Professional Documents
Culture Documents
1 5 PB
1 5 PB
Revista Latinoamericana de
e
Revista Latinoamericana de Ciencia, Tecnología e Innovación
Editor:
© Luis Orlando Moncada Albitres
Jr. Negrón Ugarte N°957 – Las Quintanas
lmoncada@unitru.edu.pe
Trujillo – Perú
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Editor en Jefe
Dr. Luis Orlando Moncada Albitres
Equipo Editorial
Dr. Enrique Calmet Reyna
Dr. Guillermo David Evangelista Benites
Dr. Henry Elder Ventura Aguilar
Dr. José Luis Aguilar Delgado
Dr. Miguel Augusto Montreuil Frías
PhD. Pablo Aguilar Marin
Dr. Pascual Ancelmo Castillo Valdiviezo
Dr. William Genaro Blas Cerdan
Soporte Técnico
Dr. Luis David Moncada Torres
Índice general
Ver: https://ingenieriaquimica.tech/revista/index.php/RLCTI/issue/view/1
RESUMEN
En este artículo, se presenta el desarrollo y la implementación del modelo IWA ASM1 (Activated Sludge
Model No. 1) utilizando MATLAB, una herramienta poderosa para el análisis y diseño de sistemas de trata-
miento de aguas residuales. El modelo ASM1 se utiliza ampliamente para simular el comportamiento de los
reactores biológicos utilizados en el tratamiento de aguas residuales. Se exploran las ecuaciones y parámetros
del modelo, así como su adaptación para sistemas de uno y dos reactores. Además, se presentan ejemplos de
aplicaciones prácticas del modelo en el diseño y optimización de sistemas de tratamiento de aguas residuales.
Palabras clave: tratamiento de aguas residuales, modelo IWA ASM1, MATLAB, reactores biológicos, diseño
de sistemas.
ABSTRACT
This article presents the development and implementation of the IWA ASM1 (Activated Sludge Model No. 1)
model using MATLAB, a powerful tool for the analysis and design of wastewater treatment systems. The
ASM1 model is widely used to simulate the behavior of biological reactors used in wastewater treatment. The
equations and parameters of the model are explored, as well as its adaptation for one and two-reactor systems.
Additionally, examples of practical applications of the model in the design and optimization of wastewater
treatment systems are presented.
Keywords: wastewater treatment, IWA ASM1 model, MATLAB, biological reactors, system design.
1. INTRODUCCIÓN
El tratamiento efectivo de aguas residuales desempeña un papel crucial en la preservación del medio ambiente
y en la protección de la salud pública. En este contexto, el modelo IWA ASM1, desarrollado por la Asociación
Internacional del Agua (IWA), se convierte en una herramienta de gran valor para comprender y simular el
comportamiento de los reactores biológicos utilizados en los procesos de tratamiento de aguas residuales. Ade-
más, el uso de MATLAB como plataforma para implementar este modelo ofrece numerosas ventajas, inclu-
yendo mayor flexibilidad y precisión en el análisis y diseño de sistemas de tratamiento.
En un proceso típico de lodos activados, se emplean dos unidades principales: el tanque de aireación (también
conocido como cuenca) y el clarificador secundario (tanque de sedimentación). La interacción entre estas dos
unidades es fundamental para lograr un tratamiento eficiente de las aguas residuales. Desde la parte inferior
del clarificador secundario, los lodos sedimentados y concentrados son devueltos al tanque de aireación. Este
proceso de recirculación garantiza que los sólidos suspendidos en el licor mixto (MLSS) se mantengan en los
niveles deseados.
1
Universidad Nacional de Trujillo, Ciudad Trujillo, País Perú. lmoncadat@unitru.edu.pe
2
Universidad Nacional de Trujillo, Ciudad Trujillo, País Perú. lmoncada@unitru.edu.pe
Página 1 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
Un aspecto esencial para considerar en la operación de sistemas de lodos activados es la gestión del exceso de
lodo generado diariamente. Este exceso de lodo se elimina de la línea de lodo de retorno y, con frecuencia, se
dirige a un espesador de lodo. La finalidad de este proceso es mantener el sistema funcionando de acuerdo con
un ciclo de lodo controlado, lo que se expresa en términos de dos parámetros clave: el tiempo de retención
celular (MCRT) o el tiempo de retención de lodo (SRT).
El manejo adecuado de estos parámetros es crucial para garantizar un funcionamiento óptimo del sistema de
tratamiento de aguas residuales. Un MCRT o SRT inadecuado puede afectar negativamente la eficiencia de
eliminación de contaminantes y, en última instancia, aumentar los costos operativos. Por lo tanto, la optimiza-
ción y control de estos factores son elementos esenciales en el diseño y operación efectiva de sistemas de
tratamiento de aguas residuales.
Exploraremos la implementación del modelo IWA ASM1 en MATLAB y analizaremos dos ejemplos prácticos
de aplicaciones en la ingeniería de aguas residuales. Estos ejemplos proporcionarán una visión más completa
de cómo esta combinación de herramientas puede revolucionar el diseño y la gestión de sistemas de tratamiento
de aguas residuales, contribuyendo así a un impacto positivo en el medio ambiente y la salud pública.
Página 2 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
𝑆𝑁𝐻 𝑆𝑂
𝜌3 = 𝜇𝐴 ( )( ) 𝑋𝐵,𝐴 (3)
𝐾𝑁𝐻 +𝑆𝑁𝐻 𝐾𝑂,𝐴 +𝑆𝑂
𝜌4 = 𝑏𝐻 𝑋𝐵,𝐻 (4)
𝜌5 = 𝑏𝐴 𝑋𝐵,𝐴 (5)
𝜌6 = 𝑘𝐴 𝑆𝑁𝐷 𝑋𝐵,𝐻 (6)
𝑋𝑆 ⁄𝑋𝐵,𝐻 𝑆𝑂 𝑆𝑂,𝐻 𝑆𝑁𝑂
𝜌7 = 𝑘ℎ [( ) + 𝜂ℎ ( )( )] 𝑋𝐵,𝐻 (7)
𝐾𝑋 +𝑋𝑆 ⁄𝑋𝐵,𝐻 𝐾𝑂,𝐻 +𝑆𝑂 𝐾𝑂,𝐻 +𝑆𝑂 𝐾𝑁𝑂 +𝑆𝑁𝑂
𝑆𝑂 𝑆𝑂,𝐻 𝑆𝑁𝑂
𝜌8 = 𝑘ℎ [( ) + 𝜂ℎ ( )( )] 𝑋𝐵,𝐻 (𝑋𝑁𝐷 ⁄𝑋𝑆 ) (8)
𝐾𝑂,𝐻 +𝑆𝑂 𝐾𝑂,𝐻 +𝑆𝑂 𝐾𝑁𝑂 +𝑆𝑁𝑂
Página 3 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
𝑟1 = 0 (9)
1 1
𝑟2 = − 𝜌1 − 𝜌2 + 𝜌7 (10)
𝑌𝐻 𝑌𝐻
𝑟3 = 0 (11)
𝑟4 = (1 − 𝑓𝑃 )𝜌4 + (1 − 𝑓𝑃 )𝜌5 − 𝜌7 (12)
𝑟5 = 𝜌1 + 𝜌2 − 𝜌4 (13)
𝑟6 = 𝜌3 − 𝜌5 (14)
𝑟7 = 𝑓𝑃 𝜌4 + 𝑓𝑃 𝜌5 (15)
1−𝑌𝐻 4.57−𝑌𝐴
𝑟8 = − 𝜌1 − 𝜌3 (16)
𝑌𝐻 𝑌𝐴
1−𝑌𝐻 1
𝑟9 = − 𝜌2 − 𝜌3 (17)
2.86𝑌𝐻 𝑌𝐴
1
𝑟10 = −𝑖𝑋𝐵 𝜌1 − 𝑖𝑋𝐵 𝜌2 − (𝑖𝑋𝐵 + ) 𝜌3 + 𝜌6 (18)
𝑌𝐻
𝑟11 = −𝜌6 + 𝜌8 (19)
𝑟12 = (𝑖𝑋𝐵 − 𝑓𝑃 𝑖𝑋𝐵 )𝜌4 + (𝑖𝑋𝐵 − 𝑓𝑃 𝑖𝑋𝐵 )𝜌5 − 𝜌8 (20)
𝑖 1−𝑌𝐻 𝑖 𝑖 1 1
𝑟13 = − 𝑋𝐵 𝜌1 + ( − 𝑋𝐵 ) 𝜌2 − ( 𝑋𝐵 − ) 𝜌3 + 𝜌6 (21)
14 14∙2.86𝑌𝐻 14 14 7𝑌𝐴 14
Los parámetros cinéticos y estequiométricos son elementos clave en el modelo ASM1 para describir las tasas
de reacción y las relaciones estequiométricas en los procesos de tratamiento de aguas residuales.
Los valores de los parámetros del modelo ASM1 pueden variar según las características específicas de un
sistema de tratamiento de aguas residuales y las condiciones ambientales. Por lo general, estos valores se ob-
tienen a través de experimentos de laboratorio, pruebas piloto o datos de sistemas de tratamiento reales. La
calibración y ajuste de los parámetros son procesos fundamentales para que el modelo se ajuste de manera
precisa a un sistema particular.
Parámetros cinéticos:
1. Tasa de crecimiento máximo heterótrofo (µH) : Representa la máxima tasa de crecimiento que
pueden alcanzar los microorganismos heterótrofos en condiciones aeróbicas. Valores típicos en el
rango de 0.1 a 1.0 día⁻¹.
2. Tasa de crecimiento máximo autótrofo (µa) : Indica la máxima tasa de crecimiento de los micro-
organismos autótrofos en condiciones aeróbicas. Valores típicos en el rango de 0.05 a 0.3 día⁻¹
3. Constante de saturación por sustrato biodegadable (K S) : Representa la concentración de sus-
trato biodegradable en la que la tasa de crecimiento es la mitad de la tasa máxima. Valores típicos en
el rango de 5 a 30 mg/L.
4. Constante heterótrofa de saturación por oxígeno (K O,H) : Indica la concentración de oxígeno di-
suelto en la que la tasa de crecimiento de microorganismos heterótrofos se reduce a la mitad de su
valor máximo. Valores típicos en el rango de 0.2 a 2.0 mg O₂/L.
5. Constante de saturación por nitrógeno como nitrito o nitrato (K NO) : Representa la concentra-
ción de nitrógeno en forma de nitrito o nitrato en la que la tasa de crecimiento se reduce a la mitad
de su máximo. Valores típicos en el rango de 0.1 a 1.0 mg N/L.
6. Tasa de decaimiento heterótrofo (bh) : Indica la tasa de decaimiento de los microorganismos hete-
rótrofos. Valores típicos en el rango de 0.05 a 0.2 día⁻¹.
7. Constante autótrofa de saturación por oxígeno (K O,A) : Representa la concentración de oxígeno
disuelto en la que la tasa de crecimiento de los microorganismos autótrofos se reduce a la mitad de
su valor máximo. Valores típicos en el rango de 0.1 a 2.0 mg O₂/L.
8. Constante autótrofa de saturación por amina, amoniaco o nitrógeno (K nh) : Indica la concentra-
ción de nitrógeno en forma de amina o amoniaco en la que la tasa de crecimiento de los microorga-
nismos autótrofos se reduce a la mitad de su máximo. Valores típicos en el rango de 0.1 a 5.0 mg
N/L.
9. Tasa de Decaimiento Autótrofo (ba) : Representa la tasa de decaimiento de los microorganismos
autótrofos. Su valor puede variar según las condiciones del sistema y la concentración de microorga-
nismos autótrofos.
10. Factor de corrección para crecimiento heterótrofo anóxico (ηg) : Es un factor que corrige la tasa
de crecimiento heterótrofo en condiciones anóxicas (sin oxígeno). Su valor es específico para el sis-
tema y puede variar según las condiciones de oxigenación.
Página 4 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
11. Factor de corrección para hidrólisis (ηh) : Es un factor que corrige la tasa de hidrólisis, que es el
proceso de descomposición de compuestos orgánicos atrapados en partículas. Su valor depende de
las características del sistema y la eficiencia de la hidrólisis.
12. Amonificación (ks) : Representa la tasa de conversión de nitrógeno orgánico soluble en amoníaco.
Su valor es específico para el sistema y puede variar según las condiciones de nitrificación y des-
composición.
13. Hidrólisis (kh, Kx) : La tasa de hidrólisis y la constante de saturación en la ecuación de hidrólisis,
que describe la descomposición de materia orgánica atrapada. Estos valores son específicos para el
sistema y dependen de la eficiencia de la hidrólisis.
Parámetros estequiometricos:
1. Rendimiento heterótrofo (YH) : Representa la cantidad de biomasa heterótrofa producida por uni-
dad de materia orgánica biodegradable consumida. Valores típicos en el rango de 0.3 a 0.7 g SS/g
COD.
2. Rendimiento autótrofo (YA) : Indica la cantidad de biomasa autótrofa producida por unidad de sus-
trato inorgánico consumido. Valores típicos en el rango de 0.1 a 0.3 g SS/g COD.
3. Fracción de producto inerte (fp) : Es la fracción de la biomasa producida que se considera inerte,
es decir, que no participa en los procesos de reacción. Valores típicos en el rango de 0.1 a 0.4.
