0% encontró este documento útil (0 votos)

200 vistas120 páginas

Escuela Superior Politécnica de Chimborazo

Q: Evaluate the impact of integrating modern machine learning techniques, such as RNAs, in the traditional processes of petroleum industries.

Integrating modern machine learning techniques like RNAs into traditional petroleum industry processes significantly impacts efficiency and effectiveness. RNAs handle complex, non-linear relationships and variability in data that traditional methods struggle with, enabling precise predictions and control in processes such as extraction and refining . This integration results in optimized operations, reduced waste, and improved product quality, demonstrating a shift towards more sustainable and informed process management . Such transformative changes align with evolving industry standards focused on innovation and environmental stewardship.

Q: How does the application of artificial neural networks (RNA) enhance the prediction of process outcomes in chemical engineering?

Artificial neural networks (RNA) enhance the prediction of process outcomes in chemical engineering by simulating biological learning processes, using activation functions and weight adjustments in hidden layers to establish accurate correlations between input and output data . These networks are capable of solving non-linear problems through iterative learning and are effective in predicting the outcomes of chemical processes, such as concentration in distillation columns, with reduced errors .

Q: In what way does the integration of artificial neural networks with simulation tools like DWSIM contribute to process management in engineering projects?

Integrating artificial neural networks (RNA) with simulation tools like DWSIM significantly contributes to process management by providing robust predictive capabilities that enhance the accuracy of simulations. RNAs can refine data predictions from simulations, reducing discrepancies between simulated and experimental data, as evidenced by a low average error rate of 0.4812% in predictive comparisons . This integration allows for better design validation, optimization, and fault detection in engineering projects, leading to more efficient resource usage and improved project outcomes .

Q: What specific challenges does artificial neural network modeling address in the context of non-linear and logical process problems, and how are these challenges managed?

Artificial neural network modeling addresses specific challenges in non-linear and logical process problems by leveraging algorithms that simulate human neural processes, allowing them to learn from data repetitions and handle variability . These challenges are managed by employing complex layers with activation functions and adaptive weights, which enable the network to model intricate relationships and predict outcomes accurately. This approach effectively tackles issues that traditional mathematical methods fail to solve, providing solutions and control in processes like chemical extraction and complex distillation dynamics .

Q: What role does the ASTM D86 test method play in the context of petroleum processing, and why is it significant?

The ASTM D86 test method is crucial in petroleum processing as it provides characterization of various petroleum products through the determination of boiling point distributions at atmospheric pressure . This method helps in understanding the volatility and fractional composition of the crude oil, which is essential for optimizing refining processes and ensuring efficiency .

Q: How does the use of artificial neural networks improve the process of simulating distillation columns, and what specific outcomes do they help achieve?

Artificial neural networks (RNAs) improve the simulation of distillation columns by accurately modeling complex non-linear relationships between process variables. They predict concentration variations, transition states, and steady-state conditions more effectively than traditional methods . Specifically, RNAs achieve outcomes such as reduced prediction errors and improved correlation between simulated and real data by employing algorithms like backpropagation and perception models, ultimately enhancing decision-making in process management through accurate simulations .

Q: Why is it important to compare simulated data with experimental data when using artificial neural networks in process simulations?

Comparing simulated data with experimental data when using artificial neural networks is crucial for validation and accuracy of the model. This comparison ensures the network is appropriately trained to represent real-world conditions, confirming the reliability of predictions in simulating process behaviors . Such validation identifies discrepancies and allows adjustments in network parameters, ensuring that the predictions align closely with actual results, thereby enhancing the trustworthiness of the simulations in decision-making processes .

Q: What are the primary advantages of using DWSIM for chemical process simulations, specifically in the context of petroleum refining?

DWSIM offers several advantages for chemical process simulations in petroleum refining. It enables users to evaluate and verify chemical processes without incurring financial or resource expenditures, ensuring compliance with environmental regulations . Furthermore, DWSIM helps detect design or calculation errors, saving time and money by providing accurate simulations of dynamic or steady-state energy and material equations in chemical processes .

Q: Why is the optimization and control of petroleum refining processes considered vital to modern society, according to the analyzed sources?

Optimization and control of petroleum refining processes are vital because of the significant role petroleum plays in maintaining modern life's quality—providing energy and various daily-use products derived from it . Given the substantial consumption rates and economic impact of crude oil, refining processes must be controlled and optimized to achieve adequate efficiency relative to production costs, ensuring resource sustainability and environmental compliance .

Q: Discuss the implications of using Kruskal-Wallis and Friedman tests in validating the outputs of artificial neural networks for distillation processes.

The usage of Kruskal-Wallis and Friedman tests in validating the outputs of artificial neural networks for distillation processes serves to statistically compare real and predicted values. The Kruskal-Wallis test, by ranking data, checks significant differences between groups, assisting in validating the neural network's accuracy by rejecting alternative hypotheses when no differences are found . Similarly, the Friedman test assesses consistency across multiple data sequences, confirming the model's reliability. Acceptance of the null hypothesis in both tests, at a 95% confidence level, reinforces the model's predictions as valid, accurate, and reproducible for distillation processes .

Cargado por

David Toyo

Derechos de autor

Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.

Formatos disponibles

Descarga como PDF, TXT o lee en línea desde Scribd

0% encontró este documento útil (0 votos)

200 vistas120 páginas

Escuela Superior Politécnica de Chimborazo

Cargado por

David Toyo

Derechos de autor

Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.

Formatos disponibles

Descarga como PDF, TXT o lee en línea desde Scribd

ESCUELA SUPERIOR POLITÉCNICA DE CHIMBORAZO

FACULTAD DE CIENCIAS
CARRERA INGENIERÍA QUÍMICA

SIMULACIÓN Y VALIDACIÓN DE UN SISTEMA DE

FRACCIONAMIENTO PARA LA SEPARACIÓN DE LOS
COMPONENTES DEL CRUDO EN PROCESOS DE
REFINACIÓN

Trabajo de Titulación
Tipo: Propuesta Tecnológica

Presentado para optar el grado académico de:

INGENIERO QUÍMICO

AUTOR: EDISON ALEXANDER ORTIZ VILLEGAS

DIRECTOR: Ing. JUAN PABLO CHUQUÍN VASCO MsC.

Riobamba – Ecuador
2022
© 2022, Edison Alexander Ortiz Villegas
Se autoriza la reproducción total o parcial, con fines académicos, por cualquier medio o
procedimiento, incluyendo cita bibliográfica del documento, siempre y cuando se reconozca el
Derecho del Autor.

i
Yo, EDISON ALEXANDER ORTIZ VILLEGAS, declaro que el presente trabajo de titulación
es de mi autoría y los resultados de este son auténticos. Los textos en el documento que provienen
de otras fuentes están debidamente citados y referenciados.
Como autor asumo la responsabilidad legal y académica de los contenidos de este trabajo de
titulación; el patrimonio intelectual pertenece a la Escuela Superior Politécnica de Chimborazo.

Riobamba, 17 de enero de 2022

Digitally signed by
EDISON EDISON ALEXANDER
ALEXANDER ORTIZ VILLEGAS
ORTIZ VILLEGAS Date: 2022.02.01
23:16:09 -05'00'
Edison Alexander Ortiz Villegas
180464011-6

ii
ESCUELA SUPERIOR POLITÉCNICA DE CHIMBORAZO
FACULTAD DE CIENCIAS
CARRERA INGENIERÍA QUÍMICA

El Tribunal del Trabajo de Titulación certifica que: El trabajo de titulación; tipo Propuesta
Tecnológica, SIMULACIÓN Y VALIDACIÓN DE UN SISTEMA DE
FRACCIONAMIENTO PARA LA SEPARACIÓN DE LOS COMPONENTES DEL
CRUDO EN PROCESOS DE REFINACIÓN, realizado por el señor: EDISON
ALEXANDER ORTIZ VILLEGAS, ha sido minuciosamente revisado por los Miembros del
Trabajo de Titulación, el mismo que cumple con los requisitos científicos, técnicos, legales, en
tal virtud el Tribunal Autoriza su presentación.
FIRMA FECHA

Ing. Carlos Ramiro Cepeda Godoy Mgs. ______________________ 2022-01-17

PRESIDENTE DEL TRIBUNAL

Ing. Juan Pablo Chuquín Vasco MsC. ______________________ 2022-01-17

DIRECTOR DEL TRABAJO DE
TITULACIÓN

Ing. Daniel Antonio Chuquín Vasco MsC. ______________________ 2022-01-17

MIEMBRO DEL TRIBUNAL

iii
DEDICATORIA

Con mucha dicha, dedico este trabajo a mis abuelitos, Luis y Cristina, por toda la dedicación,
esfuerzo, paciencia y perseverancia que han impuesto en mí, porque toda meta alcanzada y todo
lo que soy es gracias a su inquebrantable apoyo y guía. Sin duda alguna, ellos son y serán mi
ejemplo y motivación.
Edison.

iv
AGRADECIMIENTO

Agradezco en primer lugar a Dios, por la vida y la salud que me ha brindado, por todas las
oportunidades que me ha regalado y me han llevado a convertirme en un profesional.
Gracias a mis padres por su entrega incondicional, confianza, tiempo y soporte no solo
económico, sino también moral y emocional. Ellos me enseñaron que la mejor herencia que un
padre puede dejarle a sus hijos es la educación.
Agradezco a mis buenos amigos que todos estos años se han convertido en un pilar fundamental
para mí, porque siempre con su forma de ser y locuras me han levantado el animo a seguir adelante
y a nunca rendirme.
De igual manera, agradezco al Ing. Daniel Chuquín por la confianza y oportunidad que me brindó
para desarrollar el presente proyecto de titulación, por su guía, motivación y enseñanzas. Una
inmensa gratitud a la Escuela Superior Politécnica de Chimborazo, en especial a la Facultad de
Ciencias, por abrirme sus puertas y formarme profesionalmente, pero, además, porque allí conocí,
aprendí y compartí con mis docentes, amigos y compañeros como una familia.
Edison.

v
TABLA DE CONTENIDO

ÍNDICE DE TABLAS ................................................................................................................ ix

ÍNDICE DE FIGURAS ............................................................................................................... x
ÍNDICE DE GRÁFICOS.......................................................................................................... xii
ÍNDICE DE ANEXOS ............................................................................................................. xiii
SIGLAS / ABREVIATURAS .................................................................................................. xiv
RESUMEN................................................................................................................................. xv
ABSTRACT .............................................................................................................................. xvi

CAPÍTULO I

1. INTRODUCCIÓN ...................................................................................................... 1
1.1. Antecedentes ................................................................................................................ 1
1.2. Planteamiento del problema....................................................................................... 2
1.3. Justificación del proyecto ........................................................................................... 3
1.4. Objetivos ...................................................................................................................... 4
1.4.1. Objetivo General .......................................................................................................... 4
1.4.2. Objetivos Específicos.................................................................................................... 4
1.5. Alcance ......................................................................................................................... 4

CAPÍTULO II

2. MARCO TEÓRICO ................................................................................................... 5

2.1. Estado del Arte ............................................................................................................ 5
2.1.1. El petróleo .................................................................................................................... 5
2.1.1.1. Características físico-químicas del petróleo ................................................................. 5
2.1.1.2. Composición del petróleo .............................................................................................. 5
2.1.1.3. Refinación del petróleo.................................................................................................. 7
2.1.2. Simulación de procesos químicos ................................................................................. 7
2.1.2.1. Simulador DWSIM......................................................................................................... 8
2.1.2.2. Simulador Aspen HYSYS ............................................................................................... 8
2.1.2.3. Simulador ChemCAD .................................................................................................... 9
2.1.3. Redes Neuronales Artificiales (RNA) ......................................................................... 9
2.1.3.1. RNA en procesos químicos. ......................................................................................... 10
2.1.3.2. RNA en procesos de destilación. ................................................................................. 11

vi
2.2. Bases Teóricas ............................................................................................................ 12
2.2.1. Procesos de destilación de crudo ................................................................................ 12
2.2.1.1. Destilación atmosférica ............................................................................................... 12
2.2.1.2. Destilación al vacío ..................................................................................................... 13
2.2.1.3. Productos de las columnas de destilación atmosférica y al vacío .............................. 14
2.2.2. Red Neuronal Artificial (RNA) .................................................................................. 14
2.2.2.1. Fundamento biológico de la RNA ............................................................................... 15
2.2.2.2. Modelo de una neurona artificial ................................................................................ 16
2.2.2.3. Entradas y salidas neuronales..................................................................................... 17
2.2.2.4. Pesos sinápticos........................................................................................................... 17
2.2.2.5. Regla de propagación.................................................................................................. 17
2.2.2.6. Función de activación ................................................................................................. 18
2.2.2.7. Función de salida ........................................................................................................ 19
2.2.3. Arquitectura de una Red Neuronal Artificial ............................................................ 19
2.2.4. Tipos de RNAs ............................................................................................................. 20
2.2.4.1. Perceptrón ................................................................................................................... 20
2.2.4.2. Perceptrón Multicapa .................................................................................................. 21
2.2.4.3. Red Backpropagation .................................................................................................. 22
2.2.5. Entrenamiento de RNAs ............................................................................................. 24
2.2.5.1. Método de gradiente descendiente .............................................................................. 24
2.2.5.2. Algoritmo Backpropagation ........................................................................................ 25
2.2.6. Simulador libre DWSIM ............................................................................................. 26
2.2.6.1. Características ............................................................................................................ 26
2.3. Marco Legal ............................................................................................................... 30
2.3.1. Software Libre en Ecuador ........................................................................................ 30
2.3.1.1. Código Orgánico de Economía Social ........................................................................ 31
2.3.1.2. Decreto No. 1014......................................................................................................... 31
2.3.1.3. Plan Nacional de Gobierno Electrónico (PNGE) ....................................................... 32
2.3.2. Software Libre de DWSIM ......................................................................................... 33

CAPÍTULO III

3. METODOLOGÍA ..................................................................................................... 34
3.1. Etapas de la metodología .......................................................................................... 34
3.2. Determinación de parámetros importantes ............................................................ 35
3.2.1. Descripción del proceso .............................................................................................. 35
3.2.2. Método de prueba ASTM D86 .................................................................................... 39

vii
3.2.3. Destilación TBP en el proceso .................................................................................... 39
3.2.4. Propiedades termodinámicas ...................................................................................... 40
3.3. Simulación mediante DWSIM .................................................................................. 41
3.4. Validación de la simulación ....................................................................................... 50
3.5. Tratamiento de datos ................................................................................................. 51
3.6. Creación de la red neuronal artificial ...................................................................... 56
3.7. Entrenamiento y aprendizaje de la RNA ................................................................. 58
3.8. Análisis estadístico ..................................................................................................... 61

CAPÍTULO IV

4. GESTIÓN DEL PROYECTO ................................................................................... 62

4.1. Presupuesto ................................................................................................................. 62
4.2. Recursos y Materiales ................................................................................................ 62
4.3. Cronograma................................................................................................................ 63
4.4. Discusión y análisis de resultados ............................................................................ 64
4.4.1. Resultados de la simulación en el software DWSIM ................................................ 64
4.4.2. Resultados de la validación de la simulación............................................................ 66
4.5. Resultados obtenidos por la RNA ............................................................................ 67
4.5.1. Comparación de los datos simulados con datos experimentales .............................. 69
4.6. Resultados del análisis estadístico ............................................................................ 71
4.6.1. Prueba de Kruskal-Wallis .......................................................................................... 71
4.6.2. Prueba Friedman ....................................................................................................... 72

CONCLUSIONES ..................................................................................................................... 74
RECOMENDACIONES ........................................................................................................... 75
BIBLIOGRAFÍA
ANEXOS

viii
ÍNDICE DE TABLAS

Tabla 1-2: Composición del petróleo .......................................................................................... 6

Tabla 2-2: Funciones de activación........................................................................................... 18
Tabla 3-2: Características de DWSIM por plataforma .............................................................. 27
Tabla 1-3: Datos del sistema de intercambiadores .................................................................... 38
Tabla 2-3: Datos del método ASTM D86 ................................................................................. 39
Tabla 3-3: Destilación TBP de la mezcla de crudo ................................................................... 40
Tabla 4-3: Datos de las corrientes del proceso .......................................................................... 41
Tabla 5-3: Variables de entrada de la RNA .............................................................................. 52
Tabla 6-3: Variables de salida de la RNA ................................................................................. 52
Tabla 7-3: Datos generados para el entrenamiento y prueba de la RNA .................................. 52
Tabla 1-4: Presupuesto del trabajo de titulación ....................................................................... 62
Tabla 2-4: Cronograma del trabajo de titulación ...................................................................... 63
Tabla 3-4: Resultados de la columna de destilación C-1 .......................................................... 65
Tabla 4-4: Resultados de la columna de destilación C-2 .......................................................... 65
Tabla 5-4: Resultados de la validación de la simulación .......................................................... 66
Tabla 6-4: Resultados de la comparación de valores reales y predichos .................................. 70
Tabla 7-4: Resultados de la prueba Kruskal-Wallis en Nafta Ligera ........................................ 71
Tabla 8-4: Resultados de la prueba Kruskal-Wallis en Nafta Pesada ....................................... 71
Tabla 9-4: Resultados de la prueba Kruskal-Wallis en Queroseno ........................................... 71
Tabla 10-4: Resultados de la prueba Kruskal-Wallis en Gasóleo ............................................. 71
Tabla 11-4: Resultados de la prueba Kruskal-Wallis en Fuel Oíl ............................................. 72
Tabla 12-4: Resultados de la prueba Friedman en Nafta Ligera ............................................... 73
Tabla 13-4: Resultados de la prueba Friedman en Nafta Pesada .............................................. 73
Tabla 14-4: Resultados de la prueba Friedman en Queroseno .................................................. 73
Tabla 15-4: Resultados de la prueba Friedman en Gasóleo ...................................................... 73
Tabla 16-4: Resultados de la prueba Friedman en Fuel Oíl ...................................................... 73

ix
ÍNDICE DE FIGURAS

Figura 1-2: Destilación atmosférica de crudo ........................................................................... 13

Figura 2-2: Destilación al vacío de crudo ................................................................................. 13
Figura 3-2: Neurona biológica .................................................................................................. 15
Figura 4-2: Modelo de neurona artificial .................................................................................. 16
Figura 5-2: Funciones de transferencia ..................................................................................... 19
Figura 6-2: RNA monocapa y multicapa .................................................................................. 20
Figura 7-2: RNA Perceptrón simple ......................................................................................... 21
Figura 8-2: RNA Perceptrón multicapa .................................................................................... 22
Figura 9-2: RNA de retropropagación ...................................................................................... 23
Figura 10-2: Programas, objetivos y estrategias del PNGE ...................................................... 32
Figura 1-3: Diagrama de flujo de proceso ................................................................................ 36
Figura 2-3: Pestaña de inicio de DWSIM ................................................................................. 41
Figura 3-3: Selección de paquetes termodinámicos .................................................................. 42
Figura 4-3: Ingreso de datos de la curva de destilación TBP .................................................... 43
Figura 5-3: Ingreso de los métodos y correlaciones.................................................................. 43
Figura 6-3: Propiedades de los seudocomponentes creados ..................................................... 44
Figura 7-3: Especificaciones de la entrada de crudo................................................................. 44
Figura 8-3: Sección de intercambiadores de calor .................................................................... 45
Figura 9-3: Operación de C-1 en ChemSep .............................................................................. 46
Figura 10-3: Condiciones de C-1 .............................................................................................. 46
Figura 11-3: Especificaciones del horno H-1............................................................................ 47
Figura 12-3: Operaciones de la columna C-2 ........................................................................... 48
Figura 13-3: Especificaciones de la columna C-2..................................................................... 48
Figura 14-3: Especificaciones de los bloques de recirculación ................................................ 49
Figura 15-3: Especificaciones de los bloques de separación de compuestos ............................ 50
Figura 16-3: Resultados mostrados en DWSIM ....................................................................... 51
Figura 17-3: Variables en forma de vectores ............................................................................ 56
Figura 18-3: Ventana de la herramienta nntool ........................................................................ 57
Figura 19-3: Propiedades de la RNA ........................................................................................ 57
Figura 20-3: Arquitectura de la RNA ....................................................................................... 58
Figura 21-3: Parámetros de entrenamiento de la RNA ............................................................. 59
Figura 22-3: Entrenamiento de la RNA .................................................................................... 60
Figura 1-4: Validación de la simulación en DWSIM................................................................ 64
Figura 2-4: Resultados del entrenamiento de la RNA .............................................................. 68

x
Figura 3-4: Correlación del entrenamiento de la RNA ............................................................. 69
Figura 4-4: Relación de datos simulados y reales ..................................................................... 70

xi
ÍNDICE DE GRÁFICOS

Gráfico 1-3: Metodología del trabajo de titulación ................................................................... 34

xii
ÍNDICE DE ANEXOS

ANEXO A: DATOS EXPERIMENTALES

ANEXO B: COMPARACIÓN ENTRE DATOS EXPERIMENTALES Y REALES
ANEXO C: DATOS DE LOS ANÁLISIS ESTADÍSTICOS
ANEXO D: CERTIFICADO DE CUMPLIMIENTO DE NORMATIVA

xiii
ÍNDICE DE ABREVIATURAS

API American Petroleum Institute

BPA Flujo de recirculación inferior
CS Crudo salado
F.O Fuell oíl
FCC Craqueo Catalítico Fluido (en inglés fluid catalytic cracking)
G Gasóleo
GLP Gas Licuado de Petróleo
H.L Nafta ligera
H.N Nafta pesada
IA Inteligencia Artificial
MSE Error cuadrático medio
PFE Punto final de ebullición
PIE Punto inicial de ebullición
PR Peng-Robinson
Q Queroseno
RNA Red Neuronal Artificial (en inglés ANN, artificial neural network)
T Temperatura
TBP “True Boiling Point” o verdadero punto de ebullición
TPA Flujo de recirculación superior
TRAINLM Levenberg-Marquardt

xiv
RESUMEN

Este trabajo de investigación tuvo como objetivo la simulación y validación de la unidad de

fraccionamiento de crudo, que fue utilizada como base para la creación de una red neuronal
artificial (RNA) que tenga la capacidad de predecir las fracciones de los productos obtenidos
después de la destilación del crudo. En la creación de la RNA se utilizó un banco de datos de 150
valores para cada variable: flujo de crudo, temperatura de horno, nafta ligera, nafta pesada,
queroseno, gasóleo y fuell oíl; obtenidos de la simulación creada. La arquitectura que tiene la
RNA se divide en: una capa de entrada (2 neuronas), tres capas ocultas (50 neuronas) y una capa
de salida (6 neuronas); esta arquitectura se basa en el tipo de red Feed-forward backprop y tiene
un algoritmo de entrenamiento basado en Levenberg-Marquardt (TRAINLM). En esta red se
obtuvo un error cuadrático medio de 0,0016801 con un nivel de correlación de 0,9954;
validándose mediante pruebas estadísticas comparativas como la prueba Kruskal-Wallis y la
prueba Friedman en donde se compararon los datos reales y predichos, tomado como regla que
los valores de prueba obtenidos no deben superar el valor de 3,8415 para aceptar la hipótesis nula,
resultando en que para todos los productos se acepta la hipótesis nula que dicta la existencia de
una similitud entre estos dos grupos de valores. Es recomendable elevar el rango de alcance de la
RNA ya que se puede aplicar a nuevas herramientas e investigaciones en procesos de refinación
de crudo, asegurando mayores eficiencias en estos procesos.

Palabras clave: <INGENIERÍA QUÍMICA>, <DESTILACIÓN DE CRUDO>, <DWSIM

(SOFTWARE)>, <REDES NEURONALES ARTIFICIALES (RNA)>, <MATLAB
(SOFTWARE)>.

xv
ABSTRACT

ABSTRACT The objective of this research work was the simulation and validation of the crude
oil fractionation unit, which was used as the basis for the creation of an artificial neural network
(ANN) capable of predicting the fractions of the products obtained after crude oil distillation. In
the creation of the ANN, a data bank of 150 values was used for each variable: crude oil flow,
furnace temperature, light naphtha, heavy naphtha, kerosene, diesel oil and fuel oil; obtained from
the simulation created. The ANN architecture is divided into: an input layer (2 neurons), three
hidden layers (50 neurons) and an output layer (6 neurons); this architecture is based on the Feed-
forward backprop network type and has a training algorithm based on Levenberg-Marquardt
(TRAINLM). In this network, a mean square error of 0.0016801 was obtained with a correlation
level of 0.9954; validating it by means of comparative statistical tests such as the Kruskal-Wallis
test and the Friedman test where the real and predicted data were compared, taking as a rule that
the test values obtained should not exceed the value of 3.8415 to accept the null hypothesis,
resulting in that for all the products the null hypothesis that dictates the existence of a similarity
between these two groups of values is accepted. It is advisable to raise the range of scope of ANN
as it can be applied to new tools and research in crude oil refining processes, ensuring greater
efficiencies in these processes.

