a modelelor liniare: deşi datele brute sunt greu de diferenţiat, liniarizarea permite
o diferenţiere clară între ele, deviaţiile de la liniaritate (dreapta) fiind mult mai uşor de
observat decât deviaţiile de la un model hiperbolic (stânga).
Întreaga discuţie de mai sus se poate generaliza cu uşurinţă la o clasă de modele
numite multiliniare. Generalizarea are la bază observaţia că ecuaţia unei drepte este algebric
liniară atât în parametrii, cât şi în variabila independentă. Totuşi, din punctul de vedere al
analizei de regresie, liniaritatea importantă este cea în raport cu parametrii, ceea ce înseamnă
că un model de tipul:
n
y = a1 f1 ( x) a2 f 2 ( x) an f n ( x) = ai fi ( x)
i =1
în care Y este o proprietate molară oarecare a unui amestec binar (de exemplu, volumul
molar), x1 este fracţia molară a primului component, iar a, b, c, sunt parametri ajustabili,
iar distanţa dintre două obiecte geometrice mai complicate se defineşte pornind de la formula
de mai sus (de exemplu, suma distanţelor dintre vârfurile a două poligoane, sau distanţa dintre
centrele lor de greutate).
Oricum ar fi definită, pentru a avea proprietăţile asociate intuitiv cu noţiunea de
distanţă, funcţia D(, ) : n
n
trebuie să satisfacă un set de condiţii, numite axiome
metrice:
Distanţa dintre două puncte distincte este întotdeauna pozitivă. Distanţa dintre două puncte
este nulă dacă şi numai dacă punctele coincid:
d (x, y ) 0; d ( x, y ) = 0 x = y
13
Distanţa dintre două puncte nu depinde de direcţia de măsură:
x, y • d (x, y ) = d (y, x)
Distanţa dintre două puncte este măsurată pe drumul cel mai scurt:
x, y , y • d ( x , y ) d ( x, z ) d ( z , y )
Cea mai simplă cale de a obţine o distanţă (în sensul acestor axiome) între modelul de
regresie şi setul de puncte este următoarea:
1. Setul de puncte experimentale (fie el {xi , yie }i =1,n ) se separă în setul valori {xi } ale
dependente).
2. Folosind modelul liniar y = ax b se calculează setul de valori { yic = axi b}i =1,n .
3. Distanţa dintre setul de date şi model este dată de distanţa dintre vectorii y e n
şi
yc n
:
n n
Figura 3. Distanţa de la model la setul de date experimentale măsurată prin discretizare pe valorile
predictorului. Modelul din stânga este “mai aproape” de date decât cel din dreapta.
Figura 3 ilustrează această definiţie, reprezentând acelaşi set de date împreună cu două
modele liniare diferite. În sensul distanţei definite mai sus, modelul din partea stângă este
“mai aproape” de date decât cel din partea dreaptă.
Observăm că distanţa dintre model şi setul de date este funcţie de parametrii modelului
şi, în acest sens, identificarea dreptei de regresie revine la minimizarea funcţiei : 2
.
Evident, cum radicalul este o funcţie strict crescătoare, minimizarea funcţiei este
echivalentă cu minimizarea funcţiei 2 , care este mai simplu de prelucrat. Datorită formei
particulare a funcţiei 2 (sumă de pătrate), această metoda de regresie mai este numită şi
metoda celor mai mici pătrate.
Calea cea mai directă de minimizarea a unei funcţii este anularea gradientului. În acest
caz, 2 = 0 este un sistem de ecuaţii liniare compatibil şi determinat, deci are o singură
soluţie care, în mod obligatoriu, trebuie să corespundă minimului funcţiei 2 . Prin urmare nu
mai este nevoie să investigăm natura extremului cu ajutorul matricii hessiene.