4. Razón de nitrógeno en la DQO de la biomasa (iXB) : Representa la relación entre la cantidad de
nitrógeno y la Demanda Química de Oxígeno (DQO) de la biomasa. Valores típicos en el rango de
0.05 a 0.15.
5. Razón de nitrógeno en la DQO del producto de la biomasa (i XB) : Indica la relación entre la can-
tidad de nitrógeno y la DQO del producto de la biomasa. Valores típicos en el rango de 0.03 a 0.1.
𝑑𝑋𝐵,𝐴
= (𝑄 ⁄𝑉 ) ∙ (𝑋B,A 𝑖𝑛 − 𝑋𝐵,𝐴 𝑜𝑢𝑡 ) + 𝑟6 (27)
𝑑𝑡
𝑑𝑋𝑃
= (𝑄 ⁄𝑉 ) ∙ (𝑋𝑃 𝑖𝑛 − 𝑋P 𝑜𝑢𝑡 ) + 𝑟7 (28)
𝑑𝑡
𝑑𝑆𝑂
= (𝑄 ⁄𝑉 ) ∙ (𝑆O 𝑖𝑛 − 𝑆O 𝑜𝑢𝑡 ) + 𝑟8 (29)
𝑑𝑡
𝑑𝑆𝑁𝑂
= (𝑄 ⁄𝑉 ) ∙ (𝑆NO 𝑖𝑛 − 𝑆NO 𝑜𝑢𝑡 ) + 𝑟9 (30)
𝑑𝑡
𝑑𝑆𝑁𝐻
= (𝑄 ⁄𝑉 ) ∙ (𝑆NH 𝑖𝑛 − 𝑆NH 𝑜𝑢𝑡 ) + 𝑟10 (31)
𝑑𝑡
𝑑𝑆𝑁𝐷
= (𝑄 ⁄𝑉 ) ∙ (𝑆ND 𝑖𝑛 − 𝑆ND 𝑜𝑢𝑡 ) + 𝑟11 (32)
𝑑𝑡
𝑑𝑋𝑁𝐷
= (𝑄 ⁄𝑉 ) ∙ (𝑋ND 𝑖𝑛 − 𝑋ND 𝑜𝑢𝑡 ) + 𝑟12 (33)
𝑑𝑡
𝑑𝑆𝐴𝐿𝐾
= (𝑄 ⁄𝑉 ) ∙ (𝑆ALK 𝑖𝑛 − 𝑆ALK 𝑜𝑢𝑡 ) + 𝑟13 (34)
𝑑𝑡
Página 5 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
Las ecuaciones 22 al 34 representan el sistema de ecuaciones diferenciales que describen el balance de mate-
ria para cada uno de los 13 componentes en el modelo ASM1. Cada ecuación tiene una estructura similar y
describe cómo la concentración de un componente en particular cambia con el tiempo debido a la entrada y
salida del componente, así como a los procesos biológicos y químicos que afectan su concentración.
El sistema de ecuaciones diferenciales es fundamental para simular y comprender el comportamiento del sis-
tema de tratamiento de aguas residuales y cómo las concentraciones de los componentes evolucionan con el
tiempo. Para resolver este sistema de ecuaciones, se requiere utilizar software o herramientas de programa-
ción numérica, como MATLAB, que pueden manejar ecuaciones diferenciales y realizar cálculos numéricos.
En este sistema de ecuaciones, las diferenciales representan las tasas de cambio de las concentraciones de los
componentes con respecto al tiempo. Las 𝑟1 a 𝑟13 representan las tasas de los procesos bioquímicos y quími-
cos que afectan a cada componente.
Resolver este sistema de ecuaciones permitirá simular el comportamiento del sistema de tratamiento de aguas
residuales y estudiar cómo los cambios en los parámetros cinéticos y estequiométricos afectan la eficiencia
del tratamiento y la calidad del efluente.
Página 6 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
Para el segundo caso se dispuso dos reactores en serie denominados Zona 1 (Sección Anóxica) y Zona 2 (Sec-
ción Aeróbica), para un afluente con un flujo de 250m3/día que ingresa a un punto de mezcla con una recircu-
lación interna de 250m3/día para luego ingresar a razón de 500m3/día a la Zona 1, cuya salida ingresa a la
Zona 2 del cual la salida se divide en 2 corrientes de 250m3/día cada una, siendo una de estas la recirculación
interna mencionada previamente. La salida de la zona 2 que no recircula ingresa finalmente a un decantador,
del cual sale nuestro efluente. El volumen de nuestro reactor en la Zona 1 es de 91 m3 con un valor de SO igual
a 0, mientras que el volumen de nuestro reactor en la Zona 2 es de 128 m3 en el que se considera el oxígeno
disuelto en el agua (SO) con un valor de 2 g/m3.
Las condiciones iniciales de nuestro reactor de la Zona 1 son:
3. MATERIALES Y MÉTODOS
Para este estudio, se procedió a elaborar el algoritmo de cálculo para su implementación en MATLAB. Este
código MATLAB se desarrolló para modelar un sistema de tratamiento de aguas residuales mediante el método
de diferencias finitas. La modelización se basa en el Modelo ASM1 (Activated Sludge Model No. 1) de la
Asociación Internacional del Agua (IWA), que permite simular el comportamiento de reactores biológicos
Página 7 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
utilizados en procesos de tratamiento de aguas residuales. El ASM1 considera varios procesos biológicos y
cinéticos, incluyendo el crecimiento de biomasa heterótrofa y autótrofa, la degradación de materia orgánica, la
nitrificación y denitrificación, entre otros.
En este código, se realiza un balance de materia para 13 componentes diferentes, y las ecuaciones diferenciales
que rigen su comportamiento se resuelven mediante el método de diferencias finitas. Estas ecuaciones repre-
sentan la dinámica de concentración de componentes clave, como materia orgánica, biomasa, nitrógeno, entre
otros, a lo largo del tiempo.
Este código proporciona resultados finales y representa gráficamente la evolución de las concentraciones de
las distintas variables a lo largo del tiempo, lo que resulta fundamental para el diseño y la optimización de
sistemas de tratamiento de aguas residuales. La modelización de sistemas de tratamiento de aguas residuales
es un enfoque crítico para garantizar la eficiencia en la eliminación de contaminantes y la protección del medio
ambiente.
for i=2:dias/dt+1
r1=uH*SS(i-1)/(KS+SS(i-1))*SO/(KOH+SO)*XBH(i-1);
r2=uH*SS(i-1)/(KS+SS(i-1))*KOH/(KOH+SO)*SNO(i-1)/(KNO+SNO(i-1))*ng*XBH(i-1);
r3=uA*SNH(i-1)/(KNH+SNH(i-1))*SO/(KOA+SO)*XBA(i-1);
r4=bH*XBH(i-1);
r5=bA*XBA(i-1);
r6=ka*SND(i-1)*XBH(i-1);
r7=kh*XS(i-1)/XBH(i-1)/(KX+XS(i-1)/XBH(i-1))* ...
(SO/(KOH+SO)+nh*KOH/(KOH+SO)*SNO(i-1)/(KNO+SNO(i-1)))*XBH(i-1);
r8=r7*XND(i-1)/XS(i-1);
rSI=0;
rSS=-1/YH*(r1+r2)+r7;
rXI=0;
rXS=(1-fp)*(r4+r5)-r7;
rXBH=r1+r2-r4;
rXBA=r3-r5;
rXP=fp*(r4+r5);
rSNO=-(1-YH)/2.86/YH*r2+r3/YA;
rSNH=-iXB*(r1+r2)-(iXB+1/YA)*r3+r6;
rSND=-r6+r8;
rXND=(iXB-fp*iXP)*(r4+r5)-r8;
rSALK=-(iXB/14)*r1+((1-YH)/(14*2.86*YH)-iXB/14)*r2-...
(iXB/14+1/(7*YA))*r3+(1/14)*r6;
SI(i)=SI(i-1)+((1/VH)*(Q0*SI0+QX*SI(i-1)-(Q0+QX)*SI(i-1))+rSI)*dt;
SS(i)=SS(i-1)+((1/VH)*(Q0*SS0+QX*SS(i-1)-(Q0+QX)*SS(i-1))+rSS)*dt;
XI(i)=XI(i-1)+((1/VH)*(Q0*XI0+QX*XI(i-1)-(Q0+QX)*XI(i-1))+rXI)*dt;
XS(i)=XS(i-1)+((1/VH)*(Q0*XS0+QX*XS(i-1)-(Q0+QX)*XS(i-1))+rXS)*dt;
XBH(i)=XBH(i-1)+((1/VH)*(Q0*XBH0+QX*XBH(i-1)-(Q0+QX)*XBH(i-1))+rXBH)*dt;
XBA(i)=XBA(i-1)+((1/VH)*(Q0*XBA0+QX*XBA(i-1)-(Q0+QX)*XBA(i-1))+rXBA)*dt;
XP(i)=XP(i-1)+((1/VH)*(Q0*XP0+QX*XP(i-1)-(Q0+QX)*XP(i-1))+rXP)*dt;
SNO(i)=SNO(i-1)+((1/VH)*(Q0*SNO0+QX*SNO(i-1)-(Q0+QX)*SNO(i-1))+rSNO)*dt;
SNH(i)=SNH(i-1)+((1/VH)*(Q0*SNH0+QX*SNH(i-1)-(Q0+QX)*SNH(i-1))+rSNH)*dt;
SND(i)=SND(i-1)+((1/VH)*(Q0*SND0+QX*SND(i-1)-(Q0+QX)*SND(i-1))+rSND)*dt;
XND(i)=XND(i-1)+((1/VH)*(Q0*XND0+QX*XND(i-1)-(Q0+QX)*XND(i-1))+rXND)*dt;
SALK(i)=SALK(i-1)+((1/VH)*(Q0*SALK0+QX*SALK(i-1)-(Q0+QX)*SALK(i-1))+rSALK)*dt;
end
FMA=Q0*(SS0+XS0)./(VH*(XBA+XBH)/1.2);
Página 8 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
FMR=Q0*(SS0+XS0)./(VH*(XBA+XBH)/1.2);
MM=Q0*(SNH0+SNO0+SND0+XND0)./(VH*(XBA+XBH)/1.2);
r=XTE/(XBA(i)+XBH(i)+XS(i)+XI(i)*1.2+XP(i))*1.2;
XIE(i)=r*XI(i);count=1;
table(count,:)=[time(1) FMA(1) FMR(1) SND(1) SNH(1) SNO(1) SS(1) XBA(1) XBH(1) XI(1)
XND(1) XP(1) XS(1)];
for k=1:(i-1)
if rem(k*dt,0.5)==0
count=count+1;
table(count,:)=[time(k) FMA(k) FMR(k) SND(k) SNH(k) SNO(k) SS(k) XBA(k) XBH(k)
XI(k) XND(k) XP(k) XS(k)];
end
end
% Mostrar los resultados finales
disp('Resultados finales:');
disp(final_results);
% Gráficas
figure;
subplot(2, 1, 1);
plot(time, XS, 'b', time, XBH, 'g', time, XBA, 'r', time, XP, 'c');
title('Concentración de XS, XBH, XBA y XP');
xlabel('Tiempo (días)');
ylabel('Concentración (mg/L)');
legend('XS', 'XBH', 'XBA', 'XP');
grid on;
subplot(2, 1, 2);
plot(time, SNO, 'b', time, SNH, 'g', time, SND, 'r', time, XND, 'c');
title('Concentración de Nitrógeno');
xlabel('Tiempo (días)');
ylabel('Concentración (mg/L)');
legend('SNO', 'SNH', 'SND', 'XND');
grid on;
figure;
subplot(2, 1, 1);
plot(time, SALK, 'b');
title('Concentración de Alcalinidad');
xlabel('Tiempo (días)');
ylabel('Concentración (mg/L)');
grid on;
subplot(2, 1, 2);
plot(time, SI, 'b', time, XI, 'g');
title('Concentración de Materia Orgánica');
xlabel('Tiempo (días)');
ylabel('Concentración (mg/L)');
legend('SI', 'XI');
grid on;
Página 9 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
r5=bA*XBA(i-1);
r6=ka*SND(i-1)*XBH(i-1);
r7=kh*XS(i-1)/XBH(i-1)/(KX+XS(i-1)/XBH(i-1))*(SO/(KOH+SO)+...
nh*KOH/(KOH+SO)*SNO(i-1)/(KNO+SNO(i-1)))*XBH(i-1);
r8=r7*XND(i-1)/XS(i-1);
rSI=0;
rSS=-1/YH*(r1+r2)+r7;
rXI=0;
rXS=(1-fp)*(r4+r5)-r7;
rXBH=r1+r2-r4;
rXBA=r3-r5;
rXP=fp*(r4+r5);
rSNO=-(1-YH)/2.86/YH*r2+r3/YA;
rSNH=-iXB*(r1+r2)-(iXB+1/YA)*r3+r6;
rSND=-r6+r8;
rXND=(iXB-fp*iXP)*(r4+r5)-r8;
rSALK=-(iXB/14)*r1+((1-YH)/(14*2.86*YH)-iXB/14)*r2-...