Keywords: <CHEMICAL ENGINEERING>, <CRUDE OIL DISTILLATION>, <DWSIM

(SOFTWARE)>, <ARTIFICIAL NEURON NETWORKS (ANN)>, <MATLAB
(SOFTWARE)>.

xvi
CAPÍTULO I

1. INTRODUCCIÓN

1.1. Antecedentes

Desde su descubrimiento el petróleo ha conferido enormes riquezas a las regiones o países donde
se ha podido encontrar y América latina no es la excepción. En el Ecuador la era petrolera
comienza con la perforación del primer pozo petrolero en su jurisdicción denominado Ancón 1,
ubicado en la provincia de Santa Elena en el año de 1911, produciéndose un crecimiento
significativo de la economía del país, en años posteriores se descubren nuevos yacimientos en la
amazonia ecuatoriana pero el crudo encontrado en esta región es de menor calidad que el
encontrado en la costa ecuatoriana (Castro, y otros, 2007 pág. 7).
La economía ecuatoriana a partir de la década de los 70 se sustentaba principalmente de la venta
de petróleo, por ende se correlacionaba directamente con la gran variabilidad de los precios
internacionales de crudo, por tanto las caídas en los precios significaba que la economía
ecuatoriana también se veía afectada, además es sabido que los precios del petróleo se basan en
factores externos fuera de la influencia del país, generando una situación preocupante ya que en
gran medida se convierte el país en un ente dependiente de sectores económicos extranjeros
(Sarango, 2016 pág. 7).
Ya que la industria petrolera es muy importante en el país se debe tratar de mejorar los procesos
de refinación de crudo que ya existen, por tanto, se debe tratar de esclarecer el funcionamiento de
los sistemas de fraccionamiento y destilación del petróleo ya que estos sistemas desde hace vario
años son utilizados de manera principal en la industria química y petrolera, en refinerías,
tratamientos de gas natural y diversos sistemas de acondicionamiento. El objetivo principal de
este sistema es cumplir con las diversas especificaciones de calidad en productos, que
normalmente son monitoreados de manera remota y para el cumplimiento de normas de calidad
internacionales (Dávila, 2013 pág. 5).
En el caso de la destilación del petróleo se utiliza en gran medida la destilación multicomponente
ya que el tipo de alimentación que reciben las refinerías contiene una composición muy compleja,
ya que el crudo que se dispone a rectificar contiene un gran conjunto de hidrocarburos que
permanecen en varias fases (gas, liquido, solido) además pueden contener compuestos
inorgánicos. El conjunto de hidrocarburos que se puede encontrar en el crudo puede variar desde
un carbono hasta más de cincuenta, por tanto, el intervalo de puntos de ebullición para estos
compuestos a una presión atmosférica puede variar desde los -162 °C a los 538 °C, adicional a
esto se toma en cuenta la variante volatilidad de los compuestos (Green, y otros, 2008).

1
En los últimos años se ha podido observar el creciente interés de la aplicación de nuevos métodos
de solución de problemáticas con la aplicación de procesos provenientes de nuevos sectores del
conocimiento y una de las técnicas más utilizadas es la inteligencia artificial (IA) que fue
desarrollada por las Ciencias de la Computación en los años 60, creando un gran número de
herramientas que se aplican en el sector científico y tecnológico. El éxito de estas herramientas
está ligado al desarrollo de nuevos hardwares y softwares que permiten almacenar grandes
cantidades de información, así como también los fundamentos principales de la IA busca dar
soluciones a problemas que las ecuaciones matemáticas más habituales no pueden resolver,
logrando crear nuevos métodos capaces de poder analizar y controlar problemáticas de carácter
no lineal o lógico (Fernández, 2007 págs. 30-31).
Actualmente la simulación se ha convertido en una herramienta muy importante para la
optimización, el análisis ya la síntesis de un proceso, la simulación se puede definir como una
copia computacional de un proceso real, que permite obtener datos a partir de varios modelos
ideales. En Ingeniería Química se comprende a la simulación como la solución de las ecuaciones
de energía o materia en estado dinámico o estacionario. Las ventajas más importantes de las
simulaciones son: la capacidad de evaluar y comprobar un proceso químico antes de aventurarse
a realizar un gasto monetario o de recursos, poder documentar y registrar que cumpla con las
normas ambientales del país en donde se esté realizando, permite la detección de errores de diseño
o calculo ahorrando tiempo y dinero (Paz, 2013 pág. 23).

1.2. Planteamiento del problema

Aunque el sol en la actualidad proporciona el 99.8 % de la energía que se tienen en el planeta la

fuente de energía que más se utiliza es la proveniente de la industria petrolera que tienen un
consumo de un millón de toneladas de crudo por hora lo que también representa al 0.0005 % de
la energía que el sol proporciona.
La industria petrolera en los últimos 50 años se ha mantenido como un sector de vital importancia
para mantener la calidad de la vida moderna, debido a que la mayoría de los productos que se
utilizan diariamente son derivados del oro negro como también se lo conoce. Por este grado de
importancia que tiene en la sociedad se debe tener bien controlado y optimizado el proceso de
refinación para poder obtener una eficiencia adecuada en comparación con los gastos de
producción.
El crudo que se extrae de los diferentes yacimientos no siempre tiene iguales características en
sus componentes debido a la naturaleza de la roca madre en la cual se encontraba entonces es
simple pensar que los parámetros de las refinerías se deberían mantener cambiantes debido a esta
gran diferencia de crudos a fraccionarse pero en la realidad no es así por ende se debería contar

2
con herramientas capaces de simular la naturaleza cambiante de las materias primas que se
utilizan en estos procesos de fraccionamiento.
En las refinerías se capta el crudo extraído de los pozos y se lo destila en torres de fraccionamiento
para separar los componentes por diferentes puntos de ebullición esta etapa de la refinación es
una de las más controladas debido a que los productos fraccionados que resultan de esta sirven de
materia prima para los demás procesos de refino y de existir algún error en los parámetros de las
torres de fraccionamiento significarían varias pérdidas económicas.
Para poder solucionar este tipo de problemas el presente proyecto de titulación se planteó el
realizar la simulación y validación de un sistema de fraccionamiento de última tecnología para la
separación de los componentes del crudo mediante la plataforma de procesos químicos DWSIM,
comparando los valores con procesos ya simulados en artículos de alto impacto analizando así la
eficiencia y cambios que se presentes en el proceso.

1.3. Justificación del proyecto

El fraccionamiento del crudo es de vital importancia si no el más importante debido a que en esta
etapa se produce la separación de los diferentes componentes que servirán de materias primas
para los demás procesos de refinado y de realizarse de ineficiente forma producirían una pérdida
de dinero muy elevada como también un alto grado de contaminación para el medio ambiente.
Por esta razón las herramientas tecnológicas son muy importantes para los procesos de producción
y por ende se ha optado por la simulación de un sistema de fraccionamiento para la separación de
los componentes del crudo en el sistema de modelado de DWSIM para poder obtener una visión
de las propiedades y cantidades de productos sin tener que arriesgarse a posibles pérdidas de
producción en una refinería, aumentando con esto la eficiencia de las diversas torres de
fraccionamiento que se utilizan.
Además, se puede aplicar nuevas instalaciones u optimizaciones a diferentes parámetros que
constituyen la etapa de destilación de crudo, midiendo así la factibilidad de instalarlas y
estudiando fácilmente que cambios pueden realizarse para obtener mayor rentabilidad en etapa
de producción.
Es posible también estudiar que parámetros se deben modificar para reducir la presencia de
componentes no deseados en los productos finales sin arriesgar instalaciones reales reduciendo
así una de las mayores problemáticas de los tiempos modernos como es la contaminación
ambiental y las fuentes contaminantes.

3
1.4. Objetivos

1.4.1. Objetivo General

Simular y validar un sistema de fraccionamiento para la separación de los componentes del crudo
en procesos de refinación mediante el software de simulación de procesos DWSIM.

1.4.2. Objetivos Específicos

❖ Simular la unidad de fraccionamiento de crudo por medio de la plataforma de procesos

químicos de código abierto DWSIM.
❖ Validar el sistema de fraccionamiento de crudo por medio del análisis y comparación de los
datos obtenidos en la simulación, con datos obtenidos de un estudio bibliográfico.
❖ Diseñar una Red Neuronal Artificial que sea capaz de predecir las cantidades de los
componentes fraccionados en la unidad de destilación de crudo por medio de las condiciones
asignadas a las columnas de fraccionamiento.

1.5. Alcance

En el presente trabajo de titulación se busca realizar la simulación de un sistema de

fraccionamiento de crudo con dos torres de destilación que funcionan en conjunto con un sistema
completo de intercambiadores de calor que busca aprovechar la energía absorbida por las líneas
de alimentación al ser calentadas, la dificultad que se presenta en los proyectos que tienen que ver
con el petróleo está en la capacidad que este tiene de contener un conjunto enorme de compuestos
derivados de hidrocarburos y compuestos inorgánicos que tienen características fisicoquímicas
muy diversas entre sí. Por tanto, se opta por la utilización del software especializado en procesos
químicos denominado DWSIM que contiene varias herramientas para poder simular
correctamente las múltiples composiciones del crudo en la vida real.
En la validación de esta simulación se comprueba que los valores que se van a obtener son fiables
para la creación de un conjunto de datos que serán utilizados en la creación de una Red Neuronal
Artificial (RNA) capaz de predecir las propiedades de los productos del sistema de destilación de
crudo por medio de las composiciones de los flujos de alimentación y las características
estructurales que adopten las columnas de destilación, también se puede estudiar el nivel de
influencia que tendrán las variables de entrada con los resultados obtenidos y por ende permite
generar criterios de optimización en los procesos de refinería estudiados.

4
CAPÍTULO II

2. MARCO TEÓRICO

2.1. Estado del Arte

2.1.1. El petróleo

El termino petróleo nace del conjunto de términos latinos conocidos como “petro” que significa
roca y óleum o aceite que definen al termino como “aceite de roca”. Esta sustancia es una muy
compleja mezcla de compuestos derivados de los hidrocarburos que se generan en un tipo de roca.
Se piensa que el origen del petróleo está en la “descomposición de materia orgánica” que ocurren
en intervalos de tiempo muy extensos y expuestos a condiciones de temperatura y presión muy
altos (PETROECUADOR, 2013 pág. 13).

2.1.1.1. Características físico-químicas del petróleo

Los diferentes tipos de petróleo cuentan con diferentes características químicas y físicas ya sea:
color, sabor, olor, índice de refracción, densidad, puntos de ebullición y fusión, poder calórico,
viscosidad entre otros. El color del crudo puede variar en función de la cantidad de luz que puede
refractar esta sustancia, puede asumir colores que van desde el amarillo pálido hasta llegar al
negro pasando por tonalidades verdes, azules, rojas y marrones. Estos colores también pueden
describir si se trata de crudos livianos, pesados o extrapesados ya que asumen un color más oscuro
mientras más pesado es el crudo. Otro indicador es el olor que normalmente es aromático similar
a las gasolinas y si el olor es fuerte puede indicar presencia de azufre, si el olor es irritante el
crudo contiene sulfuro de hidrogeno, dependiendo del tipo de olor se puede describir al petroleó
como dulces o agrios. La densidad es la característica de control más habitual para saber qué
calidad tiene un tipo de crudo ya que se correlaciona con la medida de los grados API que es la
escala de la gravedad especifica producida por el “American Petroleum Institute”
(PETROECUADOR, 2013 pág. 15).

2.1.1.2. Composición del petróleo

El petróleo es una mezcla heterogenia de sustancias en su mayoría hidrocarburos, además

contiene azufre, oxigeno, nitrógeno y varios compuestos minerales. Además, se puede encontrar
gases disueltos en proporciones variables. Las propiedades fisicoquímicas de los petróleos son

5
variantes entre sí y dependen en gran medida de las proporciones de los hidrocarburos que los
conformen (Pinos, 2008 pág. 27).
A pesar de que el petróleo se encuentra en casi todos los países en condiciones diferentes, la
composición de los diferentes crudos se mantiene en limites específicos, los elementos más
comunes son los que se detallan en la tabla.
Tabla 1-2: Composición del petróleo
Elemento Porcentaje
Carbono 83-87
Hidrogeno 11-15
Azufre 0,1-6,0
Nitrógeno 0,1-1,5
Oxigeno 0,3-1,2

Fuente: (Pinos, 2008 pág. 27).

Realizado por: ORTIZ, Edison 2022.

Para determinar el precio del crudo se toma en cuenta dos aspectos muy importantes que son: la
densidad API y el contenido de azufre. Los crudos que en su composición contienen un porcentaje
de azufre mayor a 0,5 % se consideran de menor calidad ya que para la refinación de estos crudos
es necesario la implementación de un proceso de hidrogenación debido principalmente que el
azufre es el principal causante de envenenamiento en los catalizadores que se utilizan en este
proceso. Los compuestos de azufre son muy complejos y son térmicamente inestables (Pinos, 2008
pág. 28).
En la mayoría de los crudos extraídos la presencia de nitrógeno es generalmente baja
considerándose en los rangos de 0,1 a 1,5 % esto debido a que este elemento se presenta como un
constituyente de algunos compuestos. Al aumentar el punto de ebullición de las fracciones del
crudo se aumenta también la presencia de compuestos nitrogenados los mismos que son
térmicamente estables por lo que se aglomeran básicamente en las resinas y los asfaltos. La
presencia del nitrógeno en las fracciones del petróleo es indeseable debido que estos compuestos
se oxidan fácilmente con el aire formando resinas y envenenando los catalizadores (Pinos, 2008 pág.
29).
En el petróleo el oxígeno se presenta en compuestos como ácidos carboxílicos, fenoles, cetonas,
esteres, lactonas, anhidridos y compuestos derivados del furano. Los asfaltos que es la fracción
más pesada del crudo contienen compuestos altamente oxigenados. Debido a la naturaleza acida
de los compuestos oxigenados estos deben ser eliminados del crudo antes de ser sometido a
refinamiento. El petróleo y sus derivados contienen varios compuestos minerales, pero en
cantidades pequeñas los más representativos en su mayoría son metales como: Vanadio, Cromo,
Níquel, Hierro, Molibdeno, Cobre, Plomo, Plata, Cobalto, Magnesio, Titanio, Sodio, Potasio,

6
Bario, Calcio, Germanio, Fosforo, Silicio, Aluminio, Zinc. Todos estos elementos se consideran
como generadores de cenizas (Pinos, 2008 págs. 30-32).

2.1.1.3. Refinación del petróleo

Según el texto manual de (PETROECUADOR, 2013 pág. 96) en la etapa de refinación o también
denomina “downstream” el crudo y el gas son expuestos a varios sistemas de transformación
capaz de separar los productos ya conocidos del petróleo. Para lograr este fin se necesitan enormes
plantas de procesamiento denominadas como refinerías. En estas plantas de refinación el crudo
tiene que pasar por varias etapas de transformación para poder obtener gasolinas, querosenos,
asfaltos, GLP entre otros. El crudo no se extrae de forma pura ya que este contiene compuestos
inorgánicos y minerales que son considerados como impurezas. El primer paso ya en la refinería
es desalar el crudo ya que contiene una cantidad de agua salada proveniente del yacimiento donde
se instaló el pozo que lo extrajo. Ya desalado el crudo pasa a un horno en el cual se eleva la
temperatura hasta los 350 °C para ser ingresado a una columna de destilación que funciona a
presión atmosférica, en este punto se da la primera separación del crudo en sus componentes
debido a los diferentes puntos de ebullición. Esta columna de destilación contiene en su interior
una cantidad de separaciones o platos que mantiene independientemente diferentes temperaturas
que causan la condensación y separación de los productos contenidos en la alimentación del
crudo.
En las torres de destilación se recoge los residuos más pesados para ser enviados a otras columnas
de rectificación que funcionan al vacío pudiendo reducir los puntos de ebullición y obteniendo
los denominados gasóleos que son la materia prima para la planta de craqueo catalítico fluido
(FCC) que genera gasolinas de alto octanaje y gas licuado de petróleo. Las naftas obtenidas en
las columnas de destilación atmosféricas normalmente contienen octanajes muy bajos que van de
los 50 a 60 octanos y por tanto con menor potencia explosiva. Para mejorar esta característica es
necesario utilizar reactores químicos capaces de transformar la naturaleza química de las naftas
como unidades de FCC y otras que ayudan a mejorar la calidad de las gasolinas disminuyendo el
contenido de azufre y elevando el octanaje (PETROECUADOR, 2013 pág. 96).

2.1.2. Simulación de procesos químicos

El nacimiento de la simulación se originó en la Segunda Guerra mundial con los catedráticos en

matemáticas J. V. Neumann y S. Ulam que tenían el desafío de solucionar una problemática
compleja que explicaba el comportamiento de los neutrones, este problema era demasiado
complejo para ser resuelto analíticamente y resultaba demasiado costoso hacerlo mediante prueba
y error. La evolución tecnológica con respecto a la simulación de procesos creció en gran medida

7
en los años 1966-1968 donde aparecen por primera vez paquetes de simulación, capaces de
resolver balances de materia y energía en procesos estacionarios. El “PACER” y el “CHESS”
fueron los primeros paquetes desarrollados en universidades norteamericanas y el
“FLOWTRAN” creado por Monsanto. En los años 70 los cálculos se volvieron más complejos,
se mejoraron los modelos predictivos de las propiedades fisicoquímicas y se aumentó las unidades
de procesamiento junto con la capacidad de almacenamiento de información. Ya en los años 80
se comienza con el desarrollo del software que contiene paquetes de simulación muy complejos
y mucho más comerciales, generando programas interactivos como: Aspen, Hysys, Chemcad, etc.
Esto genero el comienzo de la revolución tecnológica en simulación de procesos químicos (Paz,
2013 pág. 24).

2.1.2.1. Simulador DWSIM

Los grandes simuladores de procesos industriales, como Aspen Hysys si bien son muy eficaces,
siempre suelen tener un costo que puede no ser tan accesible para empresas pequeñas,
universidades y estudiantes. Por esta razón es que el simulador DWSIM es de gran importancia
debido a que es un simulador de procesos, de código abierto, descarga libre y gratuita. El sitio
oficial de DWSIM se encuentra en dwsim.inforside.com.br. en ese sitio se puede descargar un
addin de Excel para cálculos termodinámicos. Este addin permite hacer cálculos de propiedades
termodinámicas de compuestos puros y de mezclas de una sola fase directamente en Excel, para
integrar dentro de otras planillas de cálculo o modelos que se tenga ya implementados. Si bien el
software es totalmente gratuito, el sitio oficial incluye un enlace que puedes usar para hacer una
donación al autor. DWSIM fue desarrollado originalmente por Daniel Medeiros, un ingeniero de
procesos brasileño, en 2006, al que luego se le sumó Gregor Reichert (DWSIM, 2020).

2.1.2.2. Simulador Aspen HYSYS

Este software de simulación de procesos es una herramienta muy utilizada por su poder de
procesamiento, se utiliza para replicar plantas derivadas de la industria petroquímica y sectores
productivos afines, este programa ha sido diseñado tomando en cuenta varios aspectos como: la
arquitectura, la operación interactiva, varios paquetes termodinámicos e interfaces amigables con
el usuario. Tiene la capacidad de simular procesos dinámicos y estacionarios, para este fin
contiene una de las librerías de componentes más grandes en el mercado de los simuladores
haciéndola una herramienta muy poderosa para la réplica de procesos industriales. Los paquetes
de propiedades permiten crear modelos más cerca de la realidad, lo que ayudo al rápido avance
en la utilización de esta herramienta en las áreas de desarrollo, investigación y diseño. Esta

8
plataforma sirve a las ingenierías, más precisamente en la formación académica de las
universidades, en cursos de posgrado de la industria petroquímica (Martínez, y otros, 2015 págs. 24-25).

2.1.2.3. Simulador ChemCAD

Este simulador posibilita a las personas que lo utilizan evaluar un determinado proceso o equipo
mediante la réplica de su funcionamiento, como también permite supervisar su operación en
función del tiempo, se puede explorar también las dimensiones que van a conformar los equipos,
con esta información los usuarios pueden brindar nuevas opciones de operación mediante la
modificación de las variables que rigen a un determinado proceso. Además, ponen al alcance de
los usuarios una amplia lista de componentes y deja la posibilidad de ingresar nuevos, entre varias
características más. Se puede afirmar que cualquier estudiante que ya tenga un cierto nivel de
preparación en su carrera podría engrandecer sus habilidades en la evaluación de procesos con la
utilización de este programa. Una de las dificultades que tiene el programa es que para poder
simular un cierto sistema se debe necesariamente dominar todos los aspectos del proceso o equipo
que se desea simular ya que debe ser capaz de conocer qué tipo de paquete termodinámico utilizar,
o que variables se determinan como salidas o entradas, todo esto conlleva a poder comprender las
principales ventajas y las desventajas de la utilización de este programa computacional (Toselli, y
otros, 2009 pág. 20).

2.1.3. Redes Neuronales Artificiales (RNAs)

Los procesos industriales en su mayoría no son lineales lo que dificulta enormemente el cálculo
por los métodos habituales por tanto la búsqueda de nuevas técnicas de análisis de datos es
necesaria. Las redes neuronales artificiales (RNA) es un modelo que pretende simular los
procesos de aprendizaje biológicos y por ende emplean funciones del sistema neuronal humano.
Estas redes crean una conexión entre los datos de entrada y las salidas mediante la complejidad
de las capas internas u ocultas dentro del sistema mediante una función de activación y la
adopción de valores denominados pesos en cada neurona de la capa oculta (Valles, 2006). En la
aplicación de estas RNA los algoritmos pueden aprender de las repeticiones como también tienen
alta tolerancia a las variaciones de datos, por esto pueden ser capaces de solucionar problemas no
lineales. Después de completar el entrenamiento son capaces de la predicción y la generalización
de manera inmediata (Sozen, y otros, 2004 pág. 43).

9
2.1.3.1. RNA en procesos químicos

Como ya se explicó las capacidades de las RNA son muy amplias y se pueden aplicar a varios
sectores de la sociedad, pero hay que concentrarse en las aplicaciones de los procesos químicos y
de transformación. Para comenzar (Sánchez, y otros, 2015 pág. 3) crearon una red neuronal artificial
de tipo feedforward que contiene una capa oculta y es entrenada por el algoritmo backpropagation
(BP) mientras que el ajuste de los pesos sinápticos lo realiza mediante la función Levenberg-
Marquartd (LM), esta RNA es capaz de predecir la velocidad del proceso de extracción de aceite
de canola con hexano. Las variables que utiliza son el tiempo de extracción, la temperatura de
trabajo y el rendimiento en base seca obtenido de una extracción en un reactor batch
completamente agitado.
Una RNA se puede aplicar casi en todos los aspectos de la vida cotidiana solo se necesita un
conjunto de datos lo suficientemente grande para su adecuado entrenamiento. Se creo una red
neuronal artificial para estimar el índice de calidad de agua, en donde la red tiene el objetivo de
predecir las diferentes propiedades químicas y físicas que pueden afectar la calidad del agua, para
este modelo se utiliza el tipo de red perceptrón multicapa dispuesto con 6 neuronas de entrada, 12
en la capa oculta y una neurona a la salida con el algoritmo de entrenamiento Levenberg-
Marquartd (LM) en el software Matlab, el agua estudiada es la proveniente del rio Utcubamba
(Bazán, y otros, 2020 pág. 109).