Sistemul de ecuaţii din care se determină parametrii modelului de regresie este:
2
a =0
2 = 0 2
=0
b
a
i =1
xi b
i =1
xi = xi yie
i =1
n n
a x bn
i = yi
i =1 i =1
Folosind notaţiile:
n n n n
S x = xi , S 2 = xi2 , S y = yi , S xy = xi yi
x
i =1 i =1 i =1 i =1
b Sx Sy S 2 S y S x S xy
x
b= = =
nS 2 S x
2
S2 Sx
x x
Sx n
15
acceptabil pentru modele cu un număr mic de parametri, dar, în cazul modelelor multilinare
tipice, cu un număr mare de parametri, este cu mult mai utilă o reprezentare compactă a
setului optim, care să poată fi utilizată în orice mediu de programare cu suport pentru calculul
matriceal.
În cele ce urmează vom presupune că setul de date este dat sub forma unui tabel
( xi , yi )i =1,n , iar modelul de regresie are forma:
p
y = ai fi ( x) (3)
i =1
a0 a1 f1 ( x2 ) a p f p ( x2 ) = y2e
a0 a1 f1 ( xn ) a p f p ( xn ) = yne
în care matricea X dată de X ij = f j xi este aşa numita “matrice de modelare” (design matrix).
Această ecuaţie descrie situaţia ideală în care setul de date este reprezentat exact de model.
Evident, erorile de măsură fac această situaţie imposibilă, deci ecuaţia (4) poate fi rezolvată
doar în sens optimal (în sensul celor mai mici pătrate, ceea ce presupune identificare soluţiei
a* care minimizează eroarea de reprezentare:
2 2
a* : Xa* y e = min Xa* y e
2 2
a p
Xa y e , Xa* y e = 2 (a)
2 T
Xa* y e = *
2
în care , reprezintă produsul scalar euclidian, iar este o funcţie echivalentă cu distanţa
(1). Aplicând regulile obişnuite de calcul din algebra liniară, norma erorii de reprezentare
devine:
2 (a) = aT X T Xa 2aT X T y e y eT y e
Minimizarea funcţiei revine, ca de obicei, la anularea gradientului. Pentru a obţine
o expresie cât mai convenabilă pentru , vom introduce notaţia H = X T X şi vom observa
că:
• Matricea X T X este simetrică. Într-adevăr:
n n n
H ij = ( X T X )ij = ( X T )ik X kj = X ki X kj = X kj X ki = H ji
k =1 k =1 k =1
ak
(a Ha) =
ak
H ij ai a j = H ij (ai jk a jik ) =
i =1 j =1 i =1 j =1
p p
H
i =1
ik ai H kj a j = ( Ha) k (a H ) k = ( Ha) k ( H a) k = 2( Ha) k
j =1
T T
a = X T X X T ye
1
(6)
în care Ti 0 sunt temperaturile normale de fierbere ale celor doi componenţi, iar a, b, c, sunt
parametri ajustabili. Notăm că acest model este non-parametric în sensul că nu are nici un
suport teoretic cu privire la relaţia dintre temperatura de fierbere şi compoziţie. Astfel de
17
modele de regresie au avantajul de a nu introduce ipoteze suplimentare în analiza datelor
experimentale, dar nu pot furniza nici un fel de informaţii despre sistem în afara relaţiei strict
matematice între cele două mărimi implicate. Modele de acest tip se folosesc în testarea
consistenţei termodinamice a datelor experimentale la presiuni joase şi moderate.
Tabelul 2. Puncte de fierbere ale amestecurilor de acetonă (1) şi metanol (2) la presiune atmosferică
x1 0,0 0,05 0,1 0,2 0,30 0,40 0,5 0,6 0,7 0,80 1,0
t , °C 64,5 63,60 62,5 60,2 58,65 57,55 56,7 56,0 55,3 55,05 56,1
Figura 4. Curba de fierbere a sistemului acetonă (1) + metanol (2) la presiune atmosferică
19
datelor experimentale.
y
2
e
i f ( xi )
R2 = 1 i =1
n 2
(7)
y
i =1
e
i y
e
în care y e este media aritmetică a valorilor răspunsului, restul notaţiilor fiind cele deja
cunoscute.
În esenţă, acest coeficient compară două cazuri extreme: cel în care predictorul şi
răspunsul sunt corelate, iar modelul f redă corect această dependenţă şi cel în care
21
variabilele nu sunt corelate, caz în care răspunsul este “constant” în raport cu predictorul, deci
modelul optim este o linie orizontală cu ordonata dată de media valorilor sale. Observăm, în
treacăt, că, dacă panta dreptei de regresie este nulă (dreapta de regresie este o linie orizontală),
valoarea optimă a ordonatei sale este chiar media aritmetică a valorilor y e , ceea ce justifică
utilizarea mediei aritmetice şi în acest caz.