(iXB/14+1/(7*YA))*r3+(1/14)*r6;
SI(i)=SI(i-1)+((1/VH)*(Q0*SI0+QX*SI2(i-1)-(Q0+QX)*SI(i-1))+rSI)*dt;
SS(i)=SS(i-1)+((1/VH)*(Q0*SS0+QX*SS2(i-1)-(Q0+QX)*SS(i-1))+rSS)*dt;
XI(i)=XI(i-1)+((1/VH)*(Q0*XI0+QX*XI2(i-1)-(Q0+QX)*XI(i-1))+rXI)*dt;
XS(i)=XS(i-1)+((1/VH)*(Q0*XS0+QX*XS2(i-1)-(Q0+QX)*XS(i-1))+rXS)*dt;
XBH(i)=XBH(i-1)+((1/VH)*(Q0*XBH0+QX*XBH2(i-1)-(Q0+QX)*XBH(i-1))+rXBH)*dt;
XBA(i)=XBA(i-1)+((1/VH)*(Q0*XBA0+QX*XBA2(i-1)-(Q0+QX)*XBA(i-1))+rXBA)*dt;
XP(i)=XP(i-1)+((1/VH)*(Q0*XP0+QX*XP2(i-1)-(Q0+QX)*XP(i-1))+rXP)*dt;
SNO(i)=SNO(i-1)+((1/VH)*(Q0*SNO0+QX*SNO2(i-1)-(Q0+QX)*SNO(i-1))+rSNO)*dt;
SNH(i)=SNH(i-1)+((1/VH)*(Q0*SNH0+QX*SNH2(i-1)-(Q0+QX)*SNH(i-1))+rSNH)*dt;
SND(i)=SND(i-1)+((1/VH)*(Q0*SND0+QX*SND2(i-1)-(Q0+QX)*SND(i-1))+rSND)*dt;
XND(i)=XND(i-1)+((1/VH)*(Q0*XND0+QX*XND2(i-1)-(Q0+QX)*XND(i-1))+rXND)*dt;
SALK(i)=SALK(i-1)+((1/VH)*(Q0*SALK0+QX*SALK2(i-1)-(Q0+QX)*SALK(i-1))+rSALK)*dt;
r12=uH*SS2(i-1)/(KS+SS2(i-1))*SO2/(KOH+SO2)*XBH2(i-1);
r22=uH*SS2(i-1)/(KS+SS2(i-1))*KOH/(KOH+SO2)*SNO2(i-1)/ ...
(KNO+SNO2(i-1))*ng*XBH2(i-1);
r32=uA*SNH2(i-1)/(KNH+SNH2(i-1))*SO2/(KOA+SO2)*XBA2(i-1);
r42=bH*XBH2(i-1);
r52=bA*XBA2(i-1);
r62=ka*SND2(i-1)*XBH2(i-1);
r72=kh*XS2(i-1)/XBH2(i-1)/(KX+XS2(i-1)/XBH2(i-1))*(SO2/(KOH+SO2)+...
nh*KOH/(KOH+SO2)*SNO2(i-1)/(KNO+SNO2(i-1)))*XBH2(i-1);
r82=r72*XND2(i-1)/XS2(i-1);
rSI2=0;
rSS2=-1/YH*(r12+r22)+r72;
rXI2=0;
rXS2=(1-fp)*(r42+r52)-r72;
rXBH2=r12+r22-r42;
rXBA2=r32-r52;
rXP2=fp*(r42+r52);
rSNO2=-(1-YH)/2.86/YH*r22+r32/YA;
rSNH2=-iXB*(r12+r22)-(iXB+1/YA)*r32+r62;
rSND2=-r62+r82;
rXND2=(iXB-fp*iXP)*(r42+r52)-r82;
rSALK2=-(iXB/14)*r12+((1-YH)/(14*2.86*YH)-iXB/14)*r22-...
(iXB/14+1/(7*YA))*r32+(1/14)*r62;
SI2(i)=SI2(i-1)+((1/VH2)*((Q0+QX)*SI(i-1)-(Q0+QX)*SI2(i-1))+rSI2)*dt;
SS2(i)=SS2(i-1)+((1/VH2)*((Q0+QX)*SS(i-1)-(Q0+QX)*SS2(i-1))+rSS2)*dt;
XI2(i)=XI2(i-1)+((1/VH2)*((Q0+QX)*XI(i-1)-(Q0+QX)*XI2(i-1))+rXI2)*dt;
XS2(i)=XS2(i-1)+((1/VH2)*((Q0+QX)*XS(i-1)-(Q0+QX)*XS2(i-1))+rXS2)*dt;
XBH2(i)=XBH2(i-1)+((1/VH2)*((Q0+QX)*XBH(i-1)-(Q0+QX)*XBH2(i-1))+rXBH2)*dt;
XBA2(i)=XBA2(i-1)+((1/VH2)*((Q0+QX)*XBA(i-1)-(Q0+QX)*XBA2(i-1))+rXBA2)*dt;
XP2(i)=XP2(i-1)+((1/VH2)*((Q0+QX)*XP(i-1)-(Q0+QX)*XP2(i-1))+rXP2)*dt;
SNO2(i)=SNO2(i-1)+((1/VH2)*((Q0+QX)*SNO(i-1)-(Q0+QX)*SNO2(i-1))+rSNO2)*dt;
SNH2(i)=SNH2(i-1)+((1/VH2)*((Q0+QX)*SNH(i-1)-(Q0+QX)*SNH2(i-1))+rSNH2)*dt;
SND2(i)=SND2(i-1)+((1/VH2)*((Q0+QX)*SND(i-1)-(Q0+QX)*SND2(i-1))+rSND2)*dt;
XND2(i)=XND2(i-1)+((1/VH2)*((Q0+QX)*XND(i-1)-(Q0+QX)*XND2(i-1))+rXND2)*dt;
SALK2(i)=SALK2(i-1)+((1/VH2)*((Q0+QX)*SALK(i-1)-(Q0+QX)*SALK2(i-1))+rSALK2)*dt;
end
FMA=Q0*(SS0+XS0)./(VH*(XBA+XBH)/1.2);
FMR=Q0*(SS0+XS0)./(VH*(XBA+XBH)/1.2);
MM=Q0*(SNH0+SNO0+SND0+XND0)./(VH*(XBA+XBH)/1.2);
r=XTE/(XBA(i)+XBH(i)+XS(i)+XI(i)*1.2+XP(i))*1.2;
XIE(i)=r*XI(i);count=1;
table(count,:)=[time(1) FMA(1) FMR(1) SND(1) SNH(1) SNO(1) SS(1) XBA(1) XBH(1) XI(1)
XND(1) XP(1) XS(1)];
for k=1:(i-1)
Página 10 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
if rem(k*dt,0.5)==0
count=count+1;
table(count,:)=[time(k) FMA(k) FMR(k) SND(k) SNH(k) SNO(k) SS(k) XBA(k) XBH(k)
XI(k) XND(k) XP(k) XS(k)];
end
end
% Resultados finales para Zona 1
final_results_zone1 = [SS(end), XS(end), XBH(end), XBA(end), XP(end), SO(end), SNO(end),
SNH(end), SND(end), XND(end), SALK(end), SI(end), XI(end)];
% Resultados finales para Zona 2
final_results_zone2 = [SS2(end), XS2(end), XBH2(end), XBA2(end), XP2(end), SO2(end),
SNO2(end), SNH2(end), SND2(end), XND2(end), SALK2(end), SI2(end), XI2(end)];
% Mostrar los resultados finales para Zona 1
disp('Resultados finales - Zona 1:');
disp(final_results_zone1);
% Mostrar los resultados finales para Zona 2
disp('Resultados finales - Zona 2:');
disp(final_results_zone2);
% Gráficas
figure;
subplot(2, 1, 1);
plot(time, XBH, 'b', time, XBH2, 'g');
title('Concentración de Biomasa XBH en Zona 1 y Zona 2');
xlabel('Tiempo (días)');
ylabel('Concentración (mg/L)');
legend('Zona 1', 'Zona 2');
grid on;
subplot(2, 1, 2);
plot(time, XBA, 'b', time, XBA2, 'g');
title('Concentración de Biomasa XBA en Zona 1 y Zona 2');
xlabel('Tiempo (días)');
ylabel('Concentración (mg/L)');
legend('Zona 1', 'Zona 2');
grid on;
4. RESULTADOS
CASO 1
Luego de realizar nuestra simulación por un tiempo de 50 días, se obtuvo un efluente con las siguientes carac-
terísticas:
• Materia orgánica soluble inerte (SI): 21 g COD/m3
• Sustrato rápidamente biodegradable (SS): 236.017 g COD/m3
• Materia orgánica particulada inerte (XI): 15.7 g COD/m3
• Sustrato lentamente biodegradable (Xs): 228.8039 g COD/m3
• Biomasa activa heterótrofa (XBH): 20.7938 g COD/m3
• Biomasa activa autótrofa (XBA): 0 g COD/m3
• Partícula producto del decaimiento de biomasa (Xp): 0.3754 g N/m3
• Nitrógeno como nitrato o nitrito (SNO): 0.0773 g NO3-N/m3
• Nitrógeno como amoniaco o amonio (SNH): 48.2438 NH3-N/m3
• Nitrógeno orgánico soluble biodegradable (SND): 4.5080 g N/m3
• Nitrógeno orgánico particulado biodegradable (XND): 7.1133 g N/m3
• Alcalinidad (SALK): 100.2226 g COD/m3
CASO 2
Luego de realizar nuestra simulación por un tiempo de 50 días, se obtuvo un efluente con las siguientes carac-
terísticas:
• Materia orgánica soluble inerte (SI): 21 g COD/m3
• Sustrato rápidamente biodegradable (SS): 18.1370 g COD/m3
• Materia orgánica particulada inerte (XI): 15.7 g COD/m3
• Sustrato lentamente biodegradable (Xs): 33.6926 g COD/m3
Página 11 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
Página 12 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
5. CONCLUSIONES
El desarrollo e implementación del modelo IWA ASM1 en MATLAB ofrece una herramienta valiosa para el
análisis y diseño de sistemas de tratamiento de aguas residuales. El modelo proporciona una comprensión
detallada del comportamiento de los reactores biológicos y permite evaluar diferentes estrategias de operación
para mejorar la eficiencia y sostenibilidad del tratamiento.
La capacidad de adaptar el modelo para sistemas de uno y dos reactores amplía su aplicabilidad y utilidad en
una amplia gama de sistemas de tratamiento. La combinación de la robustez del modelo IWA ASM1 y la
flexibilidad de MATLAB hace posible realizar simulaciones precisas y confiables para el diseño y optimiza-
ción de sistemas de tratamiento de aguas residuales, contribuyendo así al desarrollo de tecnologías más efi-
cientes y respetuosas con el medio ambiente.
6. REFERENCIAS BIBLIOGRAFICAS
Belandria, M., Gómez, C., Márquez, R., & Ríos, M. (2012). Modelo promedio de un proceso de lodos activa-
dos en alternancia de fases para la remoción de nitrógeno en aguas residuales. Ciencia e Ingeniería, 33(2),
105-112.
Espinosa-Rodríguez, M. A., & Fall, C. (2015). Optimization de la producción de lodos en un sistema de lo-
dos activados a través de la calibración del modelo ASM1. Ingeniería, investigación y tecnología, 16(1),
93-104.
Página 13 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
Fall, C., Romero, R. C., & Delgado, C. D. (2006). Modelación matemática de plantas de tratamiento de lodos
activados. Retema: Revista técnica de medio ambiente, 19(110), 32-47.
Henze, M., Grady Jr., C. P. L.,Gujer, W., Marais, G. R., Matsuo, T., Activated Sludge Model nº . Scientific
and Thecnical Report No. 1, 1987, IAWPRC, London.
Yang, W. Y., Cao, W., Kim, J., Park, K. W., Park, H. H., Joung, J., ... & Im, T. (2020). Applied numerical
methods using MATLAB. John Wiley & Sons.
Young, T., & Mohlenkamp, M. J. (2021). Introduction to numerical methods and Matlab Programming for
Engineers.
Página 14 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación
Web revista: https://ingenieriaquimica.tech/revista/index.php/RLCTI
Aceptado: 27 de mayo de 2023. Publicado por IngenieriaQuímica.Tech
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
RESUMEN
En este artículo, se abordan los métodos matemáticos utilizados para evaluar la rentabilidad de procesos indus-
triales, y su importancia como herramientas en la toma de decisiones financieras. Se presentan los fundamentos
de los métodos de evaluación de proyectos, como el retorno sobre la inversión (ROI), la tasa interna de retorno
(TIR), el valor actual neto (VAN), costos capitalizados y el tiempo de repago. Además, se explora la aplicación
de estas técnicas en el análisis de inversiones en proyectos de ingeniería, y su relevancia para la toma de deci-
siones estratégicas en la industria.
Palabras clave: métodos matemáticos, evaluación de rentabilidad, proyectos industriales, decisiones financie-
ras, ingeniería.
ABSTRACT
In this article, the mathematical methods used to evaluate the profitability of industrial processes are discussed,
and their importance as tools in financial decision-making. Fundamentals of project evaluation methods are
presented, such as return on investment (RSI), internal rate of return (IRR), net present value, capitalized costs,
and payback time. In addition, the application of these techniques in the analysis of investments in engineering
projects is explored, and its relevance for strategic decision making in the industry.