En el trabajo de doctorado presentado por (Osorio, 2015 pág. 5) creo una RNA para realizar el control
de manera eficiente de la composición de la salida de dióxido de carbono en una columna de
absorción en el laboratorio de operaciones y procesos unitarios de la Universidad del centro del
Perú. Esta red consta de una capa de entrada, una capa escondida y una capa de salida. El
algoritmo de entrenamiento que se utilizo es el de retropropagación siendo validado de manera
experimental en un sistema de absorción con reacción química. La variable que fue controlada es
la cantidad molecular de dióxido de carbono que se presenta en la salida del proceso mediante la
manipulación de la velocidad de la alimentación de hidróxido de sodio.
Se estableció una red neuronal artificial para el diseño de protecciones cerámica-metal que se
exponen a impactos a altas velocidades, esta red es capaz de predecir el comportamiento de la
protección al momento de impactarse a altas velocidades, ya que puede controlar si existió una
perforación en la protección o si se produce la parada del cuerpo que impacto, el banco de datos
se generó mediante la simulación del comportamiento de las protecciones al ser impactadas por
diferentes objetos, el algoritmo que se encarga de la interacción se generó específicamente para
esta red, para el entrenamiento se utiliza el algoritmo de retropropagación de PMC (Fernández, 2007
pág. 8).

10
2.1.3.2. RNA en procesos de destilación

Se presento una RNA capas de predecir la concentración de etanol en una destilería, en la

arquitectura de la red se utilizó el perceptrón multicapa ya que la naturaleza de los datos es
adecuado para este tipo de algoritmo, se comprobó la concentración de etanol a la salida de los
destiladores, para el diseño y la estructuración de la red se utiliza el software MATLAB en la
versión 2013, la red se conformó por cuatro variables de entrada, seis neuronas en la capa oculta
que brindan un error cuadrático medio de 0,000434 y un valor de correlación entre los datos reales
y los de la red de 0,916 (López de la Maza, y otros, 2018 pág. 2).
La RNA creada por (López, y otros, 2017 pág. 1) para columnas de destilación por lotes tiene una base
radial en modelos dinámicos mediante un preprocesamiento de las alimentaciones y mediante un
cambio de escala. Para poder comprender el comportamiento de la temperatura se toman datos a
lo largo de todo el proceso, a estos datos se les aplica varias redes neuronales artificiales, se debe
recalcar que se realiza este proceso hasta obtener un error cuadrático medio menor al 0,001. La
característica principal de esta red es la capacidad demostrar la transición de la torre de destilación
desde el punto frio hasta llegar al estado estacionario que es muy difícil representar con los
métodos convencionales.
En la industria azucarera se ha llevado a cabo diversas RNAs como la red para la predicción de
la calidad fisicoquímica de la mezcla de caña de azúcar en un destilador flash, en este proceso se
utilizó dos modelos de tipo feedforward (FF), con el algoritmo de entrenamiento backpropagation
(BP), con ajustes de los pesos sinápticos regidos a la función Levenberg-Marquardt (LM), con
una estructura de seis variables de entrada y siete variables de salida con 9 neuronas en la capa
oculta con la función tangente sigmoidal. Los parámetros de entrenamiento utilizados son: 0,5 de
coeficiente de momento, una meta de error de 0,0001 en 20 etapas de entrenamiento (Lescano, y
otros, 2010 pág. 63).

Se desarrollo una RNA para el proceso de destilación de crudo que permite el control en tiempo
real de la unidad de destilación de crudo y para este tipo de proceso es muy interesante analizar
las diferentes correlaciones que existen entre las variables ya que son muchas, esta red se enfoca
en dos pasos, como primer punto se utiliza una red de tipo perceptrón multicapa y a continuación
se introduce un operador de selección y contracción mínima absoluta o LASSO por sus siglas en
inglés y ha demostrado que esta combinación de funciones permite construir un modelo valido
capas de predecir las variables de salida del proceso (Sun, y otros, 2016 pág. 338).
Se modelo una RNA para la predicción del equilibrio líquido-vapor de las mezclas de etanol-agua
mediante el modelo del perceptrón multicapa con el algoritmo de entrenamiento y aprendizaje
denominado backpropagation en los softwares Matlab y KNIME 3.1.1, para estas simulaciones
se utilizó un banco de datos validado por los procesos de las áreas de Herington y las pruebas

11
punto a punto diseñado por Wisniak, la estructura de la red conta de ocho neuronas en la capa
intermedia u oculta obteniendo un error cuadrático medio de 0,0054 con el coeficiente de
correlación entre los datos de 0,9729, esta red permite predecir en el intervalo de presiones de 6,6
kPa a 520 kPa el equilibrio líquido-vapor (Zumalacárregui, y otros, 2018).

2.2. Bases Teóricas

2.2.1. Procesos de destilación de crudo

El fraccionamiento de crudo se basa en un proceso de intercambio de masa y energía con el fin

de separar las mezclas líquidas por medio de sus puntos de ebullición. Este proceso se lleva a
cabo mediante el contacto de dos flujos, en fase gaseosa y fase líquida que mantienen diferentes
composiciones y diferentes temperaturas que al entrar en contacto buscan alcanzar el equilibrio
térmico. Estos procesos se pueden realizar por medio de sistemas discontinuos y continuos, en el
primer caso las mezclas son fraccionadas en sus “componentes individuales” que mantienen
distintos puntos de ebullición por medio de una extracción sucesiva. En el sistema continuo la
destilación que se realiza posibilita la obtención de diferentes productos en el mismo intervalo de
tiempo con la aplicación de condiciones “estacionarias” para el proceso (Pinos, 2008 págs. 45-46).
Los procesos de fraccionamiento se realizan en “columnas de rectificación”, que permiten crear
un flujo de vapor mediante la aplicación de calor en parte inferior de la columna, se condensa el
vapor de la parte superior de la columna para generar el reflujo líquido, al ingresar el crudo a las
torres de destilación es separado en fracciones que mantienen intervalos estrechos de puntos de
ebullición, el sistema cuenta con varias etapas de procesamiento como: calentamiento,
fraccionamiento, condensación y enfriamiento (Pinos, 2008 pág. 46).

2.2.1.1. Destilación atmosférica

El flujo de crudo que se requiera destilar debe de estar ya previamente “desalado y estabilizado”
pasando a ser calentado por medio de un conjunto de intercambiadores de calor que llevan el
crudo a temperaturas de 250 a 280 °C, se lleva a un horno de tubos donde se eleva aún más la
temperatura hasta llegar a los 350 a 370 °C ya con esta cantidad de energía es enviado el flujo
caliente a las columnas de fraccionamiento. Ya en las columnas el flujo gaseoso proveniente de
la parte inferior se eleva y se encuentra con el flujo condensado que se mueve en contracorriente,
este flujo se condensa separándose de las fracciones más livianas que lo componen. El vapor y
los gases que al ser más livianos se encuentran en la parte superior de la columna se recogen
como: butano, propano, gasolinas y gases más livianos en conjunto con el vapor de agua residual
(Pinos, 2008 pág. 46).

12
Figura 1-2: Destilación atmosférica de crudo
Fuente: (Pinos, 2008 pág. 47).

2.2.1.2. Destilación al vacío

Se recolectan los fondos de la columna de fraccionamiento atmosférica para servir de

alimentación a una columna de destilación al vacío para poder obtener nuevos productos como:
asfaltos y gas-oleos debido a que la utilización del vacío permite elevar la temperatura de los
hidrocarburos pesados sin que se dé el “craqueo químico” que es el cambio de las estructuras
moleculares de los hidrocarburos, este tipo de fraccionamiento se realiza a presiones de 25 a 40
mm de Hg, para poder generar el vacío necesario se utiliza generalmente eyectores que trabajan
con vapor y condensadores barométricos (Pinos, 2008 pág. 47).

Figura 2-2: Destilación al vacío de crudo

Fuente: (Pinos, 2008 pág. 47).

13
2.2.1.3. Productos de las columnas de destilación atmosférica y al vacío

Entre la gran diversidad de componentes que constituyen el crudo en el proceso de

fraccionamiento atmosférico y al vacío solo se pueden obtener materias primas para otros
procesos de tratamiento químico y térmico que cambian la estructura molecular de los
hidrocarburos que se expongan a estos procesos, entre los principales productos tenemos:
❖ Gas. – Son los componentes más ligeros que constituyen al petróleo y constan de diferentes
usos como: el metano y el etano que sirven de combustibles para otros procesos en la misma
refinería, los gases como el propano y el butano son constituyentes del GLP o gas licuado de
petróleo que se utilizan en la industria y el hogar (Pinos, 2008 pág. 48).
❖ Gasolina. – Quizá sea el producto más reconocido de la refinación de petróleo, pero la
gasolina que se obtiene de la columna de fraccionamiento no se encuentra estabilizada y tiene
puntos de ebullición de 50 a 180 °C, ya siendo estabilizada se obtiene gasolina liviana y
gasolina pesada, la primera ya “desulfurada” se utiliza comercialmente para el sector
automotriz o se procesa mediante isomerización para obtener un octanaje adecuado, la
gasolina más pesada se utiliza como alimentación en el proceso de “reformado catalítico” que
es capaz de producir gasolinas con un alto índice de octanos y aromáticos (Pinos, 2008 pág. 49).
❖ Querosene. – Este producto es utilizado para la producción de combustibles para diversos
reactores de tipo Jet-Fuel, para linternas y sirve de materia prima para el proceso de
hidrocraqueo, el intervalo de ebullición se mantiene de 180 a 315 °C (Pinos, 2008 pág. 49).
❖ Gas Oil. – Se utiliza como combustible en general para los sistemas de “craqueo catalítico”
e “hidrocraqueo” que sirven para obtener gasolinas de alto octanaje mientras que el gas oil
más pesado sirve para obtener “aceites lubricantes”, este producto tiene un rango de ebullición
de 315 a 360 °C (Pinos, 2008 pág. 49).
❖ Crudo reducido. – Este producto es el residuo que se obtiene de la columna de
fraccionamiento atmosférica y se puede utilizar como combustibles para calderas, pero lo más
usual es utilizarla como alimentación para la columna de destilación al vacío, los puntos de
ebullición de este producto son mayores a 350 °C (Pinos, 2008 pág. 49).
❖ Asfalto. – Se obtiene en la parte inferior de la columna de destilación al vacío como el único
producto que ya no se puede procesar y es la fracción más pesada del crudo, normalmente se
utiliza en la construcción de carreteras (Pinos, 2008 pág. 49).

2.2.2. Red Neuronal Artificial (RNA)

El hombre siempre ha mirado la naturaleza y los fenómenos que en esta ocurren para poder
obtener inspiración para varios sectores de la sociedad, uno de ellos es la tecnología y en este
campo se ha logrado desarrollar herramientas sumamente sofisticadas, el cerebro humano siempre

14
ha sido un punto de partida para varias de estas herramientas y la denominada inteligencia
artificial se reconoce como un tema muy popular, por tanto el diseño de una RNA se basa
principalmente en tratar de replicar la sinapsis de las neuronas del cerebro humano para así poder
replicar el pensamiento y análisis de una persona.

2.2.2.1. Fundamento biológico de la RNA

El proceso de transmisión de información entre neuronas en cerebros desarrollados se compone

principalmente de tres partes que son (Isasi, y otros, 2004):
❖ El denominado sistema nervioso que se encarga de la recepción, almacenamiento y envió de
información ya lista a los órganos que ejecutan las ordenes enviadas por este sistema.
❖ Los receptores que se localizan en las células que captan la información externa en forma
directa por medio de estímulos.
❖ Los mecanismos u órganos efectores que solo los que captan y analizan la información
previamente procesada por el sistema nervioso.
Las neuronas bilógicas contienen ciertas características exclusivas que las diferencian de otros
tipos de células, como la habilidad de comunicación entre neuronas (Bertona, 2005 pág. 5).

Figura 3-2: Neurona biológica

Fuente: (Bertona, 2005 pág. 5).

En la figura 3-2 se muestra la estructura de una neurona biológica compuesta por tres partes
fundamentales el soma que constituye el cuerpo, las ramificaciones que salen del cuerpo
denominadas dendritas y el axón que es una fibra ramificada en su extremo. El canal de
comunicación de las señales exteriores son las dendritas que llevan la información al interior de
la neurona a diferencia del axón que es el canal de salida. Los espacios que existen entre las
neuronas se llama sinapsis que brinda la capacidad de comunicación que existe entre neurona y
neurona, al observar un corte transversal del cerebro humano se puede diferenciar una estructura
por capas y un ordenamiento de columnas entre neuronas. Las estructuras del cerebro no son

15
estáticas si no que se va modificando conforme se van creando nuevas conexiones ya se por
modificación de la intensidad de sinapsis o por destrucción de neuronas (Bertona, 2005 pág. 5).
La característica principal de las neuronas es su capacidad de comunicación mediante el soma de
las llamadas neuronas transmisoras que crean un “pulso eléctrico o potencial de acción”, este
pulso se transmite por el axón que se encarga de transportarlo a la sinapsis. La información se
transmite de neurona a neurona mediante un proceso químico que libera neurotransmisores, las
neuronas receptoras captan estos neurotransmisores por medio de las dendritas que las trasmite al
cuerpo neuronal, las señales pueden ser positivas o excitadoras mientras que al contario pueden
ser negativas o inhibidoras (Gurney, 1997 pág. 25). La parte encargada de integrar la información de
la neurona es el soma que también mide la intensidad del pulso eléctrico que al llegar a un
“determinado umbral” se emite una pulsación eléctrica transportada por el axón hacia otra
neurona mediante los neurotransmisores (Nascimento, 1994 pág. 35).

2.2.2.2. Modelo de una neurona artificial

Las redes neuronales artificiales se basan estrictamente en simular el comportamiento de las

neuronas biológicas por tanto son elementos simples que captan una señal de entrada para
producir una señal de salida. Se pueden diferenciar tres tipos de neuronas artificiales que mantiene
su contraparte biológica como (Bertona, 2005 pág. 7):
❖ Las neuronas de entrada que son las encargadas de recibir la información proveniente del
exterior.
❖ Las neuronas ocultas que se encargan de recibir la información de otras neuronas artificiales,
como también generar la sinapsis capas de representar la información proveniente de las
neuronas de entrada.
❖ Las neuronas de salida que se encargan de captar la información ya procesada para enviarla
al exterior.

Figura 4-2: Modelo de neurona artificial

Fuente: (Bertona, 2005 pág. 5).

16
El la figura 4-2 se muestra la estructura de una RNA con todos sus componentes necesarios como:
el conjunto de entradas 𝑥𝑗 (𝑡) que pueden provenir de otras neuronas artificiales o del exterior, los
pesos sinápticos 𝑤𝑖𝑗 que define el nivel de comunicación que existe entre la neurona artificial i
con la neurona artificial j que puede ser positiva (excitadora) o negativa (inhibidora), la regla de
propagación 𝜎𝑖 (𝑤𝑖𝑗 , 𝑥𝑗 (𝑡)) que es la encargada de integrar la información de todas las neuronas
artificiales brindando el valor presináptico de una neurona i, la llamada función de activación
𝑓𝑖 ( 𝑎𝑖 (𝑡 − 1), ℎ𝑖 (𝑡)) que brinda el valor que activa la neurona i terminando con la función de
salida 𝐹𝑖 ( 𝑎𝑖 (𝑡)) que dictara el valor final de la neurona artificial i. Por este medio se puede
definir la función de salida de la neurona artificial en un determinado instante de tiempo t una
función matemática (Bertona, 2005 págs. 7-8).
𝑦𝑖 (𝑡) = 𝐹𝑖 (𝑓𝑖 [𝑎𝑖 (𝑡 − 1), 𝜎𝑖 (𝑤𝑖𝑗 , 𝑥𝑗 (𝑡))])

2.2.2.3. Entradas y salidas neuronales

Este tipo de datos se clasifican en dos grandes conjuntos, las continuas y las binarias. Se entienden
como neuronas binarias a las que solo admiten dos valores en alfabetos como (0,1) o (-1,1) a
diferencia de las neuronas continuas que permite la utilización de valores en un determinado rango
que se define como el conjunto de datos que van desde -1 a 1, para seleccionar que tipo de
neuronas se debe utilizar hay que analizar la naturaleza de los datos que se utilizan (Bertona, 2005
pág. 8).

2.2.2.4. Pesos sinápticos

Estos pesos sinápticos definen la capacidad que tiene una conexión sináptica entre neuronas, estos
procesos pueden adoptar valores negativos, positivos o cero. En el caso de que se presente un
valor positivo el peso sináptico actúa como un agente excitador por tanto su contraparte negativa
actuara como un inhibidor mientras que si el valor es cero quiere decir que no existe comunicación
entre neuronas, al ajustarse los pesos sinápticos la red neuronal puede adaptarse a cualquier
problema o situación mediante realiza una tarea definida (Bertona, 2005 pág. 8).

2.2.2.5. Regla de propagación

Esta regla define el potencial de interacción que tiene una neurona i con las N neuronas
circundantes, la respuesta de esto se puede representar por la siguiente expresión:
ℎ𝑖 (𝑡) = 𝜎𝑖 (𝑤𝑖𝑗 , 𝑥𝑗 (𝑡))

17
Aunque existen varias reglas de propagación la más utilizada es la que sigue el procedimiento de
la suma de las “entradas ponderadas” manteniendo su respectivo peso sináptico (Bertona, 2005 pág.
9).

ℎ𝑖 (𝑡) = ∑ 𝑤𝑖𝑗 ∗ 𝑥𝑗 (𝑡)

𝑗

2.2.2.6. Función de activación

Se determina esta función en correlación con el “estado de activación” que mantiene una neurona
con principio en el potencial sináptico denominado ℎ𝑖 con referencia del estado anterior de la
misma neurona 𝑎𝑖 (𝑡 − 1), a pesar de que en la mayoría de los modelos creados suelen despreciar
este último elemento dando como resultado una función matemática que define la activación de
la neurona en un tiempo t (Bertona, 2005 pág. 9).

Tabla 2-2: Funciones de activación

Función Formula Rango

Identidad 𝑦=𝑥 [-∞, ∞]
𝑦= {+1
0
𝑠𝑖 𝑥≥0
𝑠𝑖 𝑥<0 [0, 1]
Escalón
+1 𝑠𝑖 𝑥≥0
𝑦= {−1 𝑠𝑖 𝑥<0 [-1, 1]
𝑦= {𝑥+1𝑠𝑖−1≤𝑥≤1
𝑠𝑖 𝑥>1
Lineal a tramos −1 𝑠𝑖 𝑥<−1 [-1, 1]
1
𝑦= [0, 1]
Sigmoidea 1 + 𝑒 −𝑥
𝑦 = tanh (𝑥) [-1, 1]
Sinusoidal 𝑦 = 𝑆𝑒𝑛(𝑤. 𝑥 + 𝜑) [-1, 1]
Fuente: (Bertona, 2005 pág. 9).
Realizado por: ORTIZ, Edison 2022.

❖ Función lineal. – Es una de las más utilizadas debido a que se maneja en el intervalo de
valores de -1 a +1 dado que si el valor de salida de la neurona adopta la unidad positiva se
determina que la entrada va a ser igual a la salida, siguiendo una correlación lineal en todo el
intervalo de respuestas (Matich, 2001 pág. 14).
❖ Función sigmoidea. – Al momento de utilizar esta función se determinarán valores de salida
en el intervalo de 0 a 1 y de modificarse los valores de la ganancia o el peso sináptico se
notarán cambios en la pendiente de dicha función (Matich, 2001 pág. 14).
❖ Función tangente hiperbólica. – La respuesta de esta función está comprendida en el
intervalo de -1 a +1 y se comporta de manera similar a la de la función sigmoidea al momento
de variar la sinapsis entre neuronas se verá afectada la pendiente de la función (Matich, 2001
pág. 14).

18
Figura 5-2: Funciones de transferencia
Fuente: (Morales, y otros, 2008).

2.2.2.7. Función de salida

La función de salida de una neurona artificial es solamente el valor que adopta está en cargo del
“estado de activación” por lo general se utiliza una simple función identidad.
𝑦𝑖 (𝑡) = 𝐹𝑖 (𝑎𝑖 (𝑡)) = 𝑎𝑖 (𝑡)

2.2.3. Arquitectura de una Red Neuronal Artificial

Este concepto hace referencia a la estructura de la red neuronal y las partes que la deben componer
por regla general como son el número de capas ya sea de entrada, ocultas y de salida. Además, se
debe tomar en cuenta la conexión que existe entre las neuronas y el tipo de neuronas que se
establecen en cada capa como también el tipo de función que se utilizara para el entrenamiento
de la red neuronal (InteractiveChaos, 2015).
Estas redes neuronales se las agrupan en “unidades funcionales” también llamadas capas, se
distribuye en una capa de entrada en donde se muestran neuronas capaces de recibir la
información del exterior de la red, se distingue también capas ocultas con neuronas que se
caracterizan por contener un peso sináptico y para completar la red se establece una capa de salida
que es la necesaria para transmitir la información creada por la red neuronal hacia el exterior. Al
establecerse una conexión sináptica entre neuronas de la misma capa se denomina conexión intra-
capa a diferencia de si la conexión se da entre neuronas de diferentes capas en donde se denomina
conexiones inter-capa. Las redes neuronales pueden estar compuestas por una sola capa de
neuronas y se la denomina monocapa en donde las neuronas cumplen con la función de entrada y
de salida al mismo tiempo, si la red está compuesta de más capas se la llama red neuronal
multicapa. Así también es necesario establecer si la conexión se realiza hacia adelante o “redes
feedforward” que son las que mantienen el flujo de información en una sola dirección que va
desde la entrada hacia la salida a diferencia de las redes en donde la conexión puede ser hacia
adelante y hacia atrás que se denominan “redes feedback” (Bertona, 2005 pág. 10).

19
Figura 6-2: RNA monocapa y multicapa
Fuente: (Bosogain, 2015 pág. 16).

2.2.4. Tipos de RNAs

Las RNA se dividen en varios tipos con características diferenciales entre sí que son adecuadas
para un tipo específico de datos en estudio, entre los principales están redes conocidas como:
perceptrón, adeline, perceptrón multicapa, máquina de Boltzman, máquina de Cauchy, Red de
aprendizaje asociativo, redes de Kohonen, Learning Vector Quantization (LVQ), Redes de
Elman, Redes de Hopfield, Red Backpropagation.

2.2.4.1. Perceptrón

Es la RNA más conocida y la más antigua ya que fue creada en el año 1943, esta funciona
sumando las señales de entrada para después multiplicar los pesos sinápticos seleccionados de
manera aleatoria, estos valores resultantes son comparados con el potencial de activación y se
establece si la neurona se activa o no, si el valor calculado supera el potencial de activación se
obtendrá una salida en 1 caso contrario se obtiene una repuesta de 0 (Andrade, 2013 págs. 22-23).
La neurona principal de la estructura de un perceptrón simple “realiza la suma ponderada de las
entradas, resta el umbral y pasa el resultado a una función de transferencia de tipo sigmoidea”
para esta red es necesario un entrenamiento de tipo supervisado ya que se necesitan los valores
de entrada y entrenamiento (Facultad de Ingeniería Eléctrica UTP, 2012).
Este tipo de red neuronal se utiliza para los problemas principales de clasificación ya que se
obtiene las repuestas muy precisas y con errores muy pequeños si se da un entrenamiento
satisfactorio (Andrade, 2013 pág. 23).

20
Figura 7-2: RNA Perceptrón simple
Fuente: (Serrano, y otros, 2010).

Como limitación principal de este modelo se tiene el tipo de datos que es capaz de procesar debido
a que si los datos no son lineales el perceptrón no puede determinar un error nulo ya que no puede
clasificar los elementos que se encuentren separados unos de otros, para datos lineales tiene una
precisión muy aceptable (DIAWEB, 2010).