O valoare apropiată de unitate a coeficientului de determinare indică o bună adecvare
a modelului în raport cu datele experimentale. La limită, dacă modelul este exact (este un
model de interpolare), coeficientul său de determinare este egal cu unitatea. O valoare mică
(eventual negativă) pentru R2 indică un model invalid. Astfel, pentru situaţia din figura 5
avem:
Ra2 = 1,000, Rb2 = 0,919
ceea ce sprijină observaţia anterioară că datele din graficul a al figurii sunt corelate optim de o
dreaptă, iar cele din graficul b – nu.
Trebuie, însă, remarcat că utilizarea coeficientului de determinare fără reprezentarea
grafică a modelului şi datelor experimentale, poate duce la concluzii greşite. Astfel, pentru
situaţia din figura 6, avem:
Ra2 = 0,951, Rb2 = 0,993
Aparent, corelarea din graficul b este cu mult mai bună, dar inspecţia graficului
propriu-zis arată că modelul cu 7 parametri supra-corelează datele, reproducând şi erorile de
măsură şi introducând artefacte nefizice în reprezentare. Aşadar, o valoare mare a
coeficientului de determinare este un indicator de validitate, dar, considerată izolat, poate
ascunde senzitivitatea excesivă a modelului de regresie faţă de erorile experimentale (aşa-
numita “modelare a erorilor”).
Detectarea supra-corelării este, în general, o problemă foarte delicată, care necesită
instrumente de inferenţă statistică a căror prezentare depăşeşte cadrul acestui îndrumar.
3. Complemente de matematică
În discuţiile anterioare privitoare la analiza dimensională şi prelucrarea datelor
experimentale, au fost utilizate anumite noţiuni de matematică a căror detaliere este
importantă pentru înțelegerea demonstraţiilor şi argumentelor prezentate. Aceste noţiuni, în
principiu deja cunoscute din liceu, sunt reluate mai amănunţit în cele ce urmează.
3.1. Inversarea unei matrici
În aplicarea formulei Moore–Penrose pentru calculul parametrilor optimi ai modelelor
(multi)liniare, este necesară inversarea matricii X T X , în care X este matricea de modelare.
Matricea X T X este totdeauna pătrată, de un ordin egal cu numărul de parametri ai modelului.
Există mai multe metode de inversare, dintre care vom discuta două:
3.1.1. Metoda analitică
Această metodă se bazează pe formula:
1 T
A1 = C
| A|
sau, altfel spus, cofactorul elementului aij este determinantul matricii A exclusiv linia şi
coloana acestuia.
Metoda presupune calculul unor determinanţi de ordinul n 1, deci este incomodă
pentru inversarea matricilor cu ordin mai mare de 4 . De exemplu, pentru matricea
1 2 3 1 2 3
5 6 4 6 4 5
A = 4 5 6 avem: 4 5 6 = 1 (2) 3 = 3
7 8 10 8 10 7 10 7 8
7 8 10
5 6 4 6 4 5
8 10 7 10 7 8
2 2 2 3
3 1 3 1 2
C = = 4 11 6
8 10 7 10 7 8
3 6 3
2 3
1 3
1 2
5 6 4 6 4 5
Rezultă:
2 4
3
3
1
2 11
A =
1
2
3 3
1 2 1
Se poate verifica imediat că A1 A = AA1 = I3 , în care I 3 este matricea unitate de ordinul 3.
A, I n I n , A1
în care n este ordinul matricii A .
Transformările constau în:
• Amplificarea unei linii cu un număr real:
Ak ,i Ak ,i , i = 1, n,
Se observă că a doua matrice din pereche a devenit egală cu A1 (v. şi rezultatul
metodei analitice mai sus).