Keywords: mathematical methods, profitability evaluation, industrial projects, financial decisions, engineer-
ing.
1. INTRODUCCIÓN
La evaluación de la rentabilidad es un aspecto crítico en la toma de decisiones financieras para proyectos in-
dustriales. Los métodos matemáticos proporcionan herramientas precisas y confiables para analizar la viabili-
dad económica de proyectos y evaluar su atractivo desde el punto de vista financiero. En este artículo, se
presentan los métodos matemáticos más utilizados para la evaluación de rentabilidad de proyectos industriales,
destacando su importancia en la toma de decisiones estratégicas en la industria.
Antes de destinar un capital a un proyecto o empresa, es esencial evaluar el potencial de beneficio que podría
obtenerse y determinar si sería más ventajoso invertir dicho capital en otra empresa o alternativa. Por lo tanto,
el objetivo principal de un análisis económico es analizar y determinar los beneficios alcanzables mediante la
inversión de capital y seleccionar la mejor opción entre varias alternativas.
Existen diversas razones para realizar inversiones de capital. En ocasiones, el propósito puede ser proporcionar
un servicio que no necesariamente genera un beneficio monetario directo, como brindar instalaciones recreati-
vas de uso libre para los trabajadores. En estos casos, la rentabilidad de la inversión no se puede expresar
mediante cifras positivas. No obstante, en el ámbito del diseño de ingeniería, con frecuencia se enfrentan in-
versiones que tienen el potencial de generar beneficios tangibles.
1
Universidad Nacional de Trujillo, Ciudad Trujillo, País Perú. rolguin@unitru.edu.pe
2
Universidad Nacional de Trujillo, Ciudad Trujillo, País Perú. lmoncada@unitru.edu.pe
Página 15 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
Las inversiones pueden llevarse a cabo para reemplazar o mejorar una propiedad existente, para desarrollar
una nueva empresa u otros propósitos en los que se espera obtener un beneficio del capital invertido. En tales
situaciones, resulta de suma importancia realizar un análisis minucioso sobre la utilización del capital para
tomar decisiones fundamentadas y optimizar el rendimiento de la inversión.
2. MATERIALES Y MÉTODOS
Para este estudio, se llevó a cabo una revisión detallada de la literatura científica relacionada con los métodos
para la evaluación de la rentabilidad de proyectos industriales. Se recopilaron y analizaron diferentes publica-
ciones especializadas para ilustrar la aplicación de estos métodos en el análisis de inversiones en proyectos de
ingeniería.
3. DESARROLLO Y DISCUSIÓN
Los métodos más comúnmente utilizados para evaluar la rentabilidad se agrupan bajo los siguientes títulos:
1. Retorno sobre la inversión (ROI): Este método calcula la relación entre la ganancia neta obtenida y el
costo total de la inversión. Es una medida simple y ampliamente utilizada para determinar la rentabilidad
de un proyecto o inversión.
2. Tasa interna de retorno (TIR): La TIR es la tasa de interés a la cual el valor presente neto de una inver-
sión se vuelve igual a cero. Es una herramienta valiosa para evaluar la viabilidad de un proyecto, ya que
indica la tasa de rendimiento que se lograría con la inversión.
3. Valor presente neto (VAN): El VAN es una técnica que calcula el valor presente de los flujos de efectivo
futuros generados por una inversión, descontados a una tasa de interés determinada. Un VAN positivo
indica que la inversión es rentable.
4. Costos capitalizados: Este método consiste en considerar los costos de inversión y gastos futuros como
un único costo total. Es útil para determinar el valor de activos o proyectos a largo plazo.
5. Periodo de recuperación de la inversión (PRI): El periodo de recuperación de la inversión es el tiempo
necesario para que los flujos de efectivo de una inversión igualen o recuperen el capital inicial invertido.
Es una medida importante para evaluar la rapidez con la que una inversión puede generar beneficios.
Cada uno de estos métodos presenta ventajas y desventajas, y se ha escrito extensamente sobre las virtudes y
aplicaciones de cada uno de ellos. Dado que no existe un método universalmente superior para todas las si-
tuaciones, el ingeniero debe comprender los conceptos fundamentales de cada método y tener la capacidad de
seleccionar el más adecuado para satisfacer las necesidades específicas de la situación en cuestión. La elec-
ción del método apropiado es esencial para tomar decisiones informadas y acertadas en la evaluación de la
rentabilidad de proyectos e inversiones.
donde:
• ROIa = tasa de retorno sobre la inversión antes de los impuestos, %
• ROId = tasa de retorno sobre la inversión después de los impuestos, %
• Ua = utilidades antes de los impuestos, dólares / año
• Ud = utilidades después de impuestos, dólares /año
Ua = S – C (3)
donde:
• C = costo total de producción, dólares /año
Página 16 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
Ejemplo 1 Determinación del retorno sobre la inversión (efecto del impuesto a los ingresos)
Se busca realizar diversos análisis relacionados con el Retorno de Inversión (ROI) para una planta de manu-
factura. Para llevar a cabo este estudio, se contempla invertir un capital fijo de $900,000 y un capital de trabajo
de $100,000. Los ingresos anuales proyectados alcanzan los $800,000, mientras que los gastos anuales, inclu-
yendo la depreciación, sumarán $520,000 antes de aplicar los impuestos. Con el objetivo de que la inversión
sea considerada rentable, se requiere un retorno sobre la inversión mínimo del 15% antes de impuestos. Cabe
mencionar que el impuesto sobre los ingresos se establece en un 48%.
Las evaluaciones a realizar son las siguientes:
a) Determinar el retorno sobre la inversión antes de los impuestos.
b) Calcular el retorno sobre la inversión después de aplicar los impuestos.
c) Estimar el retorno sobre la inversión antes de los impuestos basado en el beneficio mínimo requerido.
d) Analizar el retorno sobre la inversión antes de los impuestos considerando la depreciación por la línea recta
y asumiendo valor de salvamento cero.
Estos cálculos nos permitirán evaluar con detalle la viabilidad y rentabilidad de la inversión en la planta de
manufactura, proporcionando una visión completa de los beneficios esperados y los aspectos fiscales involu-
crados en el proyecto.
Solución
Página 17 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
a) Beneficio anual antes de los impuestos = $800 000 – $520 000 = $280 000
Retorno sobre la inversión antes de los impuestos
Los métodos previamente expuestos para calcular la tasa de retorno proporcionan resultados específicos que
pueden aplicarse a un año particular o al promedio de varios años. Sin embargo, estos métodos no consideran
el valor del dinero en el tiempo, ni tienen en cuenta la variación de costos y beneficios durante la duración de
un proyecto.
Un ejemplo claro de costos que pueden variar a lo largo del periodo de vida de un proyecto son los costos de
depreciación. Si se utiliza el método de depreciación lineal, estos costos se mantendrán constantes; sin embargo,
emplear el método de saldo decreciente o la suma de los dígitos de los años para determinar los costos de
depreciación podría resultar más beneficioso, ya que provocaría una variación inmediata de los costos y bene-
ficios de un año a otro durante la vida del proyecto. En tales situaciones, un análisis de la rentabilidad basado
en un solo punto en la curva de ganancias versus tiempo sería insuficiente, y podría ser más apropiado recurrir
a un análisis de rentabilidad basado en el flujo de dinero en efectivo descontado, ampliamente conocido como
tasa interna de retorno. Este enfoque permitirá considerar adecuadamente el valor del dinero en el tiempo y
evaluar la verdadera rentabilidad del proyecto a lo largo de su vida útil.
Página 18 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
Solución
Primero representaré la tasa de retorno como i, y con esta tasa llevaremos los flujos de dinero al inicio de la
vida del proyecto (año cero); utilizando la metodología del valor presente del flujo de dinero (VPFD).
La TIR es la tasa de interés a la que el valor presente del flujo de dinero de la inversión es igual cero.
Para el ejemplo se tiene:
30000 31000 36000 40000 43000
𝑉𝑃𝐹𝐷 = −110000 + + + + + =0
(1 + 𝑖) (1 + 𝑖)2 (1 + 𝑖)3 (1 + 𝑖)4 (1 + 𝑖)5
Generalizando, la tasa de retorno se puede determinar usando la siguiente ecuación:
1 1
𝑉𝑃𝐹𝐷 = −𝐼𝑇 + 𝐼𝑊 ∗ (1+𝑖)𝑛 + 𝑉𝑆 ∗ (1+𝑖)𝑛 + ∑𝑛𝑛=1 𝐴𝑛 = 0 (10)
donde:
• VPFD = valor presente del flujo de dinero
• IT = inversión total
• IW = inversión de capital de trabajo
• VS = valor de salvamento
• An = flujo de dinero al término de cada año (anualidad)
• n = años
Podemos ir calculando el VPFD para diferentes de tasas, y luego utilizar la técnica de la interpolación para
calcular la TIR
Página 19 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
Sin embargo, otra forma de calcular la tasa interna de retorno es Graficando la Ec. (10). Usando MATLAB,
para lo cual creamos un archivo m de la siguiente manera:
function y = vpfd(x)
y = 110000-30000*(1./((x + 1.0))) - 31000*(1./((x + 1.0).^2 )) - 36000*(1./((x + 1.0).^3)) -
40000*(1./((x + 1.0).^4)) - 43000*(1./((x + 1.0).^5))-10000*(1./((x + 1.0).^5))-10000*(1./((x
+ 1.0).^5));
luego en la ventana principal damos las ordenes siguientes
fplot('vpfd',[0.1 0.3])
grid
xlabel('Interés: i')
ylabel('VPFD')
Con lo cual se tiene la Figura 1
Página 20 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
(11)
En la evaluación de proyectos mayormente se utiliza la denominación de VAN.
(12)
Donde:
• K = costo capitalizado
• CV = costo original del equipo
• CA = costo de reemplazo
• VS = valor de salvamento al final de la vida útil
• n = vida útil estimada
• i = tasa de interés
Página 21 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
esto, se considera cada costo de operación anual como equivalente a adquirir una nueva pieza de equipo al final
de cada año.
El procedimiento implica determinar el valor presente de los costos operativos anuales. Se calcula la suma de
estos valores presentes y luego se capitaliza multiplicándolos por el factor de costo capitalizado, tal como se
muestra en la Ec. (12). De esta manera, el costo capitalizado total incluye tanto la inversión inicial como los
costos operativos a lo largo de la vida del proyecto, sumando también los costos de inversión y el capital de
trabajo.
Esta ampliación del concepto de costo capitalizado proporciona una visión más holística de la rentabilidad del
proyecto, considerando no solo los costos iniciales, sino también los costos recurrentes a lo largo del tiempo.
Es una herramienta valiosa para tomar decisiones informadas y evaluar la viabilidad económica de proyectos
a largo plazo, garantizando un análisis exhaustivo de los flujos de dinero y facilitando una toma de decisiones
más precisa y fundamentada
4. CONCLUSIONES
Los métodos para la evaluación de la rentabilidad de proyectos industriales son herramientas esenciales en la
toma de decisiones financieras. La aplicación de técnicas como el valor presente neto, la tasa interna de retorno
y el período de recuperación permite a los profesionales y tomadores de decisiones en la industria evaluar la
viabilidad económica de proyectos y seleccionar las inversiones más rentables.
La precisión y confiabilidad de los ofrecen una base sólida para la toma de decisiones estratégicas en la indus-
tria, contribuyendo al éxito y crecimiento de las organizaciones. La aplicación efectiva de estos métodos en el
análisis de inversiones en proyectos industriales es esencial para mejorar la eficiencia operativa, la rentabilidad
y la competitividad en un entorno empresarial altamente competitivo.
5. REFERENCIAS BIBLIOGRAFICAS
Altuve, J. (2001). Administración Financiera. Mérida: Ediciones Consejo de Publicaciones de la Universidad
de Los Andes.
Besley, S. (2001). Fundamentos de administración financiera.
Gitman, L. J. (2003). Principios de administración financiera. Pearson educación.
Happel, J., & Jordan, D. G. (1981). Economía procesos químicos. Reverté.
Página 22 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación
Web revista: https://ingenieriaquimica.tech/revista/index.php/RLCTI
Aceptado: 05 de julio de 2023. Publicado por IngenieriaQuímica.Tech
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
RESUMEN
En este artículo, se presenta un enfoque detallado sobre el equilibrio líquido-vapor en mezclas binarias utili-
zando CHEMCAD, una herramienta ampliamente utilizada en la ingeniería de procesos. Se explican los fun-
damentos del equilibrio líquido-vapor y su importancia en el diseño y optimización de operaciones unitarias.
Se abordan las técnicas y métodos implementados en CHEMCAD para simular y analizar el comportamiento
de mezclas binarias, destacando su relevancia en la industria química y su aplicación en la investigación de
fenómenos termodinámicos en sistemas de mezclas.
Palabras clave: equilibrio líquido-vapor, mezclas binarias, CHEMCAD, ingeniería de procesos, termodiná-
mica.
ABSTRACT
This article presents a detailed approach to liquid-vapor equilibrium in binary mixtures using CHEMCAD, a
widely used tool in process engineering. The fundamentals of liquid-vapor equilibrium and its importance in
the design and optimization of unit operations are explained. The techniques and methods implemented in
CHEMCAD to simulate and analyze the behavior of binary mixtures are addressed, highlighting their relevance
in the chemical industry and their application in researching thermodynamic phenomena in mixing systems.