2.2.4.2. Perceptrón Multicapa

Es el tipo de RNA más utilizado por los usuarios debió a su gran versatilidad y excepcional
precisión al momento de calcular valores de salida, su arquitectura contiene una capa de entrada,
por lo menos una capa intermedia u oculta y una capa de salida. Utiliza un entrenamiento de
propagación hacia atrás que se denomina también de retropropagación (Andrade, 2013 pág. 26).
Las características más fundamentales de este modelo son:
❖ La alta eficiencia en modelos no lineales
❖ Es muy tolerante ante fallos
❖ Puede establecer relaciones entre varios conjuntos de datos

21
Figura 8-2: RNA Perceptrón multicapa
Fuente: (Andrade, 2013 pág. 27).

En el diagrama del perceptrón multicapa o MultiLayer Perceptrón (MLP) es capaz de poder enviar
la señal hacia la salida por medio de los nodos o neuronas mediante la optimización del algoritmo
de aprendizaje. En este punto se debe tener en cuenta la cantidad de neuronas y el número de
capas que van a conformar la red, en las capas de entrada y de salida se determina la cantidad de
neuronas con el número de variables y respuestas que se desea obtener mientras que en las capas
ocultas depende solamente del diseñador. Las neuronas realizan la propagación mediante la
adición de pesos sinápticos correlacionados entre neuronas, pero el aumento de capas y neuronas
genera nuevos inconvenientes de diseño (Andrade, 2013 pág. 27) .
❖ Aumento de la carga computacional. – Se genera un problema al momento de la
implementación de las redes en tiempo real, además aumenta el tiempo de entrenamiento de
una sola red.
❖ Perdida de la capacidad de generalización. – Mientras se aumenta el número de neuronas
en la capa oculta se aumenta también la cantidad de pesos sinápticos generando un mayor
número de parámetros que ayudan a una más eficiente modelación de los patrones, pero a
costa de una perdida de la capacidad de generalización ya que aumenta la discapacidad de
ajuste de un modelo con más parámetros.

2.2.4.3. Red Backpropagation

Muchos años después de la implementación del perceptrón no se obtuvieron resultados

significativos en la creación de nuevos algoritmos de entrenamiento directamente en redes
multicapa, partiendo de las limitaciones de las redes monocapa la implementación de la

22
computación neuronal se estancó durante dos décadas hasta que llego el descubrimiento del
algoritmo de retropropagación que devolvió el interés de los investigadores por las redes
neuronales artificiales. El método de propagación hacia atrás es un método de entrenamiento de
redes multicapa, su mayor ventaja es la capacidad de entrenamiento de las capas ocultas (Bosogain,
2015 pág. 28).
La arquitectura de este modelo se basa en la unidad de procesamiento en donde las entradas
suministran la información para ser procesada y esta unidad brinda la información trabajada a la
salida, se caracteriza por la realización de una suma ponderada de todas las entradas para presentar
una salida con un valor que se correlaciona con el sistema de ajuste de pesos sinápticos, este peso
se relaciona con la conexión de la unidad y puede ser modificado en el proceso de entrenamiento.
En este modelo usualmente se utiliza tres o más capas con su cantidad individual de neuronas,
solo las capas ocultas presentan unidades de procesamiento ya que las capas de entrada y de salida
solo reciben o muestran los datos que el diseñador le asigne (Bosogain, 2015 pág. 29).

Figura 9-2: RNA de retropropagación

Fuente: (Andrade, 2013 pág. 27).

Este tipo de redes son utilizadas en gran campo de aplicaciones debido a su capacidad de
adaptación a varios tipos de datos se aplican a procesos como: síntesis de voz, clasificación de
imágenes, procesos de bases de conocimientos, problemáticas de percepción, clasificadores de
varios tipos, etc. Las ventajas principales de la red es la capacidad de procesar varios patrones al
aprender una gran variedad le correlaciones entre los datos, no se necesita tener un conocimiento
extenso de los modelos matemáticos que rigen el proceso de entrada y salida de datos, este modelo
solo necesita ejemplos o datos de entrenamiento para funcionar, tiene una gran flexibilidad de
diseño ya que se tiene el control del número de capas internas con sus respectivas neuronas o
unidades de procesamiento que permite ser aplicable a un sin número de aplicaciones. El único

23
inconveniente de este modelo es el “tiempo de convergencia” ya que al tener grandes cantidades
de datos necesitara un largo tiempo de calculo que provoca que la red pueda no converger nunca,
para mejorar esta característica se debe variar los parámetros de aprendizaje al inicio con valores
muy altos e ir reduciéndolos progresivamente, que permite reducir los “mínimos locales”
(Bosogain, 2015 págs. 33-34).

2.2.5. Entrenamiento de RNAs

El sistema de entrenamiento de las redes neuronales artificiales se basa exclusivamente en ajustar

los diversos parámetros libres que existen en cada tipo de red (Evolutionary Artificial Neural Networks,
1995). El sistema de aprendizaje parte de un punto aleatorio de pesos sinápticos y busca definir los

valores de pesos que permitan realizar a la red una determinada tarea. Este sistema es interactivo
ya que el desarrollador debe alcanzar un sistema de operación lo suficientemente eficiente. Los
más usuales métodos de entrenamiento vasados en la propagación hacia adelante consiste en
proporcionar una función para el error capas de medir el rendimiento de la RNA en correlación
con los pesos sinápticos ya que la principal función del entrenamiento es de ajustar los pesos
sinápticos hasta minimizar el gradiente de error, encontrando por este medio el punto óptimo de
la red neuronal (Bertona, 2005 pág. 15).

2.2.5.1. Método de gradiente descendiente

Este método es el más utilizado para reducir el gradiente de error ya que es capaz de generar una
función 𝐸(𝑊) que es la encargada de mostrar el error de una red dependiendo de los pesos
sinápticos que adopte, el objetivo principal de la función es lograr determinar el conjunto de pesos
sinápticos que contenga una red neuronal que determinara el mínimo de la función de error a
pesar de que en la práctica es suficiente con encontrar un error aceptable para terminar el
entrenamiento (Cauwenberghs, 1993).
El fundamento de este método se basa en que un conjunto de datos representando a los pesos
sinápticos 𝑤(0) en un instante de tiempo 𝑡 = 0 en donde se determina el valor de la “dirección
de máxima variación del error”, esta dirección está en función de los pesos sinápticos y se
representa por el gradiente ∇𝐸(𝑊), después los pesos se actualizan mediante la dirección
contraria al indicador dado por el gradiente que representa el decrecimiento del error (De Falco, y
otros, 1997).
𝑊(𝑡 + 1) = 𝑊(𝑡) − 𝛼∇𝐸(𝑊)

En la ecuación la variable 𝛼 representa el “tamaño del paso tomado en cada iteración” que es
diferente para cada uno de los pesos sinápticos, este valor se esper que sea infinitesimal debido a

24
que si se toma un valor demasiado pequeño el entrenamiento se realizara de manera muy lenta, a
diferencia de si se toma un valor demasiado alto se puede causar “oscilaciones en torno al punto
mínimo” (Bertona, 2005 pág. 15).

2.2.5.2. Algoritmo Backpropagation

El método de retropropagación se establece como el más utilizado en las redes de propagación

hacia adelante y consiste en un método de aprendizaje supervisado es decir necesariamente se
deben ingresar datos de entrada y entrenamiento, se pueden distinguir dos partes fundamentales
de este método, en el primero se aplica un determinado patrón de entrada que fluye por las capas
internas de la red hasta terminar en la capa de salida, el valor que se obtenga a la salida es
comparado con la salida que se requiera calculando la diferencia existente entre estos dos valores
que permiten determinar el grado de error de cada neurona, los valores de los errores son enviados
hacia atrás desde la salida de la red y hacia las capas intermedias de la misma (Fritsch, 1996).
Para describir el algoritmo de retropropagación hay que entender que realiza una “actualización
iterativa de los pesos sinápticos” (Bertona, 2005 pág. 16).
𝑊(𝑡 + 1) = 𝑊(𝑡) − 𝛼∇𝐸[𝑊(𝑡)]
Al igual las salidas de una neurona i está determinada por su estado de activación, generándose
una función de salida identidad (Bertona, 2005 pág. 16).
𝑦𝑖 = 𝐹𝐼 (𝑎𝑖 (𝑡)) = 𝑎𝑖 (𝑡)
Determinando la nueva función como:
𝑎𝑖 (𝑡) = 𝑓𝑖 (ℎ𝑖 (𝑡))
En este punto se aplica la regla de propagación más simple y utilizada que “consiste en realizar
una suma de las entradas ponderadas con sus pesos sinápticos correspondientes”. Al finalizar se
compara las diferentes salidas determinadas Yp con las que se requieren Dp capas de determinar
un error en el entrenamiento (Bertona, 2005 pág. 16).

ℎ𝑖 (𝑡) = ∑ 𝑤𝑖𝑗 ∗ 𝑥𝑗 (𝑡)

𝑗
𝑀
1
𝑒𝑝 = ∑(𝑑𝑝𝑘 − 𝑦𝑝𝑘 )2
2
𝑘=1

En esta ecuación se determina una nueva variable denominada k que es la que representa “el
índice de neurona para las neuronas de la última capa” con la constante M que representa el
número total de neuronas ya llevado a cabo este procedimiento se determina en error total y global
de la red neuronal (Bertona, 2005 pág. 17).
∑𝑃𝑝=1 𝑒𝑝
𝑒=
𝑃

25
Los modos de entrenamiento que se registran para este tipo de algoritmo se determinan por la
manera en que se actualizan los denominados pesos sinápticos de las neuronas de las capas ocultas
de la red y cada uno de estos contiene sus propias desventajas y ventajas.
❖ Modo secuencial. - En este modo las diferentes actualizaciones de los pesos sinápticos se
determinas solo después de la presentación de los ejemplos de entrenamiento, de aquí es que
se los conoce también como el método por patrón ya que si un conjunto de entrenamiento
tiene N ejemplos las correcciones de los pesos tendrán N modificaciones en cada época
(Evolutionary Artificial Neural Networks, 1993).
❖ Modo Batch. - El entrenamiento que se realiza por este método modifica los pesos sinápticos
en una única vez después de terminar el conjunto de entrenamiento ya que al final de cada
época de aprendizaje se presenta un valor de error cuadrático medio generado por la RNA
(Bertona, 2005 pág. 20).

2.2.6. Simulador libre DWSIM

Los grandes simuladores de procesos industriales como Aspen Hysys si bien son muy eficaces,
siempre suelen tener un costo que puede no ser tan accesible para empresas pequeñas,
universidades y estudiantes. Por esta razón es que el simulador DWSIM es de gran importancia
debido a que es un simulador de procesos, de código abierto, descarga libre y gratuita (DWSIM,
2020).
El sitio oficial de DWSIM se encuentra en dwsim.inforside.com.br. En ese sitio se puede
descargar un addin de Excel para cálculos termodinámicos. Este addin permite hacer cálculos de
propiedades termodinámicas de compuestos puros y de mezclas de una sola fase directamente en
Excel, para integrar dentro de otras planillas de cálculo o modelos que se tenga ya implementados.
Si bien el software es totalmente gratuito, el sitio oficial incluye un enlace que se puede usar para
hacer una donación al autor. DWSIM fue desarrollado originalmente por Daniel Medeiros, un
ingeniero de procesos brasileño, en 2006, al que luego se le sumó Gregor Reichert (DWSIM, 2020).

2.2.6.1. Características

DWSIM tiene una interfaz gráfica intuitiva y fácil de usar, con muchas de las funciones que
encuentras en simuladores comerciales. Permite usar una lista completa de operaciones unitarias,
modelos termodinámicos avanzados, soporte para sistemas reactivos, y herramientas de
caracterización de crudos (DWSIM, 2020).
Entre las operaciones unitarias incluidas en DWSIM están:
❖ Mezclador ❖ Separador
❖ Splitter ❖ Bomba

26
❖ Compresor ❖ Intercambiador de calor
❖ Expansor ❖ Reactores
❖ Calentador-enfriador ❖ Placa orificio
❖ Válvulas ❖ Columnas de destilación/absorción
❖ Segmentos de cañería ❖ Separador de sólidos
❖ Columna de destilación (método ❖ Filtros
shortcut)

Los modelos termodinámicos incluidos son:

❖ Peng-Robinson ❖ Chao-Seader
❖ Soave-Redlich-Kwong ❖ Grayson-Streed
❖ Lee-Kesler ❖ Ley de Raoult
❖ Lee-Kesler-Plöcker ❖ Tablas de vapor IAPWS-IF97
❖ NRTL ❖ Agua marina IAPWS-08
❖ COSMO-SAC ❖ UNIFAC, UNIFAC modificado
❖ LIQUAC (Dortmund), UNIQUAC y UNIQUAC
❖ PC-SAFT extendido
❖ FPROPS
❖ CoolProp
DWSIM está programado en conformidad con el estándar CAPE-OPEN que es un estándar de
ingeniería de procesos que promueve la interoperabilidad de las soluciones de simulación
permitiendo combinar interfaces de componentes de modelamiento de diferentes softwares entre
sí. Este estándar fue desarrollado por compañías operadoras, firmas de tecnología, grupos
académicos y grandes simuladores comerciales como Aspen Plus o Aspen Hysys también se
adhieren a este estándar, DWSIM ha recibido reconocimientos por ser la primera implementación
de código abierto del estándar CAPE-OPEN (DWSIM, DWSIM Simulator, 2020). En la tabla 3-2 se
puede apreciar las características por plataforma de DWSIM.

Tabla 3-2: Características de DWSIM por plataforma.

Interfaz de usuario
Interfaz de usuario
multiplataforma
clásica (Windows o Android, iOS
(Windows, Linux,
Linux)
macOS)
Modelado Dinámico

Modelo dinámico Si Si No
Modelos Termodinámicos
Ley de Raoult (ideal) Si Si Si
Peng-Robinson / Soave-Redlich-Kwong Si (paquete de
Si Si
EOS modelos EOS)

27
Si (paquete de
PC-SAFT EOS Si Si
modelos EOS)
Si (paquete de
GERG-2008 EOS Si Si
modelos EOS)
Peng-Robinson con entalpía de Lee-
Si Si No
Kesler
Peng-Robinson-Stryjek-Vera 2 (PRSV2) Si Si No
Si (paquete de
modelo de
NRTL Si Si
coeficiente de
actividad)
Si (paquete de
modelo de
UNIQUAC Si Si
coeficiente de
actividad)
UNIFAC Si Si No
UNIFAC-LL Si Si No
Si (paquete de
modelo de
UNIFAC modificado (Dortmund) Si Si
coeficiente de
actividad)
UNIFAC modificado (NIST) Si Si No
Chao-Seader Si Si Si
Grayson-Streed Si Si No
Lee-Kesler-Plöcker Si Si Si
CoolProp Si Si Si
Mesas de vapor IAPWS-IF97 Si Si Si
IAPWS-08 Agua de mar Si Si No
Agua Amarga Si Si No
Aceite negro Si Si No
Si (solo para Si (solo para
Zócalo CAPE-OPEN No
Windows y Linux) Windows y Linux)
Operaciones unitarias y modelos de bloques lógicos
Mezclador / Divisor Si Si Si
Si (Paquete de
Bomba / Válvula / Calentador /
Si Si operaciones
Enfriador
unitarias 1)
Si (Paquete de
Compresor Si Si operaciones
unitarias 2)
Si (Paquete de
Expansor Si Si operaciones
unitarias 2)
Si (Paquete de
Intercambiador de calor Si Si operaciones
unitarias 2)
Separador de gas-líquido Si Si Si
Si (Paquete de
Columna de destilación de acceso
Si Si operaciones
directo
unitarias 2)
Columna de destilación rigurosa Si Si Si
Columna de absorción rigurosa Si Si Si

28
Separador compuesto Si Si Si
Si (Paquete de
Segmento de tubería Si Si operaciones
unitarias 3)

Placa de orificio Si Si No
Si (Paquete de
Si Si modelado de
Reactor de conversión reactores)
Si (Paquete de
Si Si modelado de
Reactor de equilibrio reactores)
Si (Paquete de
Si Si modelado de
Reactor de Gibbs reactores)
Si (Paquete de
Si Si modelado de
PFR reactores)
Si (Paquete de
Si Si modelado de
CSTR reactores)
Tanque Si Si No
Separador de sólidos Si Si Sí
Filtro de sólidos Si Si No
Reciclar bloque Si Si Sí
Bloque de reciclaje de energía Si Si No
Si (Paquete de
Ajustar bloque Si Si operaciones
unitarias 3)
Bloque de especificación Si Si No
Operación de la unidad CAPE-OPEN Si Si No
Operación de la unidad de hoja de
Si Si No
cálculo
Operación de la unidad de secuencia de
Si Si No
comandos de Python
Operación de la unidad de diagrama de Si Si No
flujo

Herramientas de diagrama de flujo

Gerente de reacciones Si Si Si
Gerente de Ensayos de Petróleo Si No No
Caracterización a granel de fracciones
Si Si Si
de petróleo
Caracterización de la destilación de
Si Si Si
fracciones de petróleo
Análisis paramétrico
Análisis de sensibilidad Si Si Si
Optimización de la hoja de flujo Si Si Si
Utilidades de la hoja de flujo
Sí (paquete de
Verdadero punto crítico (EOS) Si Si utilidades de
diagrama de flujo)

29
Sí (paquete de
Sobres de fase Si Si utilidades de
diagrama de flujo)
Sí (paquete de
Sobres binarios Si Si utilidades de
diagrama de flujo)
Sobres ternarios Si No No
Propiedades de flujo en frío del petróleo Si No No
Hidratos de gas natural Si No No
Dimensionamiento del separador gas-
Si Si Si
líquido
Dimensionamiento de la válvula (PSV) Si No No
Dimensionamiento de la válvula
Si Si Si
(proceso)
Informe de resultados
Exportar a PDF Si Si Si
Exportar a texto Si No Si
Exportar a ODS / ODT Si Si No
Manipulación de datos
Guardar / cargar datos del diagrama de
Si Si Si
flujo
Importación de datos compuestos Si Si Si
Exportación de datos compuestos Si Si Si
Importación / exportación de datos de
Si Si No
parámetros de interacción
Diverso
Secuencias de comandos de Python Si Si No
Sí (paquete de
Creador de compuestos Si Si creador de
compuestos)
Regresión de datos de VLE
Si No No
experimental
Utilidad de evaluación comparativa del
No No Si
rendimiento del sistema
Fuente: (DWSIM, 2020)
Realizado por: ORTIZ, Edison 2022

2.3. Marco Legal

2.3.1. Software Libre en Ecuador

En el país se ha determinado una política tecnológica que pone especial énfasis en los modelos
de Software Libre debido a que “el código abierto, las licencias de uso libre, el uso de estándares
abiertos y el trabajo comunitario, facilitan la inclusión digital, la soberanía tecnológica y la
innovación local, optimizando el gasto estatal, favoreciendo el desarrollo local y promoviendo la
integración regional” (Ministerio de telecomunicaciones y de la sociedad de la información, 2020).

30
2.3.1.1. Código Orgánico de Economía Social

En este código se explica acerca de los diferentes parámetros y sectores que rigen a las actividades
que tienen como objetivo la búsqueda de nuevos conocimientos por medio de las destrezas
plenamente de desarrollo creativo y creación de nuevas tecnologías de innovación,
particularmente en el segundo apartado del código se explica sobre las tecnologías libres y los
formatos abiertos que estas tienen.
❖ Artículo 142. – Este articulo explica las tecnologías libres o lo que es lo mismo los softwares
de código abierto con estándares libres y hardware gratuito. En donde se pone especial
atención a las libertades que los softwares libres brindan a los usuarios como: “La libertad
de ejecutar el software para cualquier propósito, la libertad de estudiar cómo funciona el
software y modiﬁcarlo para adaptarlo a cualquier necesidad y el acceso al código fuente es
una condición imprescindible para ello, la libertad de redistribuir copias y la libertad de
distribuir copias de sus versiones modiﬁcadas a terceros (Ministerio de telecomunicaciones y de la
sociedad de la información, 2020).
❖ Artículo 145. – Aquí se trata sobre la “migración de software de fuente abierta” que permite
a las organizaciones públicas o privadas transferir sus bancos de datos a nuevas tecnologías
libres, para esto se considera las siguientes características del software evaluado:
“sostenibilidad de la solución, costo de oportunidad y estándares de seguridad” (Ministerio de
telecomunicaciones y de la sociedad de la información, 2020).
❖ Artículo 151. – En este artículo se explica la libre elección de software en componentes
electrónicos que permitan tener más de un sistema operativo como son los dispositivos
móviles y las computadoras ya que los proveedores de estos equipos están obligados a
brindar alternativas de softwares a sus clientes (Ministerio de telecomunicaciones y de la sociedad de
la información, 2020).

2.3.1.2. Decreto Ejecutivo No. 1014

En este decreto se explica acerca de las estrategias que contribuyen a la implementación de los
softwares libres en las administraciones publicas centrales.
❖ Artículo 1. – Se establecen las políticas públicas para las “Entidades de la Administración
Pública Central” que permite la utilización de los denominados softwares libres en sus
equipamientos y sistemas informáticos (Machado, 2008).
❖ Artículo 4. – Se establece el acceso a la utilización de softwares privados solo en el caso de
que no se llegue a una posible solución con algún determinado software libre que permita
satisfacer las tareas que se quieran realizar, además se permite en el caso de que exista algún

31
riesgo a la seguridad nacional y si el modelo informático se posiciona en un sector de no
retorno (Machado, 2008).
❖ Artículo 5. – Los softwares libres y privados deben poder cumplir con los requerimientos
en el siguiente orden: “nacionales que permitan autonomía y soberanía tecnológica,
regionales con componente nacional, regionales con proveedores nacionales, internacional
con componente nacional, internacionales con proveedores nacionales, internacionales
(Machado, 2008).
❖ Artículo 6. – La entidad encargada del control y previo seguimiento de este decreto son las
extensiones del gobierno central por medio del órgano regulador de la “Subsecretaría de
Informática” (Machado, 2008).

2.3.1.3. Plan Nacional de Gobierno Electrónico (PNGE)

Las determinaciones del plan nacional es la atención de las necesidades de las personas mediante
la creación de un gobierno electrónico, generando una estrategia de relación de confianza entre el
gobierno y los ciudadanos. Busca promover la participación de la ciudadanía mediante la
facilitación de los diferentes tramites y control de actividades mediante la creación de nuevos
servicios en línea (Ministerio de Telecomunicaciones y de la Sociedad, 2018).

Figura 10-2: Programas, objetivos y estrategias del PNGE

Fuente: (Ministerio de Telecomunicaciones y de la Sociedad, 2018).

32
2.3.2. Software Libre de DWSIM

El sistema de simulación de procesos químicos de DWSIM utiliza un código abierto o libre que
es capaz de cumplir con las especificaciones de CAPE-OPEN tanto para Linux como para
Windows, está construido en las partes superiores de las diferentes plataformas de “Microsoft
.NET 4.0 y Mono” que contiene una interfaz de usuario muy fácil de utilizar permitiendo a los
ingenieros químicos o estudiantes de esta ingeniería recrear y controlar procesos químicos de
manera directa (ProgSoft, 2020).
Se reconoce al estándar CAPE-OPEN como un conjunto de especificaciones que son capaces de
extender el alcance de las aplicaciones en simulación de procesos, también define el conjunto de
interfaces y la interoperabilidad denominada “plug and play” que estas pueden tener en un
software determinado (CAPE-OPEN: Experiencias de un esfuerzo de estandarización en industrias químicas,
1999).
El programa DWSIM funciona gracias a la licencia publica general (GNU) que permite el
“copyleft” de cualquier tipo de trabajo o software que este bajo esta licencia, ya que esta licencia
tiene como objetivo general el permitir y garantizar la libertad de cambiar y compartir las
funciones y características de un programa mediante el aseguramiento de compartir software
gratuito a los usuarios (GNU, 2007).

33
CAPÍTULO III

3. METODOLOGÍA

3.1. Etapas de la metodología

Con un criterio analítico dispuesto por la intensa búsqueda bibliográfica sobre los temas de
relevancia del presente trabajo de titulación se divide la metodología en las siguientes etapas:

Gráfico 1-3: Metodología del trabajo de titulación

Realizado por: ORTIZ, Edison 2022.