Ecuaţia din definiţia de mai sus se numeşte ecuaţie carteziană a dreptei. Pornind de la ea se
pot obţine celelalte două ecuaţii importante:
: ax by c = 0, a, b, c ecuația implicită
x = x x
: , a, b, ecuații parametrice
y = y y
25
a
2
a b2
n= (versorul normal)
b
2
a b
2
Aceşti vectori sunt folosiţi în stabilirea coliniarităţii punctelor şi a ortogonalităţii
dreptelor. Figura 7 ilustrează semnificaţia geometrică a acestor doi vectori.
Aceşti parametri sunt cel mai des utilizaţi în prelucrarea datelor experimentale,
întrucât semnificaţia lor fizică se poate determina prin comparaţie cu modelul teoretic
liniarizat. Semnificaţia lor geometrică este ilustrată în figura 8. Figura ilustrează, de
asemenea, şi modalitatea de determinare a parametrilor ecuaţiei carteziene a dreptei:
• Panta se determină alegând arbitrar două puncte pe dreaptă, determinând distanţa între ele
pe cele două direcţii canonice (verticală şi orizontală) şi calculând raportul lor, ca în definiţia
de mai sus.
• Ordonata la origine se determină geometric, prelungind dreapta până intersectează axa
Oy şi citind ordonata acelui punct.
În practică, pentru determinarea pantei se aleg două puncte cât mai depărtate pe
dreaptă, pentru a reduce la minimum erorile de citire. Evident, dacă se cunoaşte ecuaţia
carteziană a dreptei (de exemplu, dintr-un calcul de regresie) panta este coeficientul variabilei
independente, iar ordonata la origine este termenul liber, aşa cum arată definiţia de mai sus.
d ( P, ) = d ( P, M ) = ( xP xM ) 2 ( yP yM ) 2
27
Figura 9. Distanţa de la un punct exterior dreptei la dreaptă.
29
omogenitate:
n n
f xi = f ( xi ) (operatorul f este aditiv)
i =1 i =1
f ( x) = f ( x) (operatorul f este omogen)
Liniaritatea algebrică a unor operatori stă la baza multor formule de calcul şi/sau
demonstraţii din Chimia Fizică. De exemplu, legea lui Kirchhoff este consecinţa imediată a
liniarităţii operatorului de integrare Riemann:
N N N N
r HT = i H i0 (T ) = i H i0 (T0 ) CP0 ,i dT = i H i0 (T0 )
T T
i T CP0 ,i dT
i =1 i =1 T0 i =1 i =1 0
n
T0
T T
= r HT i CP0 ,i dT = r HT r CP dT (8)
0
i =1 0 T0
Să mai observăm că între cele două tipuri de liniaritate există o legătură, în sensul că o
funcţie f : care este liniară algebric este liniară şi geometric (graficul său este o
dreaptă), dar nu şi invers. Într-adevăr, pentru o funcţie de forma f ( x) = ax b , avem:
f ( x y ) = a ( x y ) b = ax ay b f ( x ) f ( y ) = ax ay ( )b
În fapt, singura situaţie în care o funcţie liniară geometric este liniară şi algebric este
b = 0 . Se poate arăta că aceste funcţii (de forma f ( x) = ax ) sunt singurele funcţii reale liniare
de variabilă reală.
Pentru a face o distincţie clară între cele două tipuri de liniaritate, funcţiile geometric
liniare mai sunt numite şi funcţii afine.
31
fiecare pas lungimea intervalului de căutare se reduce la jumătate, numărul de paşi în care
algoritmul obţine convergenţa este dat de majorantul întreg al logaritmului binar al raportului
dintre lungimea intervalului iniţial şi toleranţă (raportul de reducere a intervalului iniţial):
ba
nmax = log 2
Ca exemplu, să calculăm punctul de fierbere al unui amestec echimolar ideal de ne-electroliţi,
folosind ecuaţia:
v H1 1 1 v H 2 1 1
0,5exp 0 0,5exp 0 1 = 0
R T1 T R T2 T
în care v H1,2 sunt entalpiile de vaporizare ale celor doi componenţi ai amestecului, T1,20 sunt
punctele lor de fierbere (saturaţie), iar R este constanta gazelor ideale (Regnault). Folosind
valorile:
v H1 v H 2
= 6000 K , T10 = 353 K , = 5000 K , T20 = 393 K
R R
şi ştiind că ecuaţia are exact o soluţie în intervalul [T10 , T20 ] , evoluţia algoritmului poate fi
urmărită în tabelul 4.