Keywords: liquid-vapor equilibrium, binary mixtures, CHEMCAD, process engineering, thermodynamics.
1. INTRODUCCIÓN
El equilibrio líquido-vapor es un fenómeno crítico en la ingeniería de procesos, especialmente en la separación
de componentes en mezclas binarias. CHEMCAD ofrece una plataforma versátil para el análisis y diseño de
operaciones unitarias, permitiendo simular el comportamiento de mezclas binarias en condiciones de equilibrio.
En este artículo, se presenta un enfoque detallado sobre el equilibrio líquido-vapor en mezclas binarias, abor-
dando los principios fundamentales y su aplicación en la industria química.
1
Universidad Nacional de Trujillo, Ciudad Trujillo, País Perú. lmoncadat@unitru.edu.pe
2
Universidad Nacional de Trujillo, Ciudad Trujillo, País Perú. lmoncada@unitru.edu.pe
Página 23 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
3. MATERIALES Y MÉTODOS
Para el desarrollo de este artículo, se ha realizado la recopilación de un caso de estudio relacionado con una
mezcla binaria. Este caso será simulado utilizando el software CHEMCAD, con el objetivo de obtener los datos
de equilibrio líquido-vapor y generar gráficas relevantes para un análisis detallado. El procedimiento seguido
para llevar a cabo esta simulación es el siguiente:
Se inició el proceso ingresando cuidadosamente los componentes específicos y las unidades de ingeniería re-
levantes para la mezcla binaria en el software CHEMCAD. Esta configuración permitió una representación
precisa del sistema y aseguró la exactitud de los resultados obtenidos.
Posteriormente, se procedió a seleccionar el método adecuado para Valor-K, un aspecto crucial para garantizar
la fiabilidad de los datos de equilibrio líquido-vapor obtenidos en la simulación. La elección del método se
basó en las propiedades y características de la mezcla binaria bajo estudio.
Una vez configurados todos los parámetros necesarios, se procedió a ejecutar la simulación y se obtuvieron los
datos de equilibrio líquido-vapor de la mezcla binaria. Estos datos fueron utilizados para generar gráficas
TPXY, que permitieron una visualización clara y detallada de la relación entre las fases líquida y vapor en
función de la temperatura y la composición.
Finalmente, se realizó un análisis exhaustivo de los resultados obtenidos. Se examinaron las gráficas TPXY y
se interpretaron los datos para obtener una comprensión más profunda del comportamiento termodinámico de
la mezcla binaria estudiada.
4. RESULTADOS Y DISCUSIÓN
En el proceso de llevar a cabo el caso mencionado, seguimos el procedimiento descrito en la metodología. En
primer lugar, se inicia la simulación seleccionando "New" en el menú "File" y guardando la simulación en
blanco. Luego, se accede a la opción "Thermophysical" en la barra de menú y se hace clic en "Components
List". A partir de la lista de componentes disponibles en CHEMCAD, se seleccionan los compuestos etanol y
n-propanol, incorporándolos a la lista de componentes de interés. Este paso es fundamental para poder avanzar
con la simulación y obtener los resultados relativos al equilibrio líquido-vapor en la mezcla binaria, lo que nos
permitirá realizar un análisis detallado de sus propiedades termodinámicas y su comportamiento en condiciones
específicas.
En cuanto a la introducción de las unidades de ingeniería, el proceso continúa con la selección de "Format" en
el menú y, posteriormente, haciendo clic en "Engineering Units". En esta sección, se eligen las unidades de
Página 24 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
medida apropiadas para las propiedades relevantes, incluyendo temperatura, presión y otras variables esencia-
les. Una vez configuradas las unidades según las necesidades del caso, se confirma haciendo clic en "OK" para
proceder con la simulación. Esta configuración es crucial para asegurar que los resultados obtenidos estén en
las unidades adecuadas y puedan ser analizados de manera efectiva.
Para elegir el método de cálculo de los Valores-K, el procedimiento continúa seleccionando "Thermophysical"
en la barra de menú y haciendo clic en "K-Values". En la lista ubicada bajo "Global K-Value Option", se
selecciona "NRTL" como el método deseado. En la parte inferior derecha de la ventana, se debe asegurar que
la casilla que corresponde a "Clear all local K-Values/BIP’s" esté marcada. Esto tiene la función de eliminar
cualquier método previo para el cálculo de los Valores-K que pueda haber sido establecido para la unidad de
operación en la simulación. Los campos restantes en esta ventana no requieren configuración adicional. Este
paso es esencial para garantizar la elección adecuada del método de cálculo de los Valores-K y su aplicación
en la simulación.
El modelo NRTL (Non-Random Two-Liquid) es un modelo termodinámico utilizado para describir y predecir
el equilibrio líquido-vapor en mezclas binarias. Este modelo se basa en una descripción más detallada y realista
de la no idealidad en mezclas de componentes. A diferencia de modelos más simples, como el de Raoult o el
de Henry, el modelo NRTL tiene en cuenta interacciones moleculares específicas entre los componentes de la
mezcla.
Para aplicar el modelo NRTL en CHEMCAD o cualquier otro software de simulación, es necesario proporcio-
nar ciertos parámetros de ajuste, que incluyen:
• Parámetros de interacción binaria (BIP’s): Estos parámetros son específicos para cada par de com-
ponentes en la mezcla y describen la energía de interacción entre las moléculas de esos dos compo-
nentes. Deben ajustarse a partir de datos experimentales de equilibrio líquido-vapor.
• Condiciones termodinámicas: Es necesario definir las condiciones de temperatura y presión a las
que se realizará la simulación. En el caso mencionado (298 K y 1 atm), estas condiciones se mantienen
constantes.
Página 25 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
Esta tabla indica los BIP’s (Parámetros de interacción binaria) correspondientes al método NRTL. Clic sobre
OK para continuar.
Para generar las gráficas TPXY debemos ir a Plot sobre la barra de menu y seleccionar TPXY.
Página 26 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
La ventana TPXY Options (Figura 6) es una herramienta para la simulación de datos de equilibrio líquido-
vapor (VLE) en CHEMCAD. Para garantizar una simulación precisa, se deben ingresar varios valores y pará-
metros importantes, los cuales se detallan a continuación:
• Primer componente: Se debe seleccionar el componente ethanol de la lista desplegable.
• Segundo componente: De manera similar, se debe seleccionar el componente n-propanol de la lista des-
plegable.
• Modo: Aquí se debe escoger la opción "Constant Pressure" si se están ingresando datos VLE a presión
constante. En caso de tener datos VLE a temperatura constante, se debe seleccionar la opción "Constant
Temperature".
• Especificar Presión: Si los datos VLE son a presión constante, se debe ingresar el valor de la presión, que
en este caso sería 1 atm. En caso de tener datos VLE a temperatura constante, se debe ingresar la tempe-
ratura, que sería 298 K.
Página 27 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
• Estimar Temperatura (Estimar Presión en caso de Constant Temperature): Este campo puede dejarse
en blanco si los datos son a presión constante. En caso contrario, si los datos son a temperatura constante,
se puede ingresar el valor de presión estimado.
• Número de puntos: Este campo indica la cantidad de puntos utilizados para graficar y reportar los datos
de VLE. Se puede ingresar cualquier número en este campo, por ejemplo, 51 puntos.
Al ingresar cuidadosamente estos valores y parámetros, se obtendrán resultados precisos y confiables, el resto
de campos pueden quedarse para sus valores predeterminados. Clic en Ok para finalizar. Los datos VLE apa-
recerán en un archivo WordPad como sigue:
Página 28 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
5. CONCLUSIONES
El enfoque detallado sobre el equilibrio líquido-vapor en mezclas binarias utilizando CHEMCAD es esencial
para la ingeniería de procesos. La simulación y análisis de mezclas binarias en condiciones de equilibrio son
fundamentales para el diseño y optimización de operaciones unitarias, como destilación, absorción y extracción,
en la industria química.
CHEMCAD se convierte en una herramienta imprescindible para los ingenieros de procesos, al proporcionar
una plataforma confiable y precisa para el estudio de fenómenos termodinámicos en sistemas de mezclas. La
aplicación efectiva de CHEMCAD en el análisis y diseño de operaciones de equilibrio líquido-vapor permite
mejorar la eficiencia, la productividad y la sostenibilidad de los procesos químicos en un entorno industrial
altamente competitivo.
Página 29 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
6. REFERENCIAS BIBLIOGRAFICAS
Chemstations, Inc., CHEMCAD and CC - User Guide and Tutorial, Houston, Texas, USA (2005),
http://chemstations.net
Mane, M. B., & Shinde, S. N. (2012). Vapor liquid equilibria: A review. Sci Revs Chem Commun, 2(2), 158-
171.
Seyf, J. Y., & Shojaeian, A. (2019). Vapor-liquid (azeotropic systems) and liquid-liquid equilibrium calcula-
tions using UNIFAC and NRTL-SAC activity coefficient models. Fluid Phase Equilibria, 494, 33-44.
Walas, S. M. (2013). Phase equilibria in chemical engineering. Butterworth-Heinemann.
Página 30 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación
Web revista: https://ingenieriaquimica.tech/revista/index.php/RLCTI
Aceptado: 14 de setiembre de 2023. Publicado por IngenieriaQuímica.Tech
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
RESUMEN
En este artículo se aborda el modelado de la dispersión de contaminantes atmosféricos mediante el uso de la
pluma gaussiana, una técnica ampliamente utilizada en la evaluación de la calidad del aire. Se explican los
fundamentos del modelado de pluma gaussiana y su aplicabilidad en la predicción de la dispersión de conta-
minantes emitidos por fuentes industriales y urbanas. Además, se analizan casos de estudio que ilustran la
aplicación de esta técnica en la evaluación del impacto ambiental de emisiones contaminantes y la toma de
decisiones para el control de la contaminación atmosférica.
Palabras clave: dispersión de contaminantes, pluma gaussiana, calidad del aire, impacto ambiental, control de
la contaminación.
ABSTRACT
This article addresses the modeling of atmospheric pollutant dispersion using the Gaussian plume, a widely
used technique in air quality assessment. The fundamentals of Gaussian plume modeling and its applicability
in predicting the dispersion of pollutants emitted by industrial and urban sources are explained. In addition,
case studies are analyzed to illustrate the application of this technique in assessing the environmental impact
of pollutant emissions and making decisions for air pollution control.
Keywords: pollutant dispersion, Gaussian plume, air quality, environmental impact, pollution control.
1. INTRODUCCIÓN
La dispersión de contaminantes atmosféricos es un tema relevante en la evaluación de la calidad del aire y en
la protección del medio ambiente. La técnica de pluma gaussiana ha demostrado ser una herramienta efectiva
para modelar la dispersión de contaminantes en la atmósfera, proporcionando información valiosa para la toma
de decisiones en la gestión y control de la contaminación atmosférica. En este artículo, se presentan los funda-
mentos del modelado de pluma gaussiana y su aplicabilidad en la evaluación del impacto ambiental de fuentes
de emisiones contaminantes.
Los contaminantes emitidos a la atmósfera son transportados en la dirección del viento y son dispersados por
los movimientos de aire, así como la turbulencia. La predicción de la concentración del contaminante en una
zona cercana de un punto de emisión es de gran importancia.
En el presente estudio, se aborda el análisis de la dispersión de un contaminante emitido por una chimenea en
la atmósfera, utilizando un enfoque basado en la simulación con el lenguaje de programación MATLAB. Para
llevar a cabo esta investigación, se recopilaron meticulosamente los parámetros esenciales relacionados con la
chimenea y las condiciones atmosféricas que afectan la dispersión del contaminante.
1
Universidad Nacional de Trujillo, Ciudad Trujillo, País Perú. wblasro@unitru.edu.pe
2
Universidad Nacional de Trujillo, Ciudad Trujillo, País Perú. hsolism@unitru.edu.pe
Página 31 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
donde:
• C concentración de contaminante en el punto (x,y,z).
• Q caudal de emisión del contaminante.
• σy σz Son las desviaciones estándar en las direcciones "y" y "z" respectivamente.
• uH Velocidad del viento a la altura efectiva.
• H altura efectiva de la chimenea.
a. Movimientos horizontales
El movimiento horizontal del aire, también conocido como viento, es una consecuencia de diversos efectos
atmosféricos, como la diferencia de temperaturas, variaciones de presión y la rotación de la Tierra. Estos fac-
tores interactúan y dan lugar a distintos patrones de circulación a diferentes escalas:
En una escala global, se establece la circulación atmosférica en tres celdas, conocidas como celdas de Hadley,
Ferrel y Polar. Estas celdas abarcan vastas regiones y tienen un impacto significativo en los patrones climáticos
a nivel mundial.
En una escala sinóptica, se producen movimientos atmosféricos con dimensiones de miles de kilómetros. Estos
fenómenos incluyen sistemas de alta y baja presión, frentes atmosféricos y ciclones tropicales, que pueden
afectar grandes áreas geográficas.
En una escala regional, los movimientos atmosféricos tienen dimensiones de cientos de kilómetros. Estos pa-
trones regionales pueden influir en el clima y las condiciones meteorológicas en una determinada área geográ-
fica.
A una escala más local, los movimientos atmosféricos tienen dimensiones de varias decenas de kilómetros.