El presente trabajo de titulación busca brindar una nueva herramienta tecnológica a la aplicación
de control de procesos debido a que se propone una Red Neuronal Artificial para los procesos que
ocurren en una columna de fraccionamiento de petróleo esta red es capaz de calcular y predecir
los posibles cambios que se den en las características de los productos si se cambia la
conformación y arquitectura de la columna de destilación, esta investigación es de carácter
cuantitativo ya que para la creación y entrenamiento de la RNA es necesario contar con un banco
de datos que se obtiene de la simulación en el programa de software libre DWSIM.
Además, se realiza un extenso análisis estadístico de los resultados obtenidos de la RNA en
comparación con los datos obtenidos en la simulación ya que este análisis es utilizado como una
técnica de validación e interpretación que permite medir la correlación de las desviaciones de
valores predichos con los valores simulados calculándose un valor de error y permitiendo obtener
un grado de confiabilidad en los resultados.

34
Las fuentes principales para el diseño y desarrollo de este proyecto provienen de:
Fuente Primaria:
❖ Datos y experiencias obtenidas por el autor mediante técnicas experimentales en simulación
de procesos en el programa DWSIM y el procesamiento de datos mediante la utilización de
Matlab y Excel.
Fuente Secundaria:
❖ Libros físicos y digitales de contenidos afines al tema.
❖ Artículos científicos de medio y alto impacto correlacionados al tema y publicados en
revistas científicas indexadas.
❖ Tesis de maestrías y doctorados publicadas por universidades nacionales e internacionales.
❖ Páginas webs oficiales de los diferentes softwares aplicados en el presente trabajo de
titulación.

3.2. Determinación de parámetros importantes

Para esta aplicación tecnología se toma como base de información para la realización de la
simulación en DWSIM el articulo científico publicado por la revista “Cleaner Production”
titulado como “Exceeding Pinch limits by process configuration of an existing modern crude oil
distillation unit e A case study from refining industry” que fue propuesto por: Omar S. Bayomie
del departamento de Energía y Procesos de la Universidad de Investigación PSL de Paris y del
departamento de química de la Universidad Americana en el Cairo, Egipto; Omar Y. Abdelaziz
miembro de los departamentos de Ingeniería Química de las Universidades del Cairo-Egipto,
Lund-Suecia y Mamdouh A. Gadalla miembro de los departamentos de Ingeniería Química de las
Universidades “Port Said University y The British University in Egyp” de Egipto.

3.2.1. Descripción del proceso

La columna de destilación que se estudió en este proyecto se encuentra ubicada en Egipto y cuenta
con una gran sección de intercambiadores de calor que le permiten adquirir gran eficiencia
energética, ya que el crudo es ingresado mediante una bomba en la sección de relleno que contiene
una primera columna de destilación de tipo “pre-flash” que contiene 20 platos en su estructura, la
alimentación de esta torre es precalentada a 213 °C por medio de la sección de intercambiadores
de calor ya en esta temperatura se ingresa a la columna C-1 en el plato 16, los vapores son
condensados en la parte superior a temperaturas de 110 °C a 40 °C, el líquido resultante es enviado
a la salida de nafta ligera y al sistema de reflujo de la C-1 (Bayomie, y otros, 2019 pág. 1051).

35
Figura 1-3: Diagrama de flujo de proceso
Fuente: (Bayomie, y otros, 2019 pág. 1051).

En la sección de fraccionamiento principal que se puede apreciar en la figura 1-3 se tienen un

horno para mantener la alimentación a elevadas temperaturas, pasando a una segunda columna de
destilación que contiene 32 platos en su estructura que desemboca en varias salidas de
combustibles potenciadas por bombas, los productos que se recuperan en esta fase del proceso
son: gasóleo, queroseno, naftas pesadas y livianas. El crudo alimentado se mantienen en el
intervalo de temperatura de 230 °C a 360 °C el horno en donde se da este calentamiento consume
37,16 MW de energía, el crudo es alimentado a la C-2 en la quinta bandeja, el queroseno es
extraído en los platos 21 a 23 que sirve de alimentación para un separador de queroseno
denominado C-3 ubicado al lateral de la columna principal, el reflujo que se extrae desde la misma
línea de salida del queroseno es realimentada a la columna C-2 en los platos 22 y 24, se extrae el
gasóleo en los platos 9 a 11 que alimentan el separador lateral de gasóleo C-4, el reflujo de la base
que se extrae de la columna C-2 es enviado a la sección de los intercambiadores de calor y es
devuelta a la torre solo por encima del plato número 12 (Bayomie, y otros, 2019 págs. 1051-1052).
En la sección de intercambiadores de calor se utiliza la energía contenida en las líneas de
queroseno, gasóleo y fueloil para poder precalentar el crudo de alimentación de las dos columnas
de fraccionamiento, así como también se utiliza el calor que brindan los reflujos en los procesos
intermedios para calentar el crudo antes de que entre al proceso de desalado y calentado, se utiliza
también el calor absorbido por el fuel oíl para calentar el fondo de la columna de pre-flash y
obtener una más eficiente separación, esta sección se divide en tres partes la de precalentamiento

36
de crudo antes del proceso de desalado, precalentamiento de crudo antes de la columna de pre-
flash y el rehervido de los fondos de pre-flash (Bayomie, y otros, 2019 pág. 1052).
❖ Precalentamiento del crudo antes de desalar. – El crudo es precalentado en contraflujo
por la línea de queroseno en el intercambiador E-100, la línea de bombeo superior aporta
calor en contraflujo por los intercambiadores E-101, E-103, E-105, E-106 y el E-107 la
temperatura final del crudo precalentado llega a 139 °C, las líneas de queroseno, gasóleo y
fueloil se mantienen en 55, 110 y 138 °C respectivamente.
❖ Precalentar el crudo antes de la columna de pre-flash. – En este punto el crudo llega a la
temperatura de 213 °C mediante el bombeo en contra flujo de fueloil en los intercambiadores
E-109, E-111, E-112 y E-113.
❖ Rehervido del fondo de pre-flash. – El material resultante en el fondo de la columna de
fraccionamiento C-1 se vuelve a calentar con la línea de fueloil proveniente de la columna
de destilación C-2 mediante los intercambiadores E-114a y E-114b.
En la tabla 1-3 se puede apreciar todos los valores del sistema completo de intercambiadores de
calor que proporcionan una alta eficiencia energética al proceso de fraccionamiento de crudo.

37
Tabla 1-3: Datos del sistema de intercambiadores de calor

Intercambiador Temperatura Temperatura Temperatura Temperatura

Corriente fría Corriente caliente Área (m2) Energía (MW)
de calor de entrada °C de salida °C de entrada °C de salida °C
E-100 Crudo antes de 1 25 41 Queroseno 1 146 55 235 2,4
E-102 Crudo antes de 2 41 59 Flujo superior 1 126,7 82,2 235 3,8
E-101b Crudo antes de 3 59 81 Flujo superior 2 176 126,7 235 3,6
E-103 Crudo antes de 4 81 103 Gasoil 226 110 235 3,7
E-108 Crudo después de 1 139 146 Flujo inferior 1 162,2 149 274 1,5
E-109 Crudo después de 2 146 154 Flujo inferior 2 196 162,2 274 1,9
E-110 Crudo después de 3 154 176,8 Flujo inferior 3 254 196 274 4,3
E-105 Crudo antes de 5 103 117,2 Fueloil 8 155 137,78 235 2,8
E-106 Crudo antes de 6 117,2 126,6 Fueloil 7 175 155 235 1,6
E-107 Crudo antes de 7 126,6 139 Fueloil 6 199 175 235 2,3
E-111 Crudo después de 4 176,8 185 Fueloil 5 215,5 199 274 2,2
E-112 Crudo después de 5 185 200,5 Fueloil 4 240,5 215,5 274 3,2
E-113 Crudo después de 6 200,5 213 Fueloil 3 265,5 240,5 274 2,8
E-114a Fondo de C-1 232 244 Fueloil 2 285 265,5 274 3
E-114b Fondo 2 de C-1 244 260 Fueloil 1 312 285 274 2,9
F-1 Crudo precalentado 230 360 Horno 37,2
E-118 Agua de enfriamiento 1 30 37 Queroseno 2 54 40 69 0,4
E-104 Agua de enfriamiento 2 30 37 Gasoil 2 82 54 162 1,6
E-117 Agua de enfriamiento 3 30 37 Fueloil 9 125 100 150 1,1
E-119 Agua de enfriamiento 4 30 37 Fueloil 10 100 76 143 2,1
E-123 Agua de enfriamiento 5 30 40 Nafta ligera 60 40 228 1,9
E-124 Agua de enfriamiento 6 30 40 Nafta pesada 60 40 228 2,7
E-122 Aire de enfriamiento 1 33 35 Nafta ligera 110 60 4,8
Fuente: (Bayomie, y otros, 2019 pág. 1053).
Realizado por: ORTIZ, Edison 2022.

38
3.2.2. Método de prueba ASTM D86

Es el método de prueba estándar para destilación de productos petrolíferos y combustibles

líquidos a presión atmosférica, la característica principal de esta destilación es brindar los puntos
de ebullición de una mezcla de sustancias petrolíferas debido que al conocer las diferentes
temperaturas de ebullición se puede determinar la composición, el comportamiento y las
propiedades de los combustibles extraídos para su utilización, esto se realiza al determinar la
volatilidad de la mezcla de hidrocarburos que producen gases explosivos por tanto es de suma
importancia para determinar la calidad de las gasolinas para automóviles y aviones debido a que
estos combustibles pueden afectar el desempeño de los motores de combustión interna en estos
dispositivos (ASTM INTERNATIONAL, 2018).

Tabla 2-3: Datos del método ASTM D86

Porcentaje de
Nafta Ligera Nafta Pesada Queroseno
volumen Gasoil (°C)
(°C) (°C) (°C)
líquido (%)
PIE 45 99 162 257
10 48 106 169 266
30 57 118 186 281
50 64 126 204 291
70 73 135 220 304
90 89 149 237 323
PFE 104 160 254 345
Fuente: (Bayomie, y otros, 2019 pág. 1054).
Realizado por: ORTIZ, Edison 2022.

3.2.3. Destilación TBP en el proceso

La destilación “True Boiling Point” tiene como objetivo el conocer de manera aproximada la
composición del crudo debido a que se miden los diferentes puntos de ebullición del conjunto de
componentes que contienen el crudo que se está analizando. A este modo de destilación se lo
detalla en el método ASTM D2892 que es un proceso de laboratorio que analiza el crudo en los
platos teóricos del 15 al 18 manteniendo una relación de flujo 5 a 1, se debe aplicar este método
en el crudo ya estabilizado con una concentración baja de butanos pero se puede aplicar a
cualquier mezcla de sustancias petrolíferas sin tomar en cuenta los diferentes GLPs de petróleo,
naftas sumamente ligeras y sustancias que mantengan puntos de ebullición más altas de los 400
°C y la carga puede estar entre 0,5 y 30 litros que permite la recogida de gases licuados, varios
cortes de destilación y residuos, con este método se determina el rendimiento ya sea en peso y
volumen, facilita también la trazabilidad de la curva de fraccionamiento que define la temperatura
en correspondencia con el porcentaje en peso o volumen recolectado (Benavides, 2017 pág. 6).

39
Tabla 3-3: Destilación TBP de la mezcla de crudo
Porcentaje de masa líquida
Temperatura (°C)
(%)
8 100
12 125
16 150
20 175
24 200
28 225
30 250
35 275
40 300
49 355
57 400
67 455
77 510
Fuente: (Bayomie, y otros, 2019 pág. 1054).
Realizado por: ORTIZ, Edison 2022.

3.2.4. Propiedades termodinámicas

Ya teniendo, determinando las características específicas de las diferentes composiciones del

crudo que va a ser alimentado al sistema de fraccionamiento se debe tomar en cuenta los caudales
que están circulando por el sistema que permite determinar las características termodinámicas de
las sustancias que se transmiten por las diferentes líneas.
Uno de los datos requerido necesariamente para los procesos de simulación son las propiedades
termodinámicas que rigen a las sustancias y los equipos en donde se realiza el proceso que se
desea recrear artificialmente, entonces para el actual proyecto se toma en cuenta los datos
termodinámicos brindados por (Bayomie, y otros, 2019) en su artículo científico que simula un sistema
de fraccionamiento de crudo en el cual detallan las temperaturas, entalpias, caudales y los calores
específicos de todas las líneas de alimentación y salida de todo el sistema analizado.
El modelo y paquete termodinámico Peng Robinson (PR) es el más adecuado para la simulación
de hidrocarburos orgánicos (Yela, 2009 pág. 77).

40
Tabla 4-3: Datos de las corrientes del proceso
Temperatura Temperatura Tasa de Tasa de
Cp.
Nombre de la corriente Tipo de entrada de salida flujo Entalpia
(Kj/Kg*°C)
(°C) (°C) (Kg/h) (MW)
Queroseno Caliente 146 40 2,303 40950 2,7765
Flujo superior Caliente 176,7 82,2 2,461 113578 7,3371
Gasóleo Caliente 226 60 2,48 46165 5,2788
Flujo inferior Caliente 254,4 149 2,648 99879 7,7438
FO Caliente 312,8 80 2,358 156963 23,93
Crudo antes del
Fría 25 139 2,174 291667 20,083
desalador
Crudo después del
Fría 139 213 2,669 291667 16,003
desalador
Fondo de C-1 Fría 232 260 2,813 267703 5,8576
Crudo de cabeza Fría 230 360 3,844 267703 37,16
Nafta ligera
Caliente 110 40 6,627 52690 6,7893
(Reflujo+Producto)
Nafta pesada
Caliente 130 40 8,268 59376 12,273
(Reflujo+Producto)
Fuente: (Bayomie, y otros, 2019 pág. 1054).
Realizado por: ORTIZ, Edison 2022.

3.3. Simulación mediante DWSIM

Para proceder con la simulación se debe descargar e instalar el simulador con la última versión
disponible en la página oficial de DWSIM, al abrir el simulador se presentarán varias opciones
de inicio seleccionando la opción de Process Modeling para entrar a la sección de modelo inicial.

Figura 2-3: Pestaña de inicio de DWSIM

Realizado por: ORTIZ, Edison, 2022.

41
Pasado este punto se pedirá que se seleccione los componentes que estarán presentes en todo el
proceso a simular tomando solamente los compuestos de agua y sal presentes en la librería del
propio software, como paquetes termodinámicos se seleccionó en primer lugar el de Peng
Robinson (PR) debido a que es el más recomendable para procesos en los que intervienen varios
compuestos orgánicos, el paquete de Roult’s Law y el NRTL como auxiliares. Para el Sistema de
Unidades se seleccionan las unidades del sistema internacional que están seleccionadas por
defecto.

Figura 3-3: Selección de paquetes termodinámicos

Realizado por: ORTIZ, Edison, 2022.

La composición del crudo se debe ingresar mediante las herramientas que DWSIM dispone
debido a que el crudo se caracteriza por contener varios componentes en su estructura imposible
de ingresarlos de forma individual. Para este fin se debe hay que dirigirse a la pestaña Tools en
donde se despliegan varias opciones, en donde se debe seleccionar la herramienta denominada
Petroleum Characterization (Distillation Curves) que sirve para poder caracterizar el crudo
mediante las curvas de destilación ya establecidas. Se desplegará una nueva pestaña en donde se
puede elegir las características de las curvas de destilación que van a ser analizadas. Se selecciona
la curva TBP de los puntos de ebullición que rigen a la técnica de caracterización denominada
ASTM D2892, como curva básica de masa sin modificar los valores que se añaden por defecto.
A continuación, se deben ingresar los datos experimentales en este punto se ingresan los datos
que se exponen en la tabla 3-3 hay que tener cuidado con las unidades que se ingresaran ya que
pueden ser diferentes. Se presentarán las gráficas de las curvas de destilación y se deberá elegir
el número de seudocomponentes que compondrán a la alimentación de crudo siendo seleccionado
7 seudocomponentes.

42
Figura 4-3: Ingreso de datos de la curva de destilación TBP
Realizado por: ORTIZ, Edison, 2022.

Para elegir los métodos y correlaciones de cálculos de los seudocomponentes se debe configurar
dependiendo de las características de los compuestos a ser evaluados y en este caso se utilizó para
la temperatura y la presión critica el modelo de Riazi-Daubert (1985), para el factor acéntrico el
de Korsten (2000), para cálculos de gravedad especifica con Riazi-Al-Sahhanf (1996), el peso
molecular es calculado mediante el modelo Winn (1956) y la viscosidad cinética por medio del
modelo de Abbott (1971).

Figura 5-3: Ingreso de los métodos y correlaciones

Realizado por: ORTIZ, Edison, 2022.

Para finalizar se muestran los resultados y las características fisicoquímicas de cada

seudocomponente y permite dar una revisión de todos los valores correspondientes a la
caracterización del crudo dando como resultado el punto normal de ebullición en 532,09 °C.

43
Figura 6-3: Propiedades de los seudocomponentes creados
Realizado por: ORTIZ, Edison, 2022.

Una vez ya creada la alimentación que corresponde al crudo caracterizado se puede comenzar con
la ubicación de los equipos que van a constituir el sistema de fraccionamiento completo con sus
debidas corrientes de alimentación y salida.

Figura 7-3: Especificaciones de la entrada de crudo

Realizado por: ORTIZ, Edison, 2022.

Para el diseño del sistema de intercambiadores de calor se debe ingresar los datos ya establecidos
en las tablas 1-3 y 4-3 donde se muestran las condiciones en las cuales deben operar como: las
temperaturas, el área de transferencia de calor, el coeficiente de transferencia de calor entre otras

44
hay que tener en cuenta que todos estos equipos están funcionando bajo el paquete termodinámico
PR.

Figura 8-3: Sección de intercambiadores de calor

Realizado por: ORTIZ, Edison, 2022.

Para la primera torre de fraccionamiento denominada C-1 se utiliza la característica de DWSIM

de ser un software de función Cape-Open que le permite vincularse con ChemSep que es
programa específico para simular torres de destilación, en donde se ingresan automáticamente las
conexiones de entrada y salida. Ya en la pestaña de ChemSep se presentan varios lineamientos
que se ingresan como un título y los componentes que servirá para los cálculos de las
características de la torre de fraccionamiento. El punto más importante del diseño de la torre de
destilación es la determinación de las operaciones que realizara la torre, se establece una columna
de equilibrio con una destilación de tipo extractiva, en donde se realiza una condensación total y
un reflujo parcial del producto destilado en estado líquido, con un número total de 20 platos o
bandejas en su estructura, con dos alimentaciones una en el plato 16 y otra en el palto 18, además
de los productos que se obtiene en la columna se extrae del plato 8 y del plato 14 dos flujo que
sirven de alimentación a la segunda torre de fraccionamiento, la primera salida en el plato 8 es la
de naftas ligeras con un flujo de 0,06 Kg/s y la segunda del plato 14 que alimentara la C-2 un
flujo de 0,38235 Kg/s. Todo el proceso de destilación se lo realiza a presión atmosférica. En las
especificaciones de la columna más concretamente en el condensador se ingresa un radio reflujo
de 2 y una fracción de combinación de 0,5 en el recalentador o fondo de la columna.

45
Figura 9-3: Operación de C-1 en ChemSep
Realizado por: ORTIZ, Edison, 2022.

Figura 10-3: Condiciones de C-1

Realizado por: ORTIZ, Edison, 2022.

Las condiciones del horno se presentan en la figura 10-3 en donde se muestra que es necesario
ingresar la temperatura de salida que se necesita obtener que para este caso es de 360 °C

46
manteniendo una eficiencia del 100% idealmente sin incrementos de presión en el transcurso del
calentamiento, este flujo caliente es enviado a la principal columna de fraccionamiento
denominada C-2.

Figura 11-3: Especificaciones del horno H-1

Realizado por: ORTIZ, Edison, 2022.

Para la columna denominada C-2 se establecen varios parámetros de operación al igual que en la
primera torre de destilación, en este caso se establece una columna en equilibrio en dónde se
realizará una destilación extractiva qué tiene una condensación total, es decir que el producto
obtenido de la cabeza de la columna estará en fase líquida, en la parte inferior se obtendrá un
calentamiento parcial del líquido producido, está torre de destilación tiene 32 platos o bandejas
con múltiples flujos de entrada, la corriente proveniente de la columna C-1 ingresa en el plató 5
mientras que los reflujos obtenidos de queroseno y gasóleo ingresarán en el plató número 12 y en
el 22 respectivamente, mientras que los productos que se obtienen en la columna son retirados
en las etapas 11 y 23 correspondiente a la alimentación de C-3 y la alimentación de C-4. Los
productos obtenidos de estas columnas secundarias sirven para poder precalentar el crudo en el
sector de intercambiadores de calor. Además, en las especificaciones de las salidas de las etapas
11 y 23 se debe asignar el flujo másico que se quiere obtener de cada producto y para este caso
se le asigna a la etapa 11 un flujo másico de 0,214687 kg/s, mientras que a la etapa 23 un flujo
másico de 0,2029 kg/s. La presión que se mantendrá en toda la columna deberá permanecer
constante a una atmósfera y las especificaciones para el condensador es de un radio reflujo de 3
con una fracción de combinación en la entrada del rehervidor de 0,5 al igual que en la columna
C-1.

47
Figura 12-3: Operaciones de la columna C-2
Realizado por: ORTIZ, Edison, 2022.

Figura 13-3: Especificaciones de la columna C-2

Realizado por: ORTIZ, Edison, 2022.

Se debe tomar en cuenta los diversos bloques de recirculación que fueron añadidos debido a que
la naturaleza del sistema diseñado genera varias recirculaciones hacia los diversos equipos que
componen el proceso, generándose un error al momento de realizar los cálculos por el algoritmo
seleccionado, más concretamente se trata de un ciclo infinito repetitivo de cálculos qué colapsa
la simulación, por tanto para solucionar esta problemática se procede a asignar un bloque lógico
de recirculación que es capaz de detener la secuencia de cálculo en el punto en donde se esté
generando la problemática de los cálculos infinitos. En este bloque lógico se puede asignar un
número de iteraciones siendo para este caso de 50, también se puede proponer una temperatura y

48
una presión máxima de tolerancia o de variación y debido a que en este proceso de simulación
solamente se necesita detener el ciclo infinito se asigna las mismas cantidades de temperatura
presión y flujo másico que se tiene en la entrada de estos bloques.

Figura 14-3: Especificaciones de los bloques de recirculación

Realizado por: ORTIZ, Edison, 2022.

Para el sistema de desalado del crudo se requirió ingresar dos equipos de separación de
compuestos qué el software tiene entre sus herramientas, se asigna un primer separador para
poder eliminar al 100% el cloruro de sodio mezclado en la línea de crudo y el segundo separador
se encarga de separar el agua de la misma línea, se realizó este procedimiento debido a que un
equipo de desalado de crudo es muy complejo de diseñar pero con estas dos herramientas
trabajando en conjunto se logra eliminar el agua y la sal en su totalidad qué es el objetivo principal
de un desalador en la industria. En cada separador se debe asignar la salida y el compuesto que se
desea eliminar de la línea de alimentación de estos equipos, en este caso se coloca que se desea
eliminar al 100% la sal y el agua de la línea de entrada.

49
Figura 15-3: Especificaciones de los bloques de separación de compuestos
Realizado por: ORTIZ, Edison, 2022.

Por último, todas las especificaciones están correctamente ingresadas ya que los equipos y las
corrientes que se ubicaron en el diagrama se pusieron de color azul y al momento de correr la
simulación no se dio ninguna notificación de error. Para poder visualizar los resultados de cada
equipo se debe insertar una tabla que muestra las propiedades del proceso de simulación, esta
tabla se insertó mediante la pestaña Insert en la propiedad Master Property Table en donde se
podrá elegir cualquier equipo o corriente de la simulación.

3.4. Validación de la simulación

Para analizar y constatar que la simulación realizada funciona correctamente se toma en cuenta
los resultados obtenidos al correrla, ya que deben parecerse o encontrarse en los rangos más
próximos posibles a los que se obtienen en trabajos previos con temas similares al trabajo
realizado, esto se puede constatar en las tablas de resultados () en donde se explica que los datos
de salida de la simulación realizada son iguales a las consultadas por bibliografía generándose la
confiabilidad de que el proceso se realizó de manera correcta.
Para poder observar los datos resultantes se debe utilizar las diversas herramientas que el software
de DWSIM provee para visualizar resultados como se muestra en la figura 16-3 se genera varias
tablas con los resultados de puntos críticos del proceso simulado que posibilita el extraer y
comparar los resultados.