Tabelul 4. Evoluţia algoritmului de bisecţie pentru punctul de fierbere al unui amestec binar ideal.
ab ab
Pasul a , K f (a ) b,K f (b) ,K f
2 2
1 353,000 -0,3817325648 393,0000 2,3203031685 373,0000 4,966290e-01
353,000 -0,3817325648 373,0000 0,4966290031 363,0000 -2,669456e-02
373,000 0,4966290031 363,0000 -0,0266945562 368,0000 2,103432e-01
363,000 -0,0266945562 368,0000 0,2103432306 365,5000 8,615427e-02
363,000 -0,0266945562 365,5000 0,0861542724 364,2500 2,836967e-02
363,000 -0,0266945562 364,2500 0,0283696699 363,6250 5,044699e-04
363,000 -0,0266945562 363,6250 0,0005044699 363,3125 -1,317746e-02
363,625 0,0005044699 363,3125 -0,0131774575 363,4688 -6,357204e-03
363,625 0,0005044699 363,4688 -0,0063572040 363,5469 -2,931558e-03
363,625 0,0005044699 363,5469 -0,0029315580 363,5859 -1,214843e-03
363,625 0,0005044699 363,5859 -0,0012148434 363,6055 -3,555118e-04
363,625 0,0005044699 363,6055 -0,0003555118 363,6152 7,439775e-05
Din tabel rezultă că:
• Punctul de fierbere al amestecului binar este T = 363, 615 K cu o eroare absolută mai
mică de 0, 01 K .
• Algoritmul satisface criteriul de convergenţă după un număr de paşi egal cu
40
nmax = log 2 = 12
0,01
Metoda bisecţiei funcţionează bine în acest caz pentru că intervalul de încadrare este
cunoscut (temperatura de fierbere a amestecului se află totdeauna între temperaturile de
fierbere ale componenţilor puri) şi se cunoaşte că în acest interval ecuaţia are exact o soluţie
(amestecul nu poate avea mai multe temperaturi de fierbere).
33
ajutorul funcţiei de recurenţă
v( x)
( x) = x
f ( x)
pentru care soluţia ecuaţiei originale este un punct fix. Conform teoremei lui Picard, pentru a
obţine convergenţa, funcţia trebuie să fie o contracţie. O condiţie necesară pentru aceasta
este ca derivata ei să fie mărginită în modul de o constantă subunitară pe un domeniu care
include toate aproximaţiile succesive ale soluţiei. Din nefericire, nu există nici o metodă de a
verifica a priori această condiţie dar, pentru majoritatea ecuaţiilor, dacă se porneşte de la o
aproximaţie iniţială suficient de apropiată de soluţie, metoda converge cu o viteză
satisfăcătoare. O altă condiţie de convergenţă este ca derivata funcţiei să nu se anuleze în nici
una din aproximaţiile intermediare şi, în particular, soluţia ecuaţiei să nu fie rădăcină dublă a
membrului stâng. Pentru a satisface această condiţie, este suficient ca membrul stâng să fie
monoton într-o vecinătate a soluţiei, iar aproximarea iniţială să fie în această vecinătate.
Ca exemplu, să utilizăm metoda Newton–Raphson pentru a calcula presiunea de
vapori a triclorurii de bor la T = 373,15 K folosind ecuaţia Frost–Kalkwarf–Thodos:
B P
ln P = A C ln T D 2
T T
în care constantele A, B, C , D au valorile:
A = 46,103, B = 4443,16, C = 5, 404, D = 2228, 0
Din considerente termodinamice, ştim că funcţia P = P (T ) este strict crescătoare între
punctul triplu şi cel critic, deci ecuaţia trebuie să aibă o singură soluţie la orice temperatură.
Folosind aproximația iniţială P0 = 2 bar şi expresiile:
B P
f ( P ) = ln P A C ln T D 2
T T
1 1
f ( x) = D 2
P T
se obţin datele din tabelul 5.
35