Estos movimientos pueden ser influenciados por características topográficas y factores locales, lo que da lugar
a fenómenos como brisas marinas y brisas terrestres.
El viento, como componente horizontal del movimiento atmosférico, desempeña un papel crucial en el trans-
porte de contaminantes emitidos en la atmósfera. La dirección y velocidad del viento determinan hacia dónde
se desplazarán los contaminantes liberados en el aire. Esto es de vital importancia para comprender cómo se
propagan los contaminantes y cómo pueden afectar diferentes áreas y poblaciones.
b. Movimientos verticales
Los movimientos verticales, por otro lado, están relacionados con la estabilidad del aire en la baja atmósfera.
Para evaluar la estabilidad de la atmósfera, se compara el gradiente adiabático con la variación de la tempera-
tura ambiental con la altitud.
El gradiente adiabático se refiere a la variación de la temperatura con la altura de una masa de aire que se
mueve verticalmente en la atmósfera sin intercambiar calor con su entorno. Cuando una masa de aire asciende,
se expande y se enfría, lo que da lugar a un gradiente adiabático negativo. Por otro lado, si el aire desciende,
se comprime y se calienta, lo que resulta en un gradiente adiabático positivo.
Página 32 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
En el contexto de aire seco, el gradiente adiabático seco es el término utilizado para referirse a esta variación
de temperatura con la altitud. Esto implica que el aire en movimiento vertical no está saturado de vapor de
agua, lo que simplifica el cálculo del gradiente térmico.
El conocimiento y comprensión de los movimientos verticales y la estabilidad atmosférica son fundamentales
en los estudios de dispersión atmosférica. Estos movimientos afectan cómo los contaminantes liberados en la
atmósfera se dispersan y se transportan verticalmente. La estabilidad atmosférica determina si los contaminan-
tes se dispersarán horizontalmente en capas o si ascenderán verticalmente, lo que puede tener consecuencias
significativas para la calidad del aire y la exposición de la población a sustancias contaminantes.
donde:
• uH = velocidad del viento a la altura efectiva
• ua = velocidad del viento a la altura medida
• H = altura efectiva de la chimenea
• za = altura del anemómetro
• p = parámetro adimensional que depende de las características del terreno y la estabilidad atmosférica
Tabla 1. Valores de p recomendados por la EPA para terrenos rugosos en la proximidad del anemómetro
ESTABILIDAD DESCRIPCIÓN EXPONENT P
D Neutra 0.25
F Estable 0.60
Nota: (Gifford, 1961). * Para terrenos con superficie lisa se deben multiplicar por 0,6 (ej. agua)
Página 33 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
𝜎𝑦 = 𝑎 𝑥 0,894 (3)
𝜎𝑧 = 𝑐 𝑥 𝑑 + 𝑓 (4)
ESTABILIDAD a C d f c d F
Página 34 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
• S = parámetro de estabilidad (s-2) Se toma como 0.020 K/m para estabilidad E y 0.035 K/m para es-
tabilidad F
3. MATERIALES Y MÉTODOS
Para la realización de este estudio, se empleó la metodología de simulación mediante el lenguaje de programa-
ción MATLAB. A partir de los parámetros recopilados, se procedió a implementar el código que permitirá
simular la dispersión de la pluma gaussiana del contaminante en la atmósfera.
El primer paso consistió en calcular los coeficientes de dispersión, los cuales están influenciados por la estabi-
lidad atmosférica y las características del terreno. Se consideraron seis escenarios de estabilidad atmosférica
(A, B, C, D, E, F), cada uno con sus respectivos valores de coeficientes, dependiendo de la distancia en el eje
X con respecto a la chimenea.
Posteriormente, se determinó la sobreelevación del penacho de contaminante utilizando las fórmulas de Briggs,
teniendo en cuenta la estabilidad atmosférica. Esta información resulta crucial para comprender cómo la esta-
bilidad afecta la dispersión del contaminante en la atmósfera y su comportamiento en diferentes situaciones.
Finalmente, se procedió a realizar la simulación de la dispersión de la pluma gaussiana en función de la distan-
cia en el eje X y la altura en el eje Y. A través de gráficas 3D y mapas de colores, se visualizó y analizó
detalladamente la propagación del contaminante en el entorno atmosférico.
Página 35 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
%---------------------------------Condiciones atmosfericas----------------------------
uu=5; % Velocidad del viento en hu (m/s)
Tair=20; %temperatura del ambiente (ºC)
Ta=Tair+273.1; %temperatura del ambiente (K)
hu=10; % altura de medicion de velocidad del viento
%---------------------------------Otros----------------------------
x=1200; % Distancia eje X del receptor
xmin = 10; xmax = x; % intervalo eje-x
ymin = 0; ymax = 1000; % intervalo eje-y
%y=10; % Distancia desde eje Y
z=0; % Altura desde nivel suelo
%----------------------------------COEFICIENTES DE DISPERCION------------------------------
x1= linspace(xmin,xmax,100);
xx = x1 - xstack;
xr=xx./1000;
p=zeros(size(xr));
a=zeros(size(xr));
c=zeros(size(xr));
d=zeros(size(xr));
f=zeros(size(xr));
estabil=input('Elige estabilidad [A (1), B (2), C (3), D (4), E (5), F (6)]: ');
for i=1:100
if xr(i)<=1
if estabil==1 %ESTABILIDAD A
p(i)=0.15;a(i)=213; c(i)=440.8; d(i)=1.941; f(i)=9.27;
elseif estabil==2 %ESTABILIDAD B
p(i)=0.15;a(i)=156; c(i)=106.6; d(i)=1.149; f(i)=3.3;
elseif estabil==3 %ESTABILIDAD C
p(i)=0.20;a(i)=104; c(i)=61.0; d(i)=0.911; f(i)=0;
elseif estabil==4 %ESTABILIDAD D
p(i)=0.25;a(i)=68; c(i)=33.2; d(i)=0.725; f(i)=-1.7;
elseif estabil==5 %ESTABILIDAD E
p(i)=0.40;a(i)=50.5; c(i)=22.8; d(i)=0.678; f(i)=-1.3;
elseif estabil==6 %ESTABILIDAD F
p(i)=0.6;a(i)=34; c(i)=14.35; d(i)=0.740; f(i)=-0.35;
end
else
if estabil==1 %ESTABILIDAD A
p(i)=0.15;a(i)=213; c(i)=459.7; d(i)=2.094; f(i)=-9.6;
elseif estabil==2 %ESTABILIDAD B
p(i)=0.15;a(i)=156; c(i)=108.2; d(i)=1.098; f(i)=2.0;
elseif estabil==3 %ESTABILIDAD C
p(i)=0.20;a(i)=104; c(i)=61.0; d(i)=0.911; f(i)=0;
elseif estabil==4 %ESTABILIDAD D
p(i)=0.25;a(i)=68; c(i)=44.5; d(i)=0.516; f(i)=-13.0;
elseif estabil==5 %ESTABILIDAD E
p(i)=0.40;a(i)=50.5; c(i)=55.4; d(i)=0.305; f(i)=-34.0;
elseif estabil==6 %ESTABILIDAD F
p(i)=0.6;a(i)=34; c(i)=62.6; d(i)=0.180; f(i)=-48.6;
end
end
end
lisa=input('La superficie es lisa: Sí(1) No(0)');
if lisa==1
p=p.*0.6;
end
%--------------------------------VELOCIDAD DEL VIENTO A LA ALTURA hu-------------------
U1=ones(size(xr))*uu;
u=U1.*(H/hu).^p; %Velocidad a la altura
%--------------------------------SOBREELEVACIÓN PENACHO-----------------------------------
% FORMULAS DE BRIGGS
F=9.8*((D/2)^2)*vs*(1-Ta/Ts);
if F<55
xf=49*F^(5/8);
else
xf=119*F^(2/5);
end
if estabil==5
S=9.8*0.020/Ta; %ESTABILIDAD E
DH=2.6.*(F./(u.*S)).^(1/3);%ATMOSFERA ESTABLE (E,F)
elseif estabil==6
S=9.8*0.035/Ta; %ESTABILIDAD F
DH=2.6.*(F./(u.*S)).^(1/3);%ATMOSFERA ESTABLE (E,F)
elseif estabil==1||estabil==2||estabil==3||estabil==4
DH=1.6*(F^0.333)*(xf^0.666)./u; %ATMOSFERA NEUTRA O INESTABLE (A,B,C,D)
Página 36 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
end
H1=ones(size(xr))*H;
hef=H1 +DH; %altura efectiva de la fuente
%----------------------------------CALCULOS-------------------------------
%VALOR DE LOS COEFICIENTES SEGÚN CONSTANTES OBTENIDAS
sigmay=a.*(xx./1000).^0.894; %Desviación estandar de la distribución gaussiana
sigmaz=c.*(xx./1000).^d+f; %Desviación estandar de la distribución gaussiana
Dy =sigmay;
Dz =sigmaz;
HEF=hef;
for i=1:99
Dy =[Dy;sigmay];
Dz =[Dz;sigmaz];
HEF=[HEF;hef];
end
z=z*ones(100);
%----------------------------------CALCULOS-------------------------------
[x1,y] = meshgrid (linspace(xmin,xmax,100),linspace(ymin,ymax,100));
xx = x1 - xstack;
yy = y - ystack;
C = Q./(2*pi.*Dy.*Dz*vs).*exp(-(yy.^2)./(2.*Dy.^2)).*(exp(-1.*((z-
HEF).^2)./(2.*Dz.^2))+exp(-1.*((z+HEF).^2)./(2.*Dz.^2)));
%grafica 3d
surf(x1,y,C);
figure;
colormap default
pcolor(x1,y,C); colorbar;
shading interp
xlabel('eje X');
ylabel('eje Y');
4. RESULTADOS
La implementación exitosa de la simulación en MATLAB ha proporcionado resultados significativos sobre la
dispersión de la pluma gaussiana de contaminante en la atmósfera. Los hallazgos son de gran importancia para
la evaluación de la calidad del aire y la toma de decisiones informadas en el ámbito ambiental.
Los coeficientes de dispersión calculados para diferentes escenarios de estabilidad atmosférica (A, B, C, D, E,
F) han demostrado su influencia en la dispersión del contaminante. Se observó que en el caso de estudio pre-
sentado, donde se consideraron las condiciones de estabilidad atmosférica específicas, la pluma gaussiana se
comportó de manera particular. En situaciones de mayor estabilidad atmosférica, como en este caso, la pluma
gaussiana permaneció más concentrada y cercana a la fuente de emisión. En contraste, en condiciones de menor
estabilidad, la dispersión del contaminante se amplió en un rango más extenso.
La sobreelevación del penacho, calculada con las fórmulas de Briggs, mostró cómo la estabilidad atmosférica
impacta en la altura del penacho de contaminante con respecto a la chimenea en el escenario específico del
estudio. Estos datos revelan la importancia de considerar la estabilidad en la gestión de la contaminación at-
mosférica en este contexto.
Las simulaciones 3D y los mapas de colores permitieron una representación gráfica de la dispersión del conta-
minante en función de la distancia en el eje X y la altura en el eje Y en el caso de estudio presentado. Esto
facilitó una comprensión visual de cómo la pluma gaussiana se propaga en diferentes condiciones atmosféricas
en este escenario específico, lo que resulta esencial para la toma de decisiones en la gestión ambiental.
Los resultados se presentan en la Figura 1, que ilustra claramente la dispersión de la pluma gaussiana en el
caso de estudio particular. En resumen, estos hallazgos son fundamentales para la investigación ambiental y la
formulación de políticas orientadas a preservar la calidad del aire en el contexto específico analizado.
Página 37 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
5. CONCLUSIONES
La técnica de modelado de pluma gaussiana se ha revelado como una herramienta esencial en la evaluación y
gestión de la contaminación atmosférica, desempeñando un papel fundamental en la toma de decisiones infor-
madas para la protección del medio ambiente y la salud pública. El uso efectivo de esta técnica en la evaluación
del impacto ambiental de fuentes emisoras de contaminantes proporciona información crucial para identificar
áreas críticas y aplicar medidas de control de emisiones adecuadas. Este enfoque contribuye significativamente
a mejorar la calidad del aire, lo que a su vez fomenta una sociedad más sostenible y saludable.
Los resultados obtenidos a través de la simulación de la dispersión de la pluma gaussiana en un caso de estudio
específico demostraron que la estabilidad atmosférica desempeña un papel destacado en la dispersión del con-
taminante. En el escenario analizado, se observó que en situaciones de mayor estabilidad atmosférica, la pluma
gaussiana se mantuvo más concentrada y cercana a la fuente de emisión. Por otro lado, en condiciones de
menor estabilidad, la dispersión se amplió en un rango más extenso. Estos hallazgos enfatizan la importancia
de considerar la estabilidad atmosférica en la gestión de la contaminación atmosférica.
Las simulaciones en 3D y los mapas de colores proporcionaron una representación gráfica efectiva de cómo la
pluma gaussiana se propaga en función de la distancia y la altura en el caso de estudio. Esta visualización
contribuye significativamente a la comprensión de la dispersión del contaminante y, por lo tanto, se convierte
en una herramienta valiosa para la toma de decisiones informadas en la gestión ambiental.