50
Figura 16-3: Resultados mostrados en DWSIM
Realizado por: ORTIZ, Edison, 2022.

Los datos mostrados en las tablas de resultados se pueden validar y ser procesados para la creación
de una red neuronal artificial que sea capaz de predecir el comportamiento de una torre de
fraccionamiento en una refinería si se llegara a cambiar alguna variable en la misma.

3.5. Tratamiento de datos

Ya realizado el proceso de simulación y terminado el proceso de validación de los resultados

obtenidos, se procede a realizar la creación del banco de datos que es de vital importancia para
generar la red neuronal artificial, para este fin se debe analizar las variables que se van a utilizar
de entrada y las variables de salida de la red. Para poder obtener los datos necesarios se procede
a la repetición de la simulación cambiando los valores de las variables que se utilizaran de entrada
a la red.
Para este estudio se utilizó las siguientes variables de entrada y salida provenientes de la
simulación generando el banco de datos necesario para la RNA.

51
Tabla 5-3: Variables de entrada de la RNA

ENTRADAS
Parámetro Flujo de entrada de crudo Temperatura

Kg/h °C
Detalles
[Crudo salado] [Horno y corrientes]

Identificación Fc T
Realizado por: ORTIZ, Edison 2022.

Para los parámetros de salida se procedió a correr la simulación realizada, pero con las variables
nuevas ingresadas de manera aleatoria y se identifica los valores de las salidas de la simulación
generándose así un conjunto de datos a ser entrenados por la RNA.

Tabla 6-3: Variables de salida de la RNA

SALIDAS
Flujos Naftas Naftas Naftas
masicos Ligeras (Gas) Ligeras pesadas Queroseno Gasóleo Fuel Oíl
Identificación L.N Gases L.N H.N Q G F.O
Destilado de Destilado de Destilado Producto Producto Producto
Ubicación
C-1 C-1 de C-2 de C-2 de C-2 de C-2
Realizado por: ORTIZ, Edison 2022.

Para la realización del banco de datos es importante el considerar los puntos de recirculación en
la simulación que son los que impiden que se genere un ciclo infinito de cálculo y es necesario
que al correr el programa se vuelva a correr en estos puntos de recirculación. Además, es necesario
considerar los rangos de los parámetros que se van a ingresar ya que deben cumplir con la lógica
que rige el proceso en la vida real.

Tabla 7-3: Datos generados para el entrenamiento y prueba de la RNA

L.N
Fc (Gas) L.N H.N F.O
(Kg/h) T (°C) (Kg/h) (Kg/h) (Kg/h) Q (Kg/h) G (Kg/h) (Kg/h)
200000 500 93827,4 280543 415717 292519 254531 551688
300000 475 87009,8 335385 421344 295493 267640 557640
280000 480 88373,3 324416 420228 294898 265018 556449
240000 490 91100,4 302479 417968 293709 259775 554069
260000 485 89736,9 313448 419093 294303 262397 555259
252000 487 90282,3 309060 418643 294065 261348 554783
400000 450 80192,2 390228 426971 298468 280750 563592
360000 460 82919,3 368291 424720 297278 275506 561211
380000 455 81555,8 379260 425846 297873 278128 562402
388000 453 81010,4 383647 426296 298111 279177 562878
372000 457 82101,2 374872 425395 297635 277079 561926

52
320000 470 85646,3 346354 422469 296088 270262 558830
340000 465 84282,8 357323 423594 296683 272884 560021
348000 463 83737,4 361711 424045 296921 273933 560497
332000 467 84828,2 352936 423144 296445 271835 559544
308000 473 86464,4 339773 421794 295731 268689 442689
292000 477 87555,2 330997 420893 295255 266591 557164
268000 483 89191,4 317835 419543 294541 263444 555735
220000 495 92463,9 291511 416842 293114 257153 552878
228000 493 91918,5 295898 417292 293352 258201 553354
212000 497 93009,3 287124 416392 292876 256104 552402
500000 400 94166,9 215867 584232 337539 319007 584786
450000 425 87179,5 303048 505601 318003 299879 574189
480000 410 91371,9 250739 552779 329725 311356 580547
494000 403 93328,4 226329 574796 335195 316711,7 583514
490000 405 92769,4 233303 568505 333632 315182 582666
486000 407 92210,4 240277 562214 332069 313652 581818
474000 413 90533,4 261200 543343 327381 309060 579275
470000 415 89974,4 268174 537052 325818 307530 578427
464000 418 89135,9 278636 527616 323474 305235 577156
208000 498 93281,9 284930 416167 292757 255580 552164
216000 496 92736,5 289318 416617,3 292994 256628 552640
224000 494 92191,1 293705 417067,5 293233 257677 553117
232000 492 91645,7 298093 417518 293471 258726 553593
248000 488 90554,9 306867 418418 293947 260824 554545
256000 486 90009,5 311254,8 418868 294184 261872 555021
264000 484 89464,1 315642 419318 294422 262921 555497
272000 482 88918,7 320029 419768 294661 263969 555973
288000 478 87827,9 328804 420669 295136 266067 556925
296000 476 87282,5 333192 421119 295375 267116 557402
304000 474 86737,1 337579 421569 295613 268165 557878
312000 472 86191,7 341967 422019 295850 269213 558354
460000 420 88576,9 285611 521326 321910 303704 576308
454000 423 87738,5 296073 511891 319566 301409 575037
406000 447 81030,6 379766 436406 300812 283045 564864
410000 445 81589,5 372792 442696 302374 284575 565711
414000 443 82148,5 365818 448987 303937 286105 566559
420000 440 82987,1 355356 458422 306281 288400 567830
426000 437 83825,5 344894 467857 308625 290695 569101
430000 435 84384,5 337920 474148 310188 292226 569950
434000 433 84943,6 330945 480439 311751 293757 570798
440000 430 85782,1 320484 489875 314096 296053 573069
446000 427 86620,5 310022 499310 316440 298349 573341
365543 370 78632,8 367562 479273 286355 270530 504276
486554 397 92613,5 231036 573736 332421 314159 576735
477591 395 91577,8 241150 566739 329008 310928 571368

53
468627 393 90542,2 251262 559742 325596 307696 566000
455181 390 88988,8 266432 549246 320478 302848 557949
441753 387 87435,3 281602 538750 315359 298000 549898
432772 385 86399,8 291715 531753 311947 294769 544531
423807 383 85364,2 301828 524755 308535 291537 539164
410362 380 83810,8 316997 514259 303416 286689 531112
396916 377 82257,4 332167 503763 298297 281841 523062
387953 375 81221,8 342279 496766 294886 278610 517694
378989 373 80186,2 352393 489769 291473 275378 512327
583334 360 64749,9 319500 388928 236162 223340 400471
409101 368 75856,2 357949 461204 276316 261092 483515
474439 365 71681,3 343531 434100 261259 246935 452374
517997 363 68914,7 333918 416032 251220 237497 431613
30000 340 94214,6 207183 577634 337379 318968 584826
528000 358 67696,3 308268 407798 246284 232903 418907
445000 355 72116,1 291421 436104 261466 247247 446560
389667 353 75062,5 280189 454975 271588 256810 464995
306667 350 79482,2 263342 483281 286771 271154 492648
223667 347 83901,9 246494 511587 301953 285498 520302
168334 345 86848,4 235262 530458 312075 295061 538737
113000 343 89794,9 224030 549328 322197 304624 557173
50000 320 94166,9 215867 578522 337420 318979 584907
32000 338 94209,8 208051 577723 337383 318969 584834
34000 336 94205,1 208919 577812 337387 318970 584842
36000 334 94200,2 209788 577900 337391 318971 584850
38000 332 94195,5 210656 577989 337395 318972 584858
40000 330 94190,7 211525 578078 337400 318974 584867
42000 328 94185,9 212393 578166 337404 318975 584875
44000 326 94181,2 213262 578256 337408 318976 584883
46000 324 94176,4 214130 578344 337412 318977 584891
48000 322 94171,6 214999 578433 337416 318978 584899
450000 300 78431,7 378005 461326 283441 268442 489354
70000 319 93380,1 223974 572662 334721 316452 580129
110000 317 91806,6 240187 560942 329323 311398 570574
150000 315 90233,1 256401 549223 323925 306345 561017
190000 313 88659,5 272615 537503 318527 301291 551463
230000 311 87086,1 288829 525784 313130 296237 541908
270000 309 85512,5 305042 514064 307732 291183 532353
310000 307 83939,1 321256 502344 302333 286130 522797
350000 305 82365,5 337471 490625 296936 281076 513242
390000 303 80791,9 353684 478905 291538 276023 503687
430000 301 79218,4 369898 467186 286140 270979 494132
95000 250 94059,5 235302 578734 337449 318986 584967
442900 299 78744,3 375151 463674 284521 269453 491266
428700 297 79369,4 369443 468371 286682 271475 495091

54
414500 295 79994,5 363735 473066 288842 273496 498915
400300 293 80619,6 358027 477763 291002 275518 502740
386100 291 81244,7 352316 482459 293162 277539 506564
371900 289 81869,8 346610 487155 295323 279562 510389
357700 287 82494,9 340902 491852 297483 281583 514213
343500 285 83120,1 335194 496548 299643 283605 518038
329300 283 83745,1 329486 501244 301804 285627 521862
315100 281 84370,3 323778 505941 303964 287649 525686
300900 279 84995,4 318069 510637 306124 289671 529512
286700 277 85620,5 312362 515333 308284 291692 533336
272500 275 86245,6 306653 520030 310445 293714 537160
258300 273 86870,7 300945 524726 312605 295736 540985
244100 271 87495,8 295237 529423 314766 297758 544809
229900 269 88120,9 289529 534119 316926 299779 548634
215700 267 88746,1 283821 538815 319086 301801 552459
201500 265 89371,2 278113 543512 321247 303823 556283
187300 263 89996,3 272405 548208 323407 305845 560108
173100 261 90621,4 266696 552904 325567 307866 563932
158900 259 91246,5 260989 557600 327728 309888 567757
144700 257 91871,6 255280 562296 329887 311909 571581
130500 255 92496,7 249572 566993 332048 313931 575406
116300 253 93121,8 243864 571690 334209 315953 579230
102100 251 93746,9 238156 576385 336369 317975 583055
100000 200 94047,8 237459 579262 337467 318991 585007
95100 249 94059,3 235345 578747 337449 318986 584968
95300 247 94058,8 235431 578766 337450 318986 584969
95500 245 94058,3 235518 578787 337451 318987 584971
95700 243 94057,9 235604 578807 337452 318987 584973
95900 241 94057,4 235690 578829 337452 318987 584974
96100 239 94056,9 235777 578850 337453 318987,1 584976
96300 237 94056,5 235863 578871 337454 318987,3 584977
96500 235 94055,9 235949 578892 337454 318988 584979
96700 233 94055,5 236035 578914 337455 318988 584980
96900 231 94055,1 236122 578935 337456 318988,1 584982
97100 229 94054,6 236207 578956 337457 318988,3 584984
97300 227 94054,1 236294 578977 337457,3 318988,3 584985
97500 225 94053,7 236381 578998 337458 318988,5 584987
97700 223 94053,1 236466 579019 337459 318988,7 584989
97900 221 94052,7 236553 579040 337459,4 318988,9 584990
98100 219 94052,3 236639 579061 337460 318989,1 584992
98300 217 94051,7 236726 579083 337461 318989,3 584993
98500 215 94051,3 236812 579104 337462 318989,5 584995
98700 213 94050,8 236898 579124 337462,3 318989,7 584996
98900 211 94050,4 236985 579146 337463 318989,9 584998
99100 209 94049,9 237071 579167 337464 318990,1 584999

55
99300 207 94049,4 237157 579188 337465 318990,3 585001
99500 205 94048,9 237243 579209 337465,2 318990,5 585003
Realizado por: ORTIZ, Edison 2022.

De todo el universo de datos generados se considera el 20 % de estos para la validación de la red

ya terminada por tanto estos elementos seleccionados no intervienen en ninguna parte del
entrenamiento de la red creada y se deben tomar de manera aleatoria para mejorar la efectividad
de la validación.

3.6. Creación de la red neuronal artificial

Como primer paso para la creación de la red neuronal artificial se realizó el establecimiento de
las variables que van a ser tomadas como entradas y salidas de estas, lo mismo que se explica en
las tablas 5-3 y 6-3. Con el contenido del banco de datos se ingresan al software que en este caso
es Matlab un conjunto de matrices que corresponden a las salidas y datos de entrenamiento
previamente normalizados o lo que es lo mismo transformar los valores ya establecidos en un
conjunto de datos que van desde 0 a 1 para poder obtener un entrenamiento más eficiente de la
red. Una característica para ingresar variables en el software es en tipo vector por tanto se debe
transformar las columnas de la tabla de Excel en filas en el mismo orden.

Figura 17-3: Variables en forma de vectores

Realizado por: ORTIZ, Edison, 2022.

Se debe proponer una arquitectura para la red y se correlaciona con la cantidad de datos que se
vayan a utilizar ya que a mayores datos más compleja será la arquitectura y el número de capas
de la red neuronal artificial. Matlab proporciona varias herramientas para crear redes neuronales
como son los comandos nftool y nntool en los dos casos permiten el acceso a las librerías
necesarias para diseñar una red neuronal, por la facilidad de diseño que permite el comando nntool
es el que se utilizó para el diseño. Al aplicar este comando se abre la ventana del toolbox de
Matlab en donde se muestra todas las actividades que se requieren para crear una red. En la parte
inferior izquierda está el botón (Import) que permite cargar los datos de las variables guardadas
previamente.

56
Figura 18-3: Ventana de la herramienta nntool
Realizado por: ORTIZ, Edison, 2022.

Se cargo los datos guardados en la variable entrada como datos de alimentación o Imput Data y
los datos guardados en la variable denominada como salida se suben a la sección de datos objetivo
o datos de entrenamiento (Target Data). Seguido a esto se procede a crear ya la arquitectura de la
red neuronal en la sección de new.

Figura 19-3: Propiedades de la RNA

Realizado por: ORTIZ, Edison, 2022.

Se procede a seleccionar un nombre para la red creada en este caso RNA y se realizó la selección
de las propiedades. Como tipo de red se utiliza la de Feed-forward backprop que se define por la

57
capacidad de fluir la información de forma unidireccional para que se permita el paso de
información por una neurona solo una vez antes de generarse los pesos sinápticos presentes en
cada neurona. Como función de entrenamiento se establece la denominada TRAINLM
(Levenberg-Marquardt) este algoritmo es también conocido como el de los mínimos cuadrados
se utilizó para poder resolver problemas no lineales y permite aproximar diversos ajustes en las
curvas de las funciones. Como función de aprendizaje se elige la función LEARNGDM que está
en función del gradiente descendiente y por último se establece la función MSE que mide el error
cuadrático medio en el entrenamiento. Por último, se establece la arquitectura de la red
definiéndose que contiene 1 capa de entrada con dos neuronas a su ingreso 4 capas ocultas con
50 neuronas cada una y una capa de salida con 6 neuronas, todas las capas de entrada y ocultas
contienen la función tangente-sigmoidal (TANSIG) y la capa de salida tiene la función PURELIN
que permite valores de cualquier tipo para la salida de la red.

Figura 20-3: Arquitectura de la RNA

Realizado por: ORTIZ, Edison, 2022.

3.7. Entrenamiento y aprendizaje de la RNA

Esta etapa del proceso de diseño de las redes neuronales es el más importante debido a que es el
proceso en el cual se define la eficiencia de la red creada y en el caso de ser deficiente la red
neuronal será deficiente, también es en donde se ingresa la tipología de la red neuronal y el
algoritmo que se va a emplear para el aprendizaje.

58
Figura 21-3: Parámetros de entrenamiento de la RNA
Realizado por: ORTIZ, Edison, 2022.

Una vez creada la red neuronal se procedió a realizar su entrenamiento, para esto se abre la red
en la misma plataforma del toolbox. En esta ventana se abrirá un conjunto de opciones de
configuración para la red neuronal la que se utilizó para el entrenamiento de la red es la sección
Train en donde se subdividen los parámetros y la información que ingresara al entrenamiento.
Como información ingresa las variables de entrada establecidas y los parámetros de
entrenamiento que son los más importantes están el número de épocas o iteraciones, el mínimo
gradiente de error permitido u objetivo y el máximo de fallos en la validación. Estos parámetros
deben ser ingresados de manera aleatoria al inicio y de manera manual deben irse ajustando hasta
obtenerse un error cuadrático medio aceptable. En la RNA se estableció 10000 épocas con un
mínimo gradiente de 0,0000001 y un máximo de fallos de 60 dándose inicio al entrenamiento de
la red.

59
Figura 22-3: Entrenamiento de la RNA
Realizado por: ORTIZ, Edison, 2022.

El tiempo que se tarde en el entrenamiento dependerá de la cantidad de datos que se ingresen y

de la arquitectura que se disponga en este caso se aplicó un tiempo de entrenamiento de una hora
y 35 minutos para poder alcanzar el objetivo de entrenamiento y el error mínimo posible en las
predicciones de la red. Terminado el entrenamiento se puede observar los resultados de este
mediante graficas que proporciona el mismo programa.
El error cuadrático medio alcanzado por el entrenamiento de la red neuronal es de 0,0016801, el
cual permite una predicción optima de los valores ingresados en la red neuronal, debido a la
cantidad y tipo de datos ingresados cada época se tarda en promedio 2 minutos para ser calculada
por tanto el objetivo se cumplió en un rango de 55 épocas, siendo en la época 5 en donde se
cumple el error más bajo ya que de ahí en adelante se mantendrá en un valor constante subiendo
y bajando al mínimo en las demás iteraciones.
Otro punto de control es analizar las gráficas de la regresión lineal resultantes en el entrenamiento
en donde se muestra la correlación que existe entre los datos ingresados y los datos simulados ya
que mientras más se acerquen al valor de 1 más precisa será la red en la predicción de los valores
que sean ingresados y en la red se obtuvo una correlación de 0,09954 tan próxima a 1 cómo es
posible.

60
Ya con estos datos se procedió a exportar la información de RNA al workspace de Matlab para
ser almacenado y utilizado cuando se requiera. Es de suma importancia que al momento de
ejecutar la red creada se debe utilizar el comando RNA ([num num]’) en donde se ingresa el
nombre de la red en este caso RNA y los valores de entrada en forma de vector.

3.8. Análisis estadístico

Para el análisis estadístico se procedió con la utilización de las pruebas más utilizadas en la
comparación de las variables dentro de un estudio investigativo como son la prueba de Kruskal-
Wallis que es similar a la prueba de ANOVA que fluye en solo una vía y la prueba Friedman que
es la más utilizada cuando existen más de 3 grupos de datos experimentales como lo es en este
caso, al igual que con la prueba ANOVA este es similar cuando fluye en dos vías la información.
Prueba de Kruskal-Wallis. - Esta prueba fue creada por William Kruskal y Allen Wallis y se
define como un método no paramétrico que es capaz de probar si un conjunto de datos se deriva
de la misma población ya establecida es similar a la prueba ANOVA y se deriva de la prueba de
U de Man Whitney (Siegel, y otros, 1988 pág. 25).
Prueba Friedman. - Esta prueba es una no paramétrica que fue creada por el economista Milton
Friedman que intenta simular a la prueba de ANOVA cuando existen varias medidas en
repetición, este método clasifica datos en filas o bloques que son reemplazados por un orden en
donde se evidenciara si existen varios datos repetidos (Flores, y otros, 2017 págs. 368-369).

61
CAPÍTULO IV

4. GESTIÓN DEL PROYECTO

4.1. Presupuesto

Tabla 1-4: Presupuesto del trabajo de titulación

PRESUPUESTO
FUENTE DE
ACTIVIDAD MONTO FINANCIAMIENTO
EXTERNA INTERNA
Investigación (Internet) $ 70 X
Suscripciones a cursos de redes neuronales $ 40 X
Copias e Impresiones $ 50 X
Empastados $ 60 X
TOTAL $ 220
Realizado por: ORTIZ, Edison 2022.

4.2. Recursos y Materiales

Para la realización del programa de titulación se utilizó varios softwars como:

❖ Software de código libre DWSIM para la simulación de la planta de procesamiento de crudo.
CAPE-OPEN de ChemSep que es la herramienta que complementa la simulación de procesos
de refinería.
❖ MATLAB en la versión R2017a utilizado para la creación de la red neuronal.
❖ Software ECXEL de office en la creación de tablas y listas
Todas las tareas adicionales del proyecto se realizaron en un ordenador Intel(R) Core(TM) i5-
3317U 1.70 GHz que contiene 6 GB de memoria RAM, sistema operativo de 64 bits y Windows
8 Profesional.

62
4.3. Cronograma

Tabla 2-4: Cronograma del trabajo de titulación

MESES
JULIO AGOSTO SEPTIEMBRE OCTUBRE NOVIEMBRE DICIEMBRE
ACTIVIDADES
SEMANAS
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
Revisión e investigación bibliográfica
Elaboración del anteproyecto

Determinación de variables y composiciones del crudo

Simulación de la columna de fraccionamiento de crudo
en procesos de refinación
Obtención de datos simulados
Comparación y validación de datos
Redacción del trabajo final
Análisis de costos
Revisión del documento final
Defensa de resultados
Realizado por: ORTIZ, Edison 2022.

63
4.4. Discusión y análisis de resultados

4.4.1. Resultados de la simulación en el software DWSIM

La simulación del proceso de fraccionamiento de crudo se realizó en el software de código libre

DWSIM y como se pudo apreciar en el capítulo anterior se requirió de varios pasos fundamentales
para poder obtenerse una simulación correcta, a pesar de ya tener un modelo en el cual se vaso
este trabajo la simulación requirió de varios cambios para que sea capaz de adaptarse al software.

Figura 1-4: Validación de la simulación en DWSIM

Realizado por: ORTIZ, Edison, 2022.

El punto más crítico de la simulación fueron el poder realizar las diferentes recirculaciones de
todo el proceso debido a que el programa realiza cálculos de cada componente o equipo
diferenciando la entrada y la salida, por tanto, al realizarse una recirculación se crean bucles de
cálculos que tienden al infinito provocando que la simulación falle. Para solucionar este tipo de
problemas se añaden bloques de reciclaje en donde se puede depurar los datos que se recirculen
sin provocar los llamados bucles de cálculo, se añadieron estos bloques en todos los puntos que
se requieren debido que la eficiencia de la planta simulada depende en gran medida de varios
intercambiadores de calor que están recirculando el calor de las líneas de salida de los productos
con las líneas de alimentación para poder precalentar a estas últimas y ahorrar más energía
invertidas en los hornos y las torres de destilación.

64
Tabla 3-4: Resultados de la columna de destilación C-1
COLUMNA DE DESTILACIÓN C-1
FONDOS
LÍNEA L.N gases L.N UNIDAD
C-1 CRUDO C-1
Temperatura 345,637 166,834 453,941 346,477 C°
Presión 1 1 1 1 atm
Flujo masico 64749,9 319500 748138 414597 Kg/h
Flujo volumétrico 0,0279518 0,13053 0,338007 0,178966 m^3/s
Flujo molecular 299,768 179,107 419,396 301,206 Kg/kmol
Entalpia especifica 495,042 -7,64286 840,79 497,657 Kj/Kg
Entropía especifica 1,22474 0,231892 1,7876 1,23185 Kj/[Kg*K]
Conductividad
térmica 0,0919182 0,109292 0,0853745 0,0919485 W/[m*K]
Realizado por: ORTIZ, Edison 2022.

Los resultados que se obtuvieron de la primera columna de destilación diseñada se puede apreciar
en la tabla 3-4 en donde solo dos productos son obtenidos y separados del proceso de refinación
tal como sale de la columna C-1 que son las naftas ligeras en la fase gaseosa y liquida siendo la
fracción gaseosa la que mayor cantidad de flujo tiene, seguido de los fondos obtenidos que son
recirculados a las líneas de alimentación de la misma torre y el flujo de crudo es trasladado a la
torre de destilación C-2.