Página 38 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
6. REFERENCIAS BIBLIOGRAFICAS
Briggs, G. A., 1969:Plume Rise. U.S. Atomic Energy Commission Div. Tech. Inform., TID-25075, 81 pp.
Briggs, C. A., 1973:Diffusion Estimation for Small Emissions. In Environ. Res. Lab., Air Resources Atmos.
Turbulence and Diffusion laboratory, NOAA, Oak Ridge, Tennessee,1973 Annual Rep., ATDL-106, US-
COD-NOAA.
Kiely, G. 1999. Ingeniería Ambiental. Fundamentos, Entornos, Tecnologías y Sistemas de Gestión.
Pasquill, F., 1961: The estimation of dispersion of windborne material.Meteor. Mag. 90, 33–49.
Pasquill, F., 1976:Atmospheric Dispersion Parameters in Gaussian Plume Modelling — Part II: Possible Re-
quirements for Change in the Turner Workbook values. EPA 600/4-76-030B, U.S. Environmental Protec-
tion Agency, Res. Triangle Park, NC, 44 pp.
Toolbox, S. M. (1993). Matlab. Mathworks Inc, 20.
Página 39 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación
Web revista: https://ingenieriaquimica.tech/revista/index.php/RLCTI
Aceptado: 13 de octubre de 2023. Publicado por IngenieriaQuímica.Tech
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
RESUMEN
Se ha desarrollado un laboratorio virtual para la enseñanza de control de procesos utilizando Python. En tal
sentido, el laboratorio consta de 3 casos de estudio, un tanque drenado, un intercambiador de calor y un reactor
CSTR además de 3 herramientas las cuales son una calculadora de ecuaciones diferenciales, un módulo de
simulación de un proceso de control personalizado y un módulo para diseño de un controlador PID. Para los 3
casos de estudio, estos se modelaron matemáticamente a partir de balances de materia y energía a partir de los
cuales se desarrolló una interfaz gráfica similar a la de un sistema SCADA donde el estudiante puede simular
el comportamiento dinámico de un sistema real planteándose diferentes escenarios.
Palabras clave: control; procesos; PID; ingeniería; Python.
ABSTRACT
A virtual laboratory has been developed for teaching process control using Python. In this sense, the laboratory
consists of 3 case studies, a drained tank, a heat exchanger and a CSTR reactor, as well as 3 tools which are a
differential equations calculator, a simulation module for a personalized control process and a module for the
design of a PID controller. For the 3 study cases, these were mathematically modeled from material and energy
balances from which a graphical interface similar to that of a SCADA system was developed, where the student
can simulate the dynamic behavior of a real system considering different scenarios.
Keywords: control; processes; PID; engineering; Python.
1. INTRODUCCIÓN
El primer trabajo importante sobre control automático fue el gobernador centrífugo de James Watt para con-
trolar la velocidad de las máquinas de vapor en el siglo XVIII. En 1922, Minorsky usó ecuaciones diferenciales
para describir el sistema y demostrar su estabilidad. En 1932, Nyquist desarrolló un procedimiento para deter-
minar la estabilidad de un sistema de circuito cerrado basado en la respuesta de circuito abierto a una excitación
sinusoidal en estado estable. En 1934, Hazen acuñó el término servomecanismos y desarrolló su diseño. (K.
Ogata, 2010)
Durante la década de 1940, los métodos de respuesta de frecuencia ayudaron en el diseño de sistemas de control
lineal de circuito cerrado. Desde finales de la década de 1940 hasta principios de 1950, Evans desarrolló com-
pletamente el método de posición original. (J.J. Ziegler y NB. Nichols, 1942)
Los métodos de respuesta de frecuencia y lugar de raíces, que son fundamentales para la teoría de control
clásica, conducen a sistemas estables y satisfacen algunos requisitos de rendimiento bastante arbitrarios. Estos
sistemas son generalmente aceptados, pero no perfectos. Desde finales de la década de 1950, el enfoque en los
problemas de diseño del sistema de control se ha desplazado hacia el diseño óptimo del sistema. (Y. Evans,
1948)
1
Universidad Nacional de Trujillo, Ciudad Trujillo, País Perú. lmoncadat@unitru.edu.pe
2
Universidad Nacional de Trujillo, Ciudad Trujillo, País Perú. pcastillo@unitru.edu.pe
3
Universidad Nacional de Trujillo, Ciudad Trujillo, País Perú. lmoncada@unitru.edu.pe
4
Universidad Nacional de Trujillo, Ciudad Trujillo, País Perú. pesquerre@unitru.edu.pe
Página 40 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
A medida que las instalaciones modernas con múltiples entradas y salidas se vuelven más complejas describir
un sistema de control moderno requiere una gran cantidad de ecuaciones. La teoría de control clásica, que se
ocupa de los sistemas de entrada y salida única, se vuelve completamente impotente frente a los sistemas de
entrada y salida múltiples. En 1960, gracias a la disponibilidad de computadoras digitales, fue posible analizar
sistemas complejos en el dominio del tiempo; desde entonces, se ha desarrollado la teoría de control moderna,
basada en el análisis y síntesis en el dominio del tiempo, utilizando variables de estado, capaces de hacer frente
a la creciente complejidad de las aplicaciones, requisitos modernos y exigentes en términos de precisión, peso
y costo. (K., Ogata, 2010)
El desarrollo más reciente de la teoría del control moderno radica en el campo del control óptimo de sistemas
deterministas y aleatorios, así como de sistemas de control complejos con adaptación y aprendizaje. Las apli-
caciones más recientes de la teoría de control moderna incluyen sistemas que no son de ingeniería, como los
de biología, biomedicina, economía y economía social. (K., Ogata, 2010)
Actualmente, todos los procesos que se desarrollan en una planta industrial requieren control. Esto se debe a
la necesidad de controlar los distintos parámetros de cada proceso, para asegurar su normal funcionamiento, el
uso óptimo de los recursos involucrados en el proceso y asegurar el nivel de calidad en el producto final.
Además, el control multiproceso garantiza el funcionamiento seguro de la instalación. (P.N. Paraskevopoulos
2017)
El uso de un sistema de control adecuado permite operar en las mejores condiciones posibles para cada reque-
rimiento. De esta manera, se mejora el rendimiento general del proceso, al tiempo que se hace un mejor uso de
los recursos involucrados. Todo esto se refleja en los importantes resultados de mejora económica.
El control de procesos es parte fundamental del aprendizaje de la ingeniería química, donde el laboratorio es
el pilar de este aprendizaje a través del cual los estudiantes pueden realizar experimentos para obtener modelos,
verificándolos y validándolos para realizar predicciones, sin embargo, estos laboratorios requieren de recursos
suficientes para su equipamiento apropiado, así como presencia física del estudiante en el sitio donde está
instalado.
“En el área de ingeniería, un laboratorio bien diseñado es una valiosa herramienta que contribuye a reforzar la
enseñanza y en el que los alumnos pueden lograr una mayor comprensión, imposible de lograr por otros me-
dios.” (G., Lugo, 2006)
En la actualidad el aprendizaje del control de procesos ha avanzado hacia una aplicación eficaz y eficiente a
través de los laboratorios virtuales a partir de las simulaciones. El atractivo de los laboratorios virtuales se debe
principalmente a la creciente necesidad de aprendizaje activo y flexible, implementando técnicas de aprendi-
zaje a través del descubrimiento.
El aprendizaje activo busca brindar a los estudiantes oportunidades para integrar y fortalecer los conocimientos
presentados en el aula, así como para lograr el conocimiento práctico que es un componente tan esencial en la
educación en ingeniería.
El laboratorio virtual es un entorno de experimentación en el que los usuarios pueden operar una serie de
unidades gráficas, cada una representando un objeto, reduciendo el uso de costosos hardware e infraestructura
de laboratorio.
El trabajo de investigación buscó constituir una contribución para aliviar la carencia de infraestructura para el
desarrollo de actividades prácticas en asignaturas afines al control de procesos en la Escuela de Ingeniería
Química, basado en Python, mediante el cual es posible diseñar un laboratorio virtual mediante el modelado
matemático del comportamiento dinámico de un sistema de drenado de tanque, de un intercambiador de calor
de doble tubo y de un reactor CSTR y elaborar código para simulación.
2. MATERIALES Y MÉTODOS
2.1. Objeto de estudio
Se consideran 3 casos de estudio siendo un sistema de drenado de tanque, un intercambiador de calor de doble
tubo y un reactor CSTR, casa uno de estos casos es modelado a partir de las ecuaciones de balance de materia,
balance de energía, y además balance molar para el caso del reactor CSTR.
En el primer sistema, se necesita conocer el caudal de entrada (m3/s), la sección de descarga (m2), la altura del
tanque (m) y el área del tanque (m2).
En el segundo sistema, se ingresa el caudal máximo de enfriamiento (m 3/s), diámetro interior (pulg), diámetro
exterior (pulg) y la longitud (m), así mismo se tiene un caudal máximo de fluido caliente de 0.001 m3/s, una
densidad de 997 kg/m3 para ambos fluidos, un coeficiente global de transferencia de 4 kJ/s.m2.°K, una capaci-
dad calorífica de 4.182 kJ/kg°K para ambos fluidos y una temperatura de 80°C y 15° para el fluido caliente y
el fluido frio respectivamente.
Mientras que, en el tercer sistema, se necesita el caudal de entrada de reactivos (dm 3/h), el caudal máximo de
enfriamiento (dm3/h), el volumen del reactor (dm3) y el volumen de la chaqueta (dm3), para este sistema se
considera una reacción reversible de primer orden donde el componente A se transforma en el componente B,
Página 41 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
con una velocidad de reacción específica a 360°K igual a 31.1 h-1, una energía de activación de 65700 J/mol y
un Kc de 3.03 a 333°K, las capacidades caloríficas del componente A y B son de 141 J/mol°K para cada uno
y un calor de reacción de -6900 J/mol.
El coeficiente global de transferencia de calor es igual a 500 kJ/s.m2°K, la temperatura de entrada del compo-
nente a al reactor es de 360°K a razón de 9.3 mol/dm3, mientras que la temperatura de entrada del fluido
refrigerante es de 288.15°K a razón de 100 dm3/h con una capacidad calorífica de 4.182 kJ/kg°K y una densidad
de 997 kg/m3.
Así mismo para todos los sistemas se utiliza el modelo del controlador PID ideal en el dominio del tiempo,
para lo cual es necesario ingresar el Kp, Ki y el Kd.
2.2. Métodos y técnicas.
El laboratorio virtual fue desarrollado en Python, el mismo que incluye 3 módulos, los cuales son de tanque
drenado, intercambiador de calor doble tubo y reactor CSTR.
Página 42 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
𝜕ℎ
̇
= (𝑎. 𝑉𝑚𝑎𝑥0 − 𝑆. √2. 𝑔. ℎ)⁄𝐴 (2.4)
𝜕𝑡
Resolvemos mediante diferencias finitas
𝜕ℎ ℎ(𝑡+∆𝑡)−ℎ(𝑡) ∆𝑡 𝜕2 ℎ(𝑡+∆𝑡)
= + (2.5)
𝜕𝑡 ∆𝑡 2 𝜕𝑡 2
Despreciando el error de truncamiento cuando ∆𝑡 ≈ 0 y similar para las demás diferenciales, podemos obtener
el valor de la altura del tanque en cada instante de tiempo.
ℎ(𝑡+∆𝑡)−ℎ(𝑡)
̇
= (𝑎(𝑡). 𝑉𝑚𝑎𝑥0 − 𝑆. √2. 𝑔. ℎ(𝑡))⁄𝐴 (2.6)
∆𝑡
De la ecuacion 2.6 podemos obtener el valor de la altura del tanque para cada instante de tiempo. Además el
valor de la variable manipulada (apertura de la válvula de entrada, 𝑎(𝑡)) se obtiene a partir del controlador PID
(Ver ecuacion 2.60)
2.2.2. Intercambiador de calor
La Fig. 2.2 corresponde a un intercambiador de calor de doble tubo. Se alimenta un líquido caliente el cuál se
desea enfriar utilizando un fluido de enfriamiento hasta una temperatura deseada (set point). En este ejemplo
se tiene como variable controlada la temperatura de salida del fluido caliente. Esta variable es medida por un
transmisor de temperatura (TT) que envía la señal normalizada al controlador (TC) el cual entrega la señal de
respuesta hacia el elemento actuador, el cuál sería la válvula de ingreso del fluido de enfriamiento, siendo la
variable manipulada la apertura de la válvula de control.
Página 43 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
Página 44 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
Página 45 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
Además ∆𝐻𝑅𝑥 (𝑇) = ∆𝐻𝑅𝑥 (𝑇𝑅 ) + ∆𝐶𝑝(𝑇 − 𝑇𝑅 ), donde ∆𝐶𝑝 = 𝐶𝑝𝐵 − 𝐶𝑝𝐴 , tenemos:
∑ 𝑁̇𝑖0 𝐻𝑖0 − ∑ 𝑁̇𝑖 𝐻𝑖 = (𝑁̇𝐴0 𝐶𝑝𝐴 + 𝑁̇𝐵0 𝐶𝑝𝐵 )(𝑇0 − 𝑇) − 𝑁̇𝐴0 𝑋(∆𝐻𝑅𝑥 (𝑇𝑅 ) + ∆𝐶𝑝(𝑇 − 𝑇𝑅 )) (2.49)
Reemplazando la ecuación 2.49 en la ecuación 2.44 tenemos
(𝑁̇𝐴0 𝐶𝑝𝐴 +𝑁̇𝐵0 𝐶𝑝𝐵 )(𝑇0 −𝑇)−𝑁̇𝐴0 𝑋(∆𝐻𝑅𝑥 (𝑇𝑅 )+∆𝐶𝑝(𝑇−𝑇𝑅 ))−𝑄̇
𝑇 ′ (𝑡) = (𝑁𝐴 𝐶𝑝𝐴 +𝑁𝐵 𝐶𝑝𝐵 )
(2.50)
Para el fluido térmico en la chaqueta de intercambio, el modelo queda similar que la ecuación 2.18:
𝑇𝑖 ′ (𝑡) = 𝑎(𝑡). 𝑉max
̇ ̇
_𝑖0 . 𝜌𝑖 . (𝑇𝑖0 − 𝑇𝑖 (𝑡)) − 𝑄 ⁄𝑐𝑝 𝑖
(2.51)
Modelo dinámico
Expresamos las ecuaciones 2.50 y 2.51 como diferenciales:
𝑑𝑇 (𝑁̇𝐴0 𝐶𝑝𝐴 +𝑁̇𝐵0 𝐶𝑝𝐵 )(𝑇0 −𝑇)−𝑁̇𝐴0 𝑋(∆𝐻𝑅𝑥 (𝑇𝑅 )+∆𝐶𝑝(𝑇−𝑇𝑅))−𝑄̇
= (𝑁𝐴 𝐶𝑝𝐴 +𝑁𝐵 𝐶𝑝𝐵 )
(2.52)
𝑑𝑡
𝜕𝑇𝑖
̇
= 𝑎. 𝑉max ̇
_𝑖0 . 𝜌𝑖 . (𝑇𝑖0 − 𝑇𝑖 ) − 𝑄 ⁄𝑐𝑝 𝑖 (2.53)
𝜕𝑡
Resolvemos la ecuación 2.52 y 2.53 mediante diferencias finitas y despreciando el error de truncamiento al
hacer ∆𝑡 ≈ 0, tenemos:
(𝑁̇𝐴0 𝐶𝑝𝐴 +𝑁̇𝐵0 𝐶𝑝𝐵 )(𝑇0 −𝑇(𝑡))−𝑁̇𝐴0 𝑋(∆𝐻𝑅𝑥 (𝑇𝑅 )+∆𝐶𝑝(𝑇(𝑡)−𝑇𝑅 ))−𝑄̇
𝑇(𝑡 + ∆𝑡) = 𝑇(𝑡) + ( (𝑁𝐴 𝐶𝑝𝐴 +𝑁𝐵 𝐶𝑝𝐵 )
) ∆𝑡 (2.54)
̇
𝑇𝑖 (𝑡 + ∆𝑡) = 𝑇𝑖 (𝑡) + (𝑎(𝑡). 𝑉max ̇
_𝑖0 . 𝜌𝑖 . (𝑇𝑖0 − 𝑇𝑖 (𝑡)) − 𝑄 ⁄𝑐𝑝 𝑖 ) ∆𝑡 (2.55)
Es con las ecuaciones 2.54 y 2.55 que obtenemos el valor de la temperatura del reactor, así como del agente de
intercambio para cada instante de tiempo. El valor de la variable manipulada (apertura de la válvula del fluido
de intercambio de calor, 𝑎(𝑡)) se obtiene a partir del controlador PID (Ver ecuacion 2.60)
2.2.4. Calculadora EDO
Para el desarrollo de la calculadora de ecuaciones diferenciales ordinarias (EDO) se utilizó el comando odeint
de la librería Scipy.
𝑦(𝑡𝑖−2 )[3(𝜏𝑝1 𝜏𝑝2 𝜏𝑝3 ) + (𝜏𝑝1 𝜏𝑝2 + 𝜏𝑝1 𝜏𝑝3 + 𝜏𝑝2 𝜏𝑝3 )∆𝑡] + 𝑦(𝑡𝑖−3 )(𝜏𝑝1 𝜏𝑝2 𝜏𝑝3 )]/[(𝜏𝑝1 𝜏𝑝2 𝜏𝑝3 ) + (𝜏𝑝1 𝜏𝑝2 +
𝜏𝑝1 𝜏𝑝3 + 𝜏𝑝2 𝜏𝑝3 )∆𝑡 + (𝜏𝑝1 + 𝜏𝑝2 + 𝜏𝑝3 )∆𝑡 2 + ∆𝑡 3 ] (2.58)
Con la ecuación 2.58 obtenemos el valor de la variable 𝑦 para cada instante de tiempo en función de un valor
de 𝑢 ingresando los valores del modelo lineal general.
Página 46 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
Siendo un sistema retroalimentado típico, el controlador PID entrega el valor de la variable manipulada al
modelo del proceso a partir del error, el cual es calculado como la diferencia entre el “set point” y la variable
controlada.
3. RESULTADOS Y DISCUSIÓN
Se desarrolló la simulación de los sistemas estudiados, conformando la primera versión de lo que sería el “La-
boratorio virtual para las prácticas de control de procesos”. Este laboratorio, en su primera versión, cuenta con
3 módulos, los cuales son: tanque drenado, intercambiador de calor y reactor CSTR. Para el sistema de llenado
de tanque, se desarrolló la interfaz gráfica la cual se observa en la Fig. 2.4
Se selecciono un modo de control manual con una apertura de válvula del 50% obteniendo un valor de 2.172
m de nivel al instante de tiempo 49.5 s mientras que en MATLAB se obtuvo un valor de 2.1634 m. La evolución
del nivel del tanque respecto al tiempo para ambos programas se muestra en la Tabla 1. Los datos del sistema
ingresados fueron 0.7 m3/s de caudal de entrada, 0.05 m2 de sección de descarga, 11 m de altura del tanque y
2 m2 de área del tanque.
Página 47 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
Tabla 1. Resultados del programa propio y MATLAB para el módulo 1 “Tanque drenado”
ALTURA (m)
TIEMPO (s) ALTURA (m) ERROR VERDADERO ERROR RELATIVO (%)
MALTAB
25 1.677 1.663 0.014 0.84185207
30.5 1.834 1.821 0.013 0.71389347
36.5 1.969 1.9579 0.0111 0.56693396
41 2.051 2.0409 0.0101 0.49487971
45.5 2.12 2.1107 0.0093 0.44061212
49.5 2.172 2.1634 0.0086 0.39752242
Para el sistema del intercambiador de calor de doble tubo, se desarrolló la interfaz gráfica la cual se observa en
la Fig. 2.6
Página 48 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
De igual manera, se selecciono un modo de control manual en este caso con una apertura de válvula del 100%.
La evolución de las temperaturas de los fluidos del intercambiador de calor respecto al tiempo para ambos
programas se muestra en la Tabla 2. Los datos del sistema ingresados fueron 0.001 m 3/s de caudal máximo de
enfriamiento, 2.5 pulg de diámetro interior, 3.0 pulg de diámetro exterior y 5 m de longitud.
Tabla 2. Resultados del programa propio y MATLAB para el módulo 2 “Intercambiador de calor”
TEMP. TEMP. FRIA TEMP. CALIENTE
TIEMPO TEMP. FRIA
CALIENTE (°C) (°C) ERROR VERDADERO ERROR RELATIVO (%)
(s) (°C)
(°C) MATLAB MATLAB
21.5 42.995 52.707 43.045 52.773 0.05 0.066 0.11615751 0.12506395
28 42.801 52.43 42.798 52.4657 0.003 0.0357 0.00700967 0.06804446
35.5 42.732 52.332 42.7553 52.3373 0.0233 0.0053 0.05449617 0.01012662
40 42.718 52.312 42.7368 52.3125 0.0188 0.0005 0.04399019 0.00095579
44 42.712 52.303 42.7209 52.304 0.0089 0.001 0.02083289 0.0019119
49 42.708 52.298 42.702 52.3017 0.006 0.0037 0.01405086 0.00707434
Para el sistema del reactor CSTR, se desarrolló la interfaz gráfica la cual se observa en la Fig. 2.8
Página 49 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
Seleccionando un modo de control manual con una apertura de válvula del 70% se obtiene la siguiente evolu-
ción de las temperatura de salida del reactor para ambos programas en la Tabla 1.
Tabla 3. Resultados del programa propio y MATLAB para el módulo 3 “Reactor CSTR”
TIEMPO TEMPERATURA (°C)
TEMPERATURA (°C) ERROR VERDADERO ERROR RELATIVO (%)
(s) MALTAB
6 86.983 86.9538 0.0292 0.03358105
11 87.247 87.2241 0.0229 0.02625421
16.5 87.338 87.3057 0.0323 0.03699644
21.5 87.363 87.3642 0.0012 0.00137356
27.5 87.372 87.3694 0.0026 0.00297587
35 87.375 87.3762 0.0012 0.00137337
49.5 87.375 87.3861 0.0111 0.01270225
Página 50 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
Las Fig. 2.5, Fig. 2.7 y Fig. 2.9 muestra los resultados entregados por MATLAB para los módulos de tanque
drenado, intercambiador de calor de doble tubo y reactor CSTR respectivamente. Estos resultados fueron ob-
tenidos utilizando la función ode45, se puede observar una congruencia con las gráficas presentadas en las
Fig. 2.4, Fig. 2.6 y Fig. 2.8, las cuales han sido obtenidas mediante diferencias finitas.
Así mismo podemos comparar el comportamiento del módulo de tanque drenado con un controlador PID.
A partir de la Ec. 2.4 podemos obtener la función de transferencia (ganancia del proceso, 𝐾𝑃 de 9.04 y la pri-
mera constante de tiempo, 𝜏𝑃1 de 18.07) obteniendo en SIMULINK el comportamiento mostrado en la Fig.
2.10.
Página 51 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
La Fig 2.11 muestra la respuesta del módulo “Tanque drenado” considerando un control automático del tipo
PID con un Kp igual a 2, Ki igual a 0.002 y Kd igual a 0.01. el gráfico mostrado exhibe un comportamiento
similar al mostrado en la Fig 2.10.
Finalmente podemos corroborar el desempeño del módulo “Proceso personalizado” ingresando el modelo del
proceso ya trabajado (ganancia del proceso, 𝐾𝑃 de 9.04 y la primera constante de tiempo, 𝜏𝑃1 de 18.07) te-
niendo como resultado la Fig. 2.12.
4. CONCLUSIONES
Se logró desarrollar un laboratorio virtual para le enseñanza de Control de Procesos en Ingeniería Química, el
cuál incluye 3 casos de estudio, los cuales son el tanque drenado, el intercambiador de doble tubo y el reactor
CSTR. Estos 3 casos simulan el trabajo realizado en un módulo físico de entrenamiento de control de procesos,
pero sin las limitantes del mismo, permitiendo además de las operaciones de control mediante los típicos con-
troladores PID, el modificar los diferentes parámetros del sistema posibilitando a los estudiantes, el generar
Página 52 de 53
Revista Latinoamericana de Ciencia, Tecnología e Innovación (2023).
diferentes escenarios virtuales para reforzar los conocimientos teóricos adquiridos en el aula a través de la
práctica.
El laboratorio virtual simula los sistemas de control de tanque drenado, intercambiador de calor y reactor CSTR
a partir del análisis de estos sistemas mediante las ecuaciones de balance de materia y energía, obteniendo
ecuaciones diferenciales como los modelos que describen el comportamiento dinámico de los mismo. Se com-
probó que el uso de las diferencias finitas con un tamaño de paso lo suficientemente pequeño entrega resultados
muy similares as resultados obtenidos en MATLAB con errores menores al 1%.
Además de que la resolución del modelo lineal general, para el sistema de control, mostro una tendencia similar
a las entregadas por SIMULINK, permitiendo al estudiante experimentar con casos particulares, fuera de los 3
desarrollados, sin necesidad de utilizar otro software externo al laboratorio virtual.
Finalmente, el entorno gráfico desarrollado utilizando la liberia Tkinter en Python, simula una pantalla de
SCADA permitiendo que los estudiantes logren una experiencia cercana a lo que sería un ambiente real de
trabajo en la industria.
5. REFERENCIAS BIBLIOGRAFICAS
Evans, W. R. (1948). Graphical analysis of control systems. Transactions of the American Institute of Electrical
Engineers, 67(1), 547-551. Recuperado de
https://ieeexplore.ieee.org/abstract/document/5059708
Lugo, G. (2006). La importancia de los laboratorios. Instituto Mexicano del Cemento y del Concreto. Recupe-
rado de
https://www.yumpu.com/es/document/read/31464037/la-importancia-de-los-laboratorios-
instituto-mexicano-del-cemento-
Ogata, K. (2010). Transient and steady-state response analyses. Modern control engineering, 5th ed., Pearson
Education (US), 2010, 161-173.
Paraskevopoulos, P. N. (2017). Modern control engineering. CRC Press.
Ziegler, J. G., & Nichols, N. B. (1942). Optimum settings for automatic controllers. trans. ASME, 64(11). Re-
cuperado de
http://www.davidr.no/iia1117/papers/Ziegler_Nichols_%201942.pdf
Página 53 de 53