Tabla 4-4: Resultados de la columna de destilación C-2

COLUMNA DE DESTILACIÓN C-2
Gasóleo Fuel Oíl
LÍNEA TPA Queroseno H.N UNIDAD
(G) (FO)
Temperatura 362,276 362,276 344,91 362,397 364,067 C°
Presión 1 1 1 1 1 atm
Flujo masico 195212 40950 388928 46165 400471 Kg/h
Flujo
volumétrico 0,085895 0,0180182 0,167727 0,0206693 0,176202 m^3/s
Flujo
molecular 305,564 305,564 299,599 305,76 308,491 Kg/kmol
Entalpia
especifica 545,875 545,875 492,845 546,288 551,51 Kj/Kg
Entropía
especifica 1,29865 1,29865 1,22146 1,29973 1,31287 Kj/[Kg*K]
Conductividad
térmica 0,089627 0,089627 0,092027 0,0896344 0,0896689 W/[m*K]
Realizado por: ORTIZ, Edison 2022.

Los flujos obtenidos en la segunda columna de destilación C-2 se distribuyen a las diferentes
recirculaciones como es la línea BPA Y TPA que transportan el crudo residual a recalentar varios
intercambiadores de calor y se realimenta a las columnas de destilación. Las líneas de productos
que se obtiene directamente de la C-2 es la de naftas pesadas (H.N), queroseno, gasóleo y Fuel

65
Oíl. Estas líneas de fluido se envían a una serie de intercambiadores de calor que ayudan a
disminuir la temperatura de estos productos y precalientan el crudo de alimentación que va a
entrar al sistema de fraccionamiento.

4.4.2. Resultados de la validación de la simulación

Para poder realizar la validación de la simulación se debe hacer referencia al trabajo realizado por
(Bayomie, y otros, 2019) que fue el artículo en el cual se basa la simulación realizada. En este artículo

se expone una tabla de resultados solo las temperaturas y flujos de los componentes que integran
el equipo completo por tanto se pueden validar solamente mediante una comparación de
temperaturas y flujos.

Tabla 5-4: Resultados de la validación de la simulación

LÍNEA Flujo masico (Kg/h) Temperatura (C°)
Queroseno 40950 146
Queroseno Simulado 40950 362,276
% ERROR 0 1,481342466
TPA 113578 176,6
TPA Simulado 195212 362,276
% ERROR 0,718748349 1,051392978
Gasoil 46165 226
Gasoil Simulado 46165 362,397
% ERROR 0 0,603526549
BPA 99879 254,4
BPA Simulado 177175 362,397
% ERROR 0,773896415 0,424516509
Fuel Oil 156963 312,8
Fuel Oil Simulado 400471 364,067
% ERROR 1,551371979 0,163897059
L.N 52690 110
L.N Simulado 319500 166,834
% ERROR 5,063769216 0,516672727
H.N 59376 130
H.N Simulado 388928 344,91
% ERROR 5,550255996 1,653153846
Realizado por: ORTIZ, Edison 2022.

Como se puede observar en la tabla 5-4 las diferentes predicciones resultantes fueron analizadas
de manera individual para extraer el error que mantengan las predicciones realizadas, notándose
que existen varios valores que se aproximan a los esperados, pero existiendo también varios
valores que se están alejando demasiado de los esperados. Este problema se da debido a que los

66
datos utilizados para la validación son extraídos de una simulación realizada en el software de
Aspen HYSYS, este programa tiene variaciones en paquetes termodinámicos y equipos con
respecto al software DWSIM y por tanto se espera cambios en la respuesta. Pero el problema
principal radica en la forma en que estos programas simulan las propiedades del crudo debido a
que esta sustancia es una combinación de varios hidrocarburos y estos programas tienen
herramientas de simulación por curvas de destilación de petróleo pero la variación más mínima
en la simulación de estas fracciones resultara en cambios evidentes en la composición de cada
seudocomponente y por tanto de las propiedades fisicoquímicas del flujo alimentado en la
simulación permitiendo así que existan variaciones en las respuestas. Por tanto, se comprenden
que existan estos rangos de errores, pero no se alejan del comportamiento real del equipo
simulado.

4.5. Resultados obtenidos por la RNA

La arquitectura de la red neuronal artificial creada fue establecida mediante ajustes de prueba y
error debido a que no existe una técnica o herramienta capaz de proporcionar una arquitectura
definida debido a la gran flexibilidad de los datos que se pueden ingresar en una red neuronal, el
diseño establecido se divide en: dos neuronas en la capa de entrada de la red, 4 capas ocultas con
50 neuronas en cada capa y una capa de salida con 6 neuronas. Esta red es de tipo Feed-forward
backprop y tiene un algoritmo de entrenamiento basado en TRAINLM (Levenberg-Marquardt),
con un tiempo de entrenamiento de una hora y 35 minutos.
Se sabe que el entrenamiento fue exitoso debido a que se obtuvo un error cuadrático medio de
0,0016801 en la quinta iteración, después de este punto se mantiene el comportamiento constante
en las demás iteraciones, pero la meta cumplida para detenerse el entrenamiento es la validación
en la prueba realizada por el mismo programa al resultar los 60 datos resultantes.

67
Figura 2-4: Resultados del entrenamiento de la RNA
Realizado por: ORTIZ, Edison, 2022.

En la figura 2-4 se puede apreciar la evolución del entrenamiento en línea azul la validación en
línea verde y la prueba en línea roja, mientras más iteraciones se den el programa fuerza al
entrenamiento a reducir el error pero la validación y la prueba mantienen un comportamiento
diferente y se establece que para este caso mientras más iteraciones se den el error en la validación
seguirá bajando pero a un grado muy lento por tanto después de cumplir alguno de los objetivos
del programa se detiene por defecto.
El indicador más referente para comprobar que la red neuronal funciona correctamente en la
predicción de los datos ingresados es la correlación existente entre los datos ingresados para el
entrenamiento y los datos predichos por la RNA los cuales se pueden observar en la figura 3-4 en
donde se exponen que para el entrenamiento existe una correlación de 0,9973, para la validación
de 0,9881, para la prueba 0,9928 y como promedio final para toda la red se registra una correlación
final de 0,9954 aceptable para decir que la red creada tiene una eficiencia y precisión en la
predicción de los productos resultantes de la torre de fraccionamiento estudiada.

68
Figura 3-4: Correlación del entrenamiento de la RNA
Realizado por: ORTIZ, Edison, 2022.

4.5.1. Comparación de los datos simulados con datos experimentales

Los datos obtenidos en la simulación son comparados con los datos obtenidos en la RNA para
poder comparar los resultados del programa con resultados obtenidos de manera experimental y
observar que influencia existe entre los datos del programa con datos calculados
experimentalmente.
En los anexos A y B se pueden apreciar la comparación de todos los datos resultantes de la
simulación y la predicción de la RNA, todo esto es reunido en la tabla 6-4 en donde se muestra el
porcentaje de error promedio existente en la comparación de cada variable del sistema,
obteniéndose un valor general de error del 0,4812 % que resulta ser un error aceptable y se
asemeja al obtenido por el software donde se realizó la experimentación.

69
Tabla 6-4: Resultados de la comparación de valores reales y predichos
LÍNEAS % Error Promedio
Naftas Ligeras (L.N) 0,27268628
Naftas Pesadas (H.N) 0,7086
Queroseno (Q) 0,15409
Gasóleo (G) 0,50068
Fuel Oíl (F.O) 0,77034
Error general 0,481279256
Realizado por: ORTIZ, Edison 2022.

En la figura 4-4 se puede apreciar el comportamiento de los datos referentes a la variable de naftas.
En donde se encuentran comportamientos similares con los analizados anteriormente.

Figura 4-4: Relación de datos simulados y reales

Realizado por: ORTIZ, Edison, 2022.

70
4.6. Resultados del análisis estadístico

4.6.1. Prueba de Kruskal-Wallis

Para realizar la prueba estadística en cuestión se ordenó los datos de menor a mayor para poder
definir los rangos de cada variable, estos valores se pueden apreciar en el anexo C. Seguido del
planteamiento de las hipótesis a ser estudiadas dando como respuesta los siguientes resultados:

Tabla 7-4: Resultados de la prueba Kruskal-Wallis en L.N

NAFTA LIGERA
Línea Población Rango medio
L.N 150 75,2164
L.N Simulado 150 74,7654
H calculado -0,2109515 H tablas 3,8415
Realizado por: ORTIZ, Edison 2022.

Tabla 8-4: Resultados de la prueba Kruskal-Wallis en H.N

NAFTA PESADA
Línea Población Rango medio
H.N 150 75,193
H.N Simulado 150 74,7921
H calculado -0,1729 H tablas 3,8415
Realizado por: ORTIZ, Edison 2022.

Tabla 9-4: Resultados de la prueba Kruskal-Wallis en Q

QUEROSENO
Línea Población Rango medio
Q 150 75,7113
Q Simulado 150 74,2637
H calculado -0,2169 H tablas 3,8415
Realizado por: ORTIZ, Edison 2022.

Tabla 10-4: Resultados de la prueba Kruskal-Wallis en G

GASÓLEO
Línea Población Rango medio
G 150 74,9559
G Simulado 150 75,0025
H calculado -0,5007 H tablas 3,8415
Realizado por: ORTIZ, Edison 2022.

71
Tabla 11-4: Resultados de la prueba Kruskal-Wallis en F.O
FUEL OÍL
Línea Población Rango medio
F.O 150 76,3639
F.O Simulado 150 73,6212
H calculado 0,11225 H tablas 3,8415
Realizado por: ORTIZ, Edison 2022.

Se utilizo esta prueba para analizar si acéptanos o rechazamos las siguientes hipótesis:
Hipótesis nula (Ho)= No existe diferencia entre los valores reales de los predichos por la RNA.
Hipótesis alternativa (Hi)=Existe alguna diferencia entre los valores reales de los predichos por
la RNA.
En la utilización de esta prueba se hace una comparación entre el valor de H obtenido
estadísticamente con la referencia de H encontrada en tablas en donde si el valor obtenido es H
calculado es menor que el valor de H de tablas se acepta la hipótesis nula y si el valor es contrario
a esta afirmación se aceptara la hipótesis alternativa por tanto según esto si realiza el análisis de
cada prueba realizada a cada flujo obtenido del sistema de fraccionamiento de crudo resulto en la
aceptación de la hipótesis nula con un nivel de significancia de 0,05 y con el 95% de confianza
se afirma que no existe ninguna diferencia entre los valores resultantes de la predicción por la red
neuronal artificial y los datos resultantes de la simulación.

4.6.2. Prueba Friedman

Para poder realizar la prueba de Friedman debemos colocar los rangos en orden de modo que sea
fácil asignar los rangos a cada valor en una nueva columna ya con estos rangos se suman los
diferentes grados y se obtiene un valor final para cada grupo analizado, hay que aplicar la fórmula
de Friedman para poder obtener el valor de X al cuadrado y determinándose como calculo final
los grados de libertad que se obtienen restándole 1 al número de grupos analizados, permitiendo
al final obtener valores críticos de tablas para poder realizar la comparación y prueba de las
hipótesis. Para esta prueba las hipótesis que se utilizaron fueron las mismas que se aplicaron en
la anterior prueba, pero con la variación que en esta ocasión el valor calculado estadísticamente
debe ser superior al valor estimado en tablas para poder aceptarse la hipótesis nula que en este
caso es de 3,4815 con un nivel de confianza del 95%. Por tanto, en las tablas: 12-4, 13-4, 14-4,
15-4, 16-4 se muestran los resultados obtenidos para cada producto resultante, en donde cada
valor calculado estadísticamente es superior a los valores de las tablas y por tanto la hipótesis nula
es aceptada concluyendo que los datos analizados en cada grupo mantienen un parentesco
adecuado entre variables.

72
Tabla 12-4: Resultados de la prueba Friedman en L.N
NAFTA LIGERA
Línea Población Rango
L.N 150 249
L.N Simulado 150 201
Fr calculado 10938,24 Fr tablas 3,8415
Realizado por: ORTIZ, Edison 2022.

Tabla 13-4: Resultados de la prueba Friedman en H.N

NAFTA PESADA
Línea Población Rango
H.N 150 213
H.N Simulado 150 237
Fr calculado 10834,56 Fr tablas 3,8415
Realizado por: ORTIZ, Edison 2022.

Tabla 14-4: Resultados de la prueba Friedman en Q

QUEROSENO
Línea Población Rango
Q 150 263
Q Simulado 150 187
Fr calculado 11146,56 Fr tablas 3,8415
Realizado por: ORTIZ, Edison 2022.

Tabla 15-4: Resultados de la prueba Friedman en G

GASÓLEO
Línea Población Rango
G 150 224
G Simulado 150 226
Fr calculado 10800,24 Fr tablas 3,8415
Realizado por: ORTIZ, Edison 2022.

Tabla 16-4: Resultados de la prueba Friedman en F.O

FUEL OÍL
Línea Población Rango
F.O 150 241
F.O Simulado 150 209
Fr calculado 10861,44 Fr tablas 3,8415
Realizado por: ORTIZ, Edison 2022.

73
CONCLUSIONES

❖ Se realizo la simulación de un sistema de fraccionamiento aplicado en la separación de los

componentes presentes en el crudo mediante el software de código libre DWSIM, siendo
validado mediante un análisis estadístico entre los resultados obtenidos por la simulación y
valores resultantes de una investigación bibliográfica determinándose que existe relación
entre los datos experimentales y los datos reales.
❖ Se simulo la unidad de fraccionamiento que contiene dos columnas de destilación
atmosféricas con un sistema de intercambiadores de calor que aumenta la eficiencia de la
unidad ya que los flujos de alimentación son precalentados antes de entrar a los hornos previos
a la destilación, para poder predecir las propiedades del crudo se utilizó la herramienta de
conversión a seudocomponentes que utiliza las curvas de destilación experimental para
predecir las propiedades del crudo y debido a que existen varios puntos de recirculación es
necesario usar bloques que detengan el ciclo de cálculo evitando los bucles infinitos, se
realizó 150 simulaciones para obtener un banco de datos experimentales.
❖ Se validó el sistema de fraccionamiento de crudo mediante la comparación de los datos
obtenidos de la simulación realizada con datos resultantes de investigación previas sobre el
tema, obteniéndose un comportamiento similar en los dos casos, pero con discrepancias
debido a la naturaleza cambiante del crudo con respecto al lugar donde es encontrado, pero
cabe resaltar que el comportamiento de los equipos simulados es idéntico a los parámetros
que existen en las investigaciones analizadas.
❖ Se diseño una Red Neuronal Artificial con la capacidad de predecir los valores de los
componentes destilados de la unidad de fraccionamiento de crudo, para este fin se utilizó los
150 datos obtenidos de la simulación para el entrenamiento, definiéndose una arquitectura de
dos neuronas en la capa de entrada, 3 capas ocultas con 50 neuronas cada una y 6 neuronas
en la capa de salida, el tipo de red es Feed-forward backprop y tiene un algoritmo de
entrenamiento basado en TRAINLM (Levenberg-Marquardt), obteniéndose un error
cuadrático medio de 0,0016801 en el entrenamiento. Siendo validada la RNA mediante
pruebas de hipótesis en donde se determinó la correlación existente de los datos predichos y
los datos simulados.

74
RECOMENDACIONES

❖ Realizar un entrenamiento adecuado cuando se esté diseñando una red neuronal artificial
debido a que el error más habitual en estos experimentos es de sobrentrenar a la RNA,
creándose una red capas de brindar valores precisos solo cuando los datos de entrada se
asemejen a los datos de entrenamiento y prediciendo valores atípicos cuando se ingresen
valores fuera del rango de datos de entrenamiento. Disminuyendo la capacidad de flexibilidad
de datos de la red.
❖ Se puede aplicar la RNA creada para comparar los rangos de aprendizaje de cada logaritmo
disponible en el software utilizado e incluso se pueden ingresar diferentes valores de
entrenamiento y saber el comportamiento del mismo crudo simulado a diferentes condiciones
como lo es en columnas de destilación al vacío.
❖ Este trabajo puede servir como base para futuras investigaciones debido a que existen muy
pocas RNAs sobre procesos en refinerías de petróleo ya que la complejidad de los equipos es
elevada, pero de expandirse este tipo de RNA a todas las unidades que existen en una refinería
se podría aumentar fácilmente la eficiencia de estos procesos lo que resultaría en mayor
productividad y menor tiempo de trabajo.

75
BIBLIOGRAFÍA

ANDRADE, E. 2013. Estudio de los principales tipos de Redes Neuronales y las herramientas
para su aplicación . Cuenca : Universidad Politécnica Salesiana , 2013.

ASTM INTERNATIONAL. 2018. ASTM INTERNATIONAL: Helping our world better.

ASTM D86: Standard Test Method for Distillation of Petroleum Products and Liquid Fuels at
Atmospheric Pressure. [En línea] ASTM INTERNATIONAL, 25 de Mayo de 2018. [Citado el:
05 de Mayo de 2022.] https://www.astm.org/Standards/D86.

BAYOMIE, O, ABDELAZIZ, O & GADALLA, M. 2019. Exceeding Pinch limits by process

configuration of an existing modern crude oil distillation unit: A case study from refining industry.
Egipto : Journal of Cleaner Production, 2019. págs. 1050-1058.

BAZÁN, J; et al 2020. Red neuronal artificial para estimar un índice de calidad de agua. Quito :
Universidad UTE, 2020. págs. 109-120. 1390-9363.

BENAVIDES, S. 2017. Simulación de las condiciones de proceso para el despojamiento con gas
residual en la columna de destilación del Complejo Industrial Shushufindi. Quito :
UNIVERSIDAD CENTRAL DEL ECUADOR: Facultad de Ingeniería Química, 2017.

BERTONA, L. 2005. Entrenamiento de redes neuronales basado en algoritmos evolutivos .

Argentina : UNIVERSIDAD DE BUENOS AIRES: FACULTAD DE INGENIERÍA, 2005.

BOSOGAIN, X. 2015. Redes Neuronales Artificales y sis aplicaciones . Bilbao : Escuela

Superior de Ingeniería de Bilbao, 2015.

CAPE-OPEN. 1999: Experiencias de un esfuerzo de estandarización en industrias químicas.

Jarker, M, y otros. Alemania : s.n.,. págs. 25-35. 0-7803-9935-8.

CASTRO, M; et al. 2007. El Petróleo en el Ecuador. Quito : Petroecuador , 2007.

CAUWENBERGHS, G. 1993. A fast stochastic Error-Descent Algorithm for supervised

learning and optimization. San Mateo : Morgan Kaufmann, 1993.
DÁVILA, S. 2013. Diseño de un sistema de control neural para el monitoreo y control de calidad
en una columna de destilación multicomponentes . Perú : PONTIFICIA UNIVERSIDAD
CATÓLICA DEL PERÚ , 2013.

DE FALCO, I; et al. 1997. Artificial Neural Networks Optimization by means of Evolutionary

Algorithms. s.l. : Springer Verlag, 1997. 3540762140 .

DIAWEB. 2010. DIAWEB. Redes Neuronales . [En línea] 25 de Febrero de 2010. [Citado el: 28
de Abril de 2022.] http://avellano.usal.es/~lalonso/RNA/index.htm.

DWSIM. 2020. DWSIM inforside. Funciones por plataforma. [En línea] DWSIM, 5 de
Noviembre de 2020. [Citado el: 29 de Abril de 2022.]
https://dwsim.inforside.com.br/wiki/index.php?title=Features_by_Platform.
—. 2020. DWSIM Simulator. Caracteristicas. [En línea] 15 de Noviembre de 2020. [Citado el:
16 de Abril de 2022.] https://dwsim.inforside.com.br/new/.
—. 2020. DWSIM Simulator. Caracteristicas. [En línea] 15 de Noviembre de 2020.
https://dwsim.inforside.com.br/new/.
—. 2020. DWSIM Simulator. Caracteristicas de CAPE-OPEN. [En línea] 15 de Noviembre de
2020. https://dwsim.inforside.com.br/new/.

YAO, X. 1995. Marcel : Kent, A., J. G. Williams(eds), 1995, En Encyclopedia of Computer

Science and Technology, Vol. XXXIII, págs. 137-170.
—. Yao, X. 1993. 1993, International Journal of Neural Systems, Vol. IV, págs. 203-222.

FACULTAD DE INGENIERÍA ELÉCTRICA UTP. 2012. Principales Tipos de Redes

Neuronales . Peru : UTP, 2012.

FERNÁNDEZ, D. 2007. Desarrollo de una nueva herramienta basada en redes neuronales para
el diseño de protecciones ligeras cerámica-metal frente a impacto de alta velocidad. Madrid :
UNIVERSIDAD CARLOS III DE MADRID: DEPARTAMENTO DE MECANICA DE
MEDIOS CONTINUOS Y TEORÍA DE ESTRUCTURAS, 2007.

FLORES, E, NOVALES, M & VILLASIS, M. 2017. El protocolo de investigación VI: cómo

elegir la prueba. Mexico : Alerg Mex, 2017. págs. 364-370.

FRITSCH, J. 1996. Modular Neural Networks for Speech Recognition. Pittsburgh : Carnegie
Mellon University, 1996.
GNU. 2007. GNU. GNU General Public License. [En línea] GNU, 29 de Junio de 2007. [Citado
el: 30 de Abril de 2022.] https://www.gnu.org/licenses/gpl-3.0.html.

GREEN, D & PERRY, R. 2008. Petroleum and Complex-Mixture Distillation. Octava .

Mexico : McGraw-Hill, 2008.

GURNEY, K. 1997. Neural Nets. s.l. : CRC Press, 1997. 1857285034.

INTERACTIVECHAOS. 2015. InteractiveChaos. Arquitectura de redes neuronales. [En línea]

18 de Enero de 2015. [Citado el: 28 de Abril de 2022.]
https://interactivechaos.com/es/manual/tutorial-de-machine-learning/arquitectura-de-redes-
neuronales#:~:text=El%20concepto%20de%20arquitectura%20referida,en%20la%20que%20so
n%20entrenadas..

ISASI, P & GALVÁN, I. 2004. Redes Neuronales Artificiales: Un enfoque práctico. Madrid :
Pearson-Prentice Hall, 2004.

LESCANO, C & VÁSQUEZ, V. 2010. Predicción por redes neuronales artificiales de la

calidad fisicoquímica de vinagre de melaza de caña por efecto de tiempo temperatura de
alimentación a evaporador-destilador flash. Perú : Universidad Nacional de Trujillo: Facultad de
Ciencias Agrarias, 2010. págs. 63-73. 2077-9917.

LÓPEZ DE LA MAZA, L; et al. 2018. Obtención de un modelo neuronal para la estimación

de la concentración de etanol en la destilería Héctor Molina. La Habana : Universidad
Tecnológica de La Habana, 2018. 2224-6185.

LÓPEZ, I & PÉREZ, S. 2017. Redes neuronales de base radial como modelos dinámicos para
la puesta en marcha de columnas de destilación por lotes. Valencia : Universidad de Carabobo,
2017.

MACHADO, D. 2008. Libera tu Radio. Software Libre en Ecuador. [En línea] 16 de Noviembre
de 2008. [Citado el: 29 de Abril de 2022.] https://liberaturadio.org/software-libre-en-ecuador-la-
necesidad-de-pasar-de/.

MARTÍNEZ, O & PORRAS, R. 2015. SIMULACIÓN DE SISTEMAS DE CONTROL EN

PROCESOS DELSECTOR OIL & GAS A TRAVÉS DEL SOFTWARE ASPEN HYSYS Y
CONEXIÓN A ROCKWELL AUTOMATION CON EL ESTÁNDAR DE COMUNICACIÓN OPC.
Bogotá : UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS: FACULTAD
TECNOLÓGICA , 2015.

MATICH, D. 2001. Redes Neuronales: Conceptos Básicos y Aplicaciones. Rosario :

Universidad Tecnológica Nacional: Facultad Regional Rosario, 2001.

MINISTERIO DE TELECOMUNICACIONES Y DE LA SOCIEDAD DE LA

INFORMACIÓN. 2020. Gobierno Electronico. Software libre y Software Público. [En línea]
Gobierno Ecuatoriano, 18 de Marzo de 2020. [Citado el: 29 de Abril de 2022.]
https://www.gobiernoelectronico.gob.ec/software-libre-y-software-publico-2/.

MINISTERIO DE TELECOMUNICACIONES Y DE LA SOCIEDAD. 2018. Plan Nacional

de Gobierno Electrónico 2018-2022. Quito : República del Ecuador, 2018.

MORALES, J, PALMA, T & MARÍN, R. 2008. Inteligencia Artificial, Técnicas, Métodos y

Aplicaciones. España : McGRAW, 2008.

NASCIMENTO, C. 1994. Artificial Neural Networks in Control and Optimization. Manchester :

University of Manchester, Institute of Science and Technology (UMIST), Control Systems
Centre, 1994.

OSORIO, I. 2015. Control óptimo de la concentración de dióxido de carbono de una columna

de absorción empacada mediante un modelo de red neuronal artificial . Huancayo :
UNIVERSIDAD NACIONAL DEL CENTRO DEL PERÚ, 2015.

PAZ, A. 2013. Balance de Matería en unidades simples y múltiples con ayuda computacional .
México D.F. : UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO , 2013.

PETROECUADOR. 2013. El petróleo en el Ecuador la nueva era petrolera . Quito : Manthra

Comunicación integral y Producción editorial, 2013.

PINOS, R. 2008. Texto Básico de Procesos Orgánicos. Riobamba : Arce Digital, 2008.

PROGSOFT. 2020. ProgSoft.net. DWSIM . [En línea] ProgSoft.net, 24 de Enero de 2020.

[Citado el: 30 de Abril de 2022.] https://progsoft.net/es/software/dwsim.
SÁNCHEZ, R, FERNANDEZ, M & NOLASCO, S. 2015. APLICACIÓN DE REDES
NEURONALES ARTIFICIALES (RNA) EN LA PREDICCIÓN Y MODELADO DE LA CINÉTICA
DE EXTRACCIÓN DE ACEITE DE CANOLA. Buenos Aires : Universidad Nacional del Centro
de la Provincia de Buenos Aries, 2015. págs. 3-12.

SARANGO, M. 2016. Las fluctuaciones del precio del petróleo y su impacto en el crecimiento
económico del Ecuador, periodo, 2000 – 2014. 2016. pág. 7.

SERRANO, A, SORIA, E & MARTÍN, J. 2010. Redes Neuronales Artificiales . Valencia :

Universidad de Valencia , 2010.

SIEGEL, S & CASTELLAN, N. 1988. Nonparametric Statistics for the Behavioral Sciences.
New York : McGraw-Hill, 1988.

SOZEN, A, ARCAKILIOGLU, E & OZALP, M. 2004. Chemical Engineering and Processing.

Londres : Prentice Hall, 2004.

SUN, K; et al. 2016. Development of soft sensor with neural network and nonlinear variable
selection for crude distillation unit process. Slovenia : Proceedings of the 26th European
Symposium on Computer Aided Process Engineering, 2016. págs. 338-342.

TOSELLI, L; et al. 2009. Aplicación del Simulador ChemCAD™ en la Enseñanza en Carreras

de Ingeniería. Aregentina : s.n., 2009. págs. 19-24.

VALLES, H. 2006. A neural network method to predict activity coefficients for binary systems
based on molecular functional group contribution. Puerto Rico : Universidad de Puerto Rico,
2006.

YELA, S. 2009. Framework for operability assessment of production facilities: an application

to a primary unit of a crude oil refinery. Louisiana : Louisiana State University and Agricultural
and Mechanical College, 2009. Tesis de Maestría.

ZUMALACÁRREGUI, L; et al. 2018. Modelación del equilibrio líquido-vapor a presión

constante de mezclas etanol-agua utilizando redes neuronales artificiales. La Habana :
Universidad de Oriente, 2018. 2224-6185.

LEONARDO FABIO MEDINA Firmado digitalmente por LEONARDO FABIO

MEDINA NUSTE
NUSTE Fecha: 2022.02.04 11:58:33 -05'00'
ANEXOS

ANEXO A: DATOS EXPERIMENTALES

Fc L.N (Gas) L.N H.N F.O

(Kg/h) T (°C) (Kg/h) (Kg/h) (Kg/h) Q (Kg/h) G (Kg/h) (Kg/h)
200000 500 93827,4 280543 415717 292519 254531 551688
300000 475 87009,8 335385 421344 295493 267640 557640
280000 480 88373,3 324416 420228 294898 265018 556449
240000 490 91100,4 302479 417968 293709 259775 554069
260000 485 89736,9 313448 419093 294303 262397 555259
252000 487 90282,3 309060 418643 294065 261348 554783
400000 450 80192,2 390228 426971 298468 280750 563592
360000 460 82919,3 368291 424720 297278 275506 561211
380000 455 81555,8 379260 425846 297873 278128 562402
388000 453 81010,4 383647 426296 298111 279177 562878
372000 457 82101,2 374872 425395 297635 277079 561926
320000 470 85646,3 346354 422469 296088 270262 558830
340000 465 84282,8 357323 423594 296683 272884 560021
348000 463 83737,4 361711 424045 296921 273933 560497
332000 467 84828,2 352936 423144 296445 271835 559544
308000 473 86464,4 339773 421794 295731 268689 442689
292000 477 87555,2 330997 420893 295255 266591 557164
268000 483 89191,4 317835 419543 294541 263444 555735
220000 495 92463,9 291511 416842 293114 257153 552878
228000 493 91918,5 295898 417292 293352 258201 553354
212000 497 93009,3 287124 416392 292876 256104 552402
500000 400 94166,9 215867 584232 337539 319007 584786
450000 425 87179,5 303048 505601 318003 299879 574189
480000 410 91371,9 250739 552779 329725 311356 580547
494000 403 93328,4 226329 574796 335195 316711,7 583514
490000 405 92769,4 233303 568505 333632 315182 582666
486000 407 92210,4 240277 562214 332069 313652 581818
474000 413 90533,4 261200 543343 327381 309060 579275
470000 415 89974,4 268174 537052 325818 307530 578427
464000 418 89135,9 278636 527616 323474 305235 577156
208000 498 93281,9 284930 416167 292757 255580 552164
216000 496 92736,5 289318 416617,3 292994 256628 552640
224000 494 92191,1 293705 417067,5 293233 257677 553117
232000 492 91645,7 298093 417518 293471 258726 553593
248000 488 90554,9 306867 418418 293947 260824 554545
256000 486 90009,5 311254,8 418868 294184 261872 555021
264000 484 89464,1 315642 419318 294422 262921 555497
272000 482 88918,7 320029 419768 294661 263969 555973
288000 478 87827,9 328804 420669 295136 266067 556925
296000 476 87282,5 333192 421119 295375 267116 557402
304000 474 86737,1 337579 421569 295613 268165 557878
312000 472 86191,7 341967 422019 295850 269213 558354
460000 420 88576,9 285611 521326 321910 303704 576308
454000 423 87738,5 296073 511891 319566 301409 575037
406000 447 81030,6 379766 436406 300812 283045 564864
410000 445 81589,5 372792 442696 302374 284575 565711
414000 443 82148,5 365818 448987 303937 286105 566559
420000 440 82987,1 355356 458422 306281 288400 567830
426000 437 83825,5 344894 467857 308625 290695 569101
430000 435 84384,5 337920 474148 310188 292226 569950
434000 433 84943,6 330945 480439 311751 293757 570798
440000 430 85782,1 320484 489875 314096 296053 573069
446000 427 86620,5 310022 499310 316440 298349 573341
365543 370 78632,8 367562 479273 286355 270530 504276
486554 397 92613,5 231036 573736 332421 314159 576735
477591 395 91577,8 241150 566739 329008 310928 571368
468627 393 90542,2 251262 559742 325596 307696 566000
455181 390 88988,8 266432 549246 320478 302848 557949
441753 387 87435,3 281602 538750 315359 298000 549898
432772 385 86399,8 291715 531753 311947 294769 544531
423807 383 85364,2 301828 524755 308535 291537 539164
410362 380 83810,8 316997 514259 303416 286689 531112
396916 377 82257,4 332167 503763 298297 281841 523062
387953 375 81221,8 342279 496766 294886 278610 517694
378989 373 80186,2 352393 489769 291473 275378 512327
583334 360 64749,9 319500 388928 236162 223340 400471
409101 368 75856,2 357949 461204 276316 261092 483515
474439 365 71681,3 343531 434100 261259 246935 452374
517997 363 68914,7 333918 416032 251220 237497 431613
30000 340 94214,6 207183 577634 337379 318968 584826
528000 358 67696,3 308268 407798 246284 232903 418907
445000 355 72116,1 291421 436104 261466 247247 446560
389667 353 75062,5 280189 454975 271588 256810 464995
306667 350 79482,2 263342 483281 286771 271154 492648
223667 347 83901,9 246494 511587 301953 285498 520302
168334 345 86848,4 235262 530458 312075 295061 538737
113000 343 89794,9 224030 549328 322197 304624 557173
50000 320 94166,9 215867 578522 337420 318979 584907
32000 338 94209,8 208051 577723 337383 318969 584834
34000 336 94205,1 208919 577812 337387 318970 584842
36000 334 94200,2 209788 577900 337391 318971 584850
38000 332 94195,5 210656 577989 337395 318972 584858
40000 330 94190,7 211525 578078 337400 318974 584867
42000 328 94185,9 212393 578166 337404 318975 584875
44000 326 94181,2 213262 578256 337408 318976 584883
46000 324 94176,4 214130 578344 337412 318977 584891
48000 322 94171,6 214999 578433 337416 318978 584899
450000 300 78431,7 378005 461326 283441 268442 489354
70000 319 93380,1 223974 572662 334721 316452 580129
110000 317 91806,6 240187 560942 329323 311398 570574
150000 315 90233,1 256401 549223 323925 306345 561017
190000 313 88659,5 272615 537503 318527 301291 551463
230000 311 87086,1 288829 525784 313130 296237 541908
270000 309 85512,5 305042 514064 307732 291183 532353
310000 307 83939,1 321256 502344 302333 286130 522797
350000 305 82365,5 337471 490625 296936 281076 513242
390000 303 80791,9 353684 478905 291538 276023 503687
430000 301 79218,4 369898 467186 286140 270979 494132
95000 250 94059,5 235302 578734 337449 318986 584967
442900 299 78744,3 375151 463674 284521 269453 491266
428700 297 79369,4 369443 468371 286682 271475 495091
414500 295 79994,5 363735 473066 288842 273496 498915
400300 293 80619,6 358027 477763 291002 275518 502740
386100 291 81244,7 352316 482459 293162 277539 506564
371900 289 81869,8 346610 487155 295323 279562 510389
357700 287 82494,9 340902 491852 297483 281583 514213
343500 285 83120,1 335194 496548 299643 283605 518038
329300 283 83745,1 329486 501244 301804 285627 521862
315100 281 84370,3 323778 505941 303964 287649 525686
300900 279 84995,4 318069 510637 306124 289671 529512
286700 277 85620,5 312362 515333 308284 291692 533336
272500 275 86245,6 306653 520030 310445 293714 537160
258300 273 86870,7 300945 524726 312605 295736 540985
244100 271 87495,8 295237 529423 314766 297758 544809
229900 269 88120,9 289529 534119 316926 299779 548634
215700 267 88746,1 283821 538815 319086 301801 552459
201500 265 89371,2 278113 543512 321247 303823 556283
187300 263 89996,3 272405 548208 323407 305845 560108
173100 261 90621,4 266696 552904 325567 307866 563932
158900 259 91246,5 260989 557600 327728 309888 567757
144700 257 91871,6 255280 562296 329887 311909 571581
130500 255 92496,7 249572 566993 332048 313931 575406
116300 253 93121,8 243864 571690 334209 315953 579230
102100 251 93746,9 238156 576385 336369 317975 583055
100000 200 94047,8 237459 579262 337467 318991 585007
95100 249 94059,3 235345 578747 337449 318986 584968
95300 247 94058,8 235431 578766 337450 318986 584969
95500 245 94058,3 235518 578787 337451 318987 584971
95700 243 94057,9 235604 578807 337452 318987 584973
95900 241 94057,4 235690 578829 337452 318987 584974
96100 239 94056,9 235777 578850 337453 318987,1 584976
96300 237 94056,5 235863 578871 337454 318987,3 584977
96500 235 94055,9 235949 578892 337454 318988 584979
96700 233 94055,5 236035 578914 337455 318988 584980
96900 231 94055,1 236122 578935 337456 318988,1 584982
97100 229 94054,6 236207 578956 337457 318988,3 584984
97300 227 94054,1 236294 578977 337457,3 318988,3 584985
97500 225 94053,7 236381 578998 337458 318988,5 584987
97700 223 94053,1 236466 579019 337459 318988,7 584989
97900 221 94052,7 236553 579040 337459,4 318988,9 584990
98100 219 94052,3 236639 579061 337460 318989,1 584992
98300 217 94051,7 236726 579083 337461 318989,3 584993
98500 215 94051,3 236812 579104 337462 318989,5 584995
98700 213 94050,8 236898 579124 337462,3 318989,7 584996
98900 211 94050,4 236985 579146 337463 318989,9 584998
99100 209 94049,9 237071 579167 337464 318990,1 584999
99300 207 94049,4 237157 579188 337465 318990,3 585001
99500 205 94048,9 237243 579209 337465,2 318990,5 585003
99700 203 94048,5 237329 579230 337465,9 318990,7 585004
99900 201 94048,1 237415 579251 337466,6 318990,9 585006

Realizado por: ORTIZ, Edison 2022.

ANEXO B: COMPARACIÓN ENTRE DATOS EXPERIMENTALES Y REALES

H.N
# L.N Simulado Simulado
L.N (Kg/h) (Kg/h) % Error H.N (Kg/h) (Kg/h) % Error
1 0,400775766 0,40214517 0,34169 0,137165649 0,1393141 1,56632
2 0,700385151 0,71198665 1,65645 0,165977143 0,16953417 2,14308
3 0,640459996 0,63584614 0,72040 0,160211772 0,1594813 0,45594
4 0,520615149 0,51826837 0,45077 0,148691271 0,14857549 0,07787
5 0,580540304 0,57995107 0,10150 0,154451522 0,15365943 0,51284
6 0,556568057 0,55529309 0,22908 0,152147421 0,15332744 0,77558
7 1 0,96587786 3,41221 0,194788637 0,21733945 11,57707
8 0,880155153 0,88217048 0,22897 0,183263016 0,180568 1,47057
9 0,940080308 0,94272866 0,28172 0,189028387 0,19187512 1,50598
10 0,964047092 0,95073558 1,38079 0,191332487 0,20468895 6,98076
11 0,916108061 0,92641764 1,12537 0,186719166 0,18290968 2,04022
12 0,760310306 0,77567101 2,02032 0,171737394 0,17475068 1,75459
13 0,820235461 0,8179477 0,27892 0,177497645 0,18033334 1,59760
14 0,844207708 0,83829793 0,70004 0,179806865 0,18134918 0,85776
15 0,796268677 0,80206817 0,72833 0,175193544 0,17864999 1,97293
16 0,724357398 0,74097531 2,29416 0,168281244 0,16929329 0,60140
17 0,676412904 0,67732849 0,13536 0,163667923 0,17019246 3,98645
18 0,604507088 0,60337813 0,18676 0,156755622 0,15312786 2,31428
19 0,460695457 0,4584614 0,48493 0,1429259 0,1433122 0,27028
20 0,484662242 0,4826439 0,41644 0,14523 0,14444687 0,53924
21 0,436728673 0,43410338 0,60113 0,1406218 0,14186602 0,88480
22 0,047441886 0,06691865 41,05393 1 0,98593198 1,40680
23 0,523723675 0,52902466 1,01217 0,597391758 0,59761067 0,03665
24 0,237952416 0,23491002 1,27857 0,838953631 0,83378113 0,61654
25 0,10459723 0,10216613 2,32425 0,951685577 0,95445702 0,29121
26 0,142697151 0,13486474 5,48884 0,919474256 0,92446395 0,54267
27 0,180797072 0,17260357 4,53188 0,887262934 0,88991872 0,29932
28 0,295102297 0,29931839 1,42869 0,790639209 0,7776774 1,63941
29 0,333202218 0,34139216 2,45795 0,758427887 0,74249507 2,10077
30 0,390357562 0,40160518 2,88136 0,710113464 0,69447554 2,20227
31 0,42474255 0,42256503 0,51267 0,13946975 0,14095127 1,06225
32 0,448714797 0,4461822 0,56441 0,141775386 0,14267774 0,63647
33 0,472681581 0,47065752 0,42821 0,14408051 0,14383456 0,17070
34 0,496653828 0,49447119 0,43947 0,146387171 0,14538697 0,68326
35 0,544587397 0,54283267 0,32221 0,150995371 0,15217773 0,78304
36 0,568558551 0,56771098 0,14907 0,153299472 0,15379333 0,32215
37 0,592526428 0,59187891 0,10928 0,155603572 0,15325906 1,50672
38 0,616493212 0,6144017 0,33926 0,157907672 0,15387304 2,55506
39 0,664432243 0,66125068 0,47884 0,162520993 0,16786799 3,29004
40 0,688404491 0,69486192 0,93803 0,164825093 0,17043797 3,40536
41 0,712371275 0,72738094 2,10700 0,167129193 0,16887858 1,04673
42 0,736343522 0,75334821 2,30934 0,169433294 0,17076446 0,78566
43 0,428462946 0,4395845 2,59569 0,677907263 0,66541668 1,84252
44 0,485618291 0,49384875 1,69484 0,62959796 0,62454269 0,80294
45 0,942844656 0,93168816 1,18328 0,24309794 0,25274925 3,97013
46 0,904744735 0,90591737 0,12961 0,275304141 0,27612358 0,29765
47 0,866644814 0,87660593 1,14939 0,307515463 0,30110322 2,08518
48 0,80948947 0,82493599 1,90818 0,355824765 0,34439606 3,21189
49 0,752334125 0,76506117 1,69167 0,404134068 0,39579105 2,06442
50 0,714234205 0,7226212 1,17426 0,43634539 0,43306493 0,75180
51 0,676128821 0,68023143 0,60678 0,468556712 0,47054739 0,42485
52 0,61897894 0,61986898 0,14379 0,516871134 0,52325027 1,23418
53 0,561823595 0,56437173 0,45355 0,565180437 0,56958644 0,77957
54 0,876172526 0,84630932 3,40837 0,462586532 0,46398951 0,30329
55 0,130312218 0,10901643 16,34212 0,946258141 0,95408933 0,82760
56 0,185566391 0,15669399 15,55907 0,910431942 0,91997032 1,04768
57 0,240809637 0,22127022 8,11405 0,874605743 0,87979539 0,59337
58 0,323685433 0,32420706 0,16115 0,820863884 0,81780763 0,37232
59 0,406561228 0,40540551 0,28427 0,767122025 0,76176427 0,69842
60 0,461809937 0,45376541 1,74196 0,731295826 0,7285388 0,37701
61 0,517058647 0,50847313 1,66045 0,695464507 0,6965012 0,14906
62 0,599928979 0,60864978 1,45364 0,641722648 0,64329235 0,24461
63 0,682804775 0,69796802 2,22073 0,587980789 0,58454276 0,58472
64 0,738048021 0,73997954 0,26171 0,55215459 0,55138767 0,13890
65 0,793302193 0,78224408 1,39393 0,516328391 0,52230638 1,15779
66 0,613603212 0,60927351 0,70562 0 0,00608015 0,56333
67 0,823655385 0,76730802 6,84113 0,370069225 0,3982964 7,62754
68 0,744887869 0,49419752 33,65478 0,231290706 0,3815053 64,94623
69 0,692370729 0,66223395 4,35269 0,13877852 0,15427896 11,16919
70 0 -0,0011013 0,00500 0,96621677 0,96571117 0,05233
71 0,552241252 0,57949245 4,93465 0,096618605 0,0950972 1,57465
72 0,460203775 0,47074928 2,29149 0,241551632 0,24647373 2,03770
73 0,398841815 0,39379652 1,26499 0,338175357 0,33832712 0,04488
74 0,306804338 0,30355138 1,06027 0,483108385 0,48596263 0,59081
75 0,214761397 0,13035032 39,30459 0,628041412 0,66492407 5,87265
76 0,153399437 0,15433539 0,61014 0,724665137 0,72475131 0,01189
77 0,092037477 0,09328241 1,35264 0,821283742 0,82056639 0,08735
78 0,047441886 0,04413242 6,97582 0,970763528 0,96472336 0,62221
79 0,004742003 0,00571377 20,49284 0,96667247 0,9671068 0,04493
80 0,009484007 0,0105812 11,56889 0,967128169 0,96804905 0,09522
81 0,014231473 0,01477081 3,78975 0,967578749 0,9688025 0,12648
82 0,018973476 0,01905929 0,45227 0,968034449 0,96941822 0,14295
83 0,023720943 0,02374499 0,10139 0,968490149 0,96980911 0,13619
84 0,028462946 0,02873577 0,95853 0,968940728 0,96983833 0,09264
85 0,033210413 0,03368483 1,42853 0,969401548 0,96938413 0,00180
86 0,037952416 0,0381458 0,50955 0,969852128 0,96837396 0,15241
87 0,042699883 0,04171506 2,30639 0,970307828 0,96679961 0,36156
88 0,933224071 0,92547207 0,83067 0,370693893 0,36451734 1,66621
89 0,091731541 0,09174067 0,00995 0,940759022 0,94239223 0,17361
90 0,180305389 0,18088711 0,32263 0,88075001 0,8797773 0,11044
91 0,2688847 0,27675081 2,92546 0,820746119 0,82937347 1,05116
92 0,357464012 0,35657433 0,24889 0,760737107 0,76123307 0,06520
93 0,446043323 0,41202205 7,62735 0,700733216 0,65736424 6,18909
94 0,534617171 0,53479222 0,03274 0,640724204 0,63971668 0,15725
95 0,623196482 0,6724698 7,90655 0,580715193 0,57976044 0,16441
96 0,711781256 0,80416329 12,97899 0,520711301 0,51537671 1,02448
97 0,800355104 0,79115346 1,14969 0,46070229 0,46170874 0,21846
98 0,888934415 0,88902953 0,01070 0,400698398 0,39876758 0,48186
99 0,153617963 0,15937437 3,74723 0,971849015 0,95894728 1,32755
100 0,917632276 0,90827142 1,02011 0,382716176 0,37979328 0,76372
101 0,886448687 0,87310309 1,50551 0,406765862 0,40572479 0,25594
102 0,855265099 0,85090195 0,51015 0,430805309 0,42814834 0,61674
103 0,82408151 0,82697332 0,35091 0,454854995 0,45309176 0,38765
104 0,792881532 0,78661831 0,78993 0,478899562 0,47930444 0,08454
105 0,761708869 0,75365134 1,05782 0,502944128 0,5060613 0,61979
106 0,730525281 0,72918745 0,18313 0,526993815 0,52822866 0,23432
107 0,699341692 0,69436178 0,71209 0,551038381 0,55092275 0,02098
108 0,668158103 0,66509361 0,45865 0,575082948 0,57914248 0,70590
109 0,636974514 0,63595053 0,16076 0,599132634 0,59590323 0,53901
110 0,605785463 0,60645313 0,11022 0,623177201 0,61597079 1,15640
111 0,574607337 0,57411959 0,08488 0,647221767 0,64987699 0,41025
112 0,543418285 0,53732404 1,12146 0,671271454 0,67898393 1,14893
113 0,512234696 0,51115435 0,21091 0,69531602 0,69389923 0,20376
114 0,481051108 0,4837973 0,57087 0,719365707 0,71882037 0,07581
115 0,449867519 0,44507608 1,06508 0,743410273 0,74462412 0,16328
116 0,41868393 0,42208334 0,81193 0,76745484 0,75862705 1,15027
117 0,387500341 0,39281808 1,37232 0,791504526 0,7903437 0,14666
118 0,356316753 0,3516758 1,30248 0,815549093 0,81736321 0,22244
119 0,325127701 0,32207276 0,93961 0,839593659 0,82733326 1,46028
120 0,293949575 0,29638894 0,82986 0,863638226 0,85147595 1,40826
121 0,262760523 0,26313414 0,14219 0,887682792 0,88776003 0,00870
122 0,231576935 0,2243961 3,10084 0,911732479 0,92687994 1,66139
123 0,200393346 0,19045541 4,95921 0,935782165 0,95673064 2,23861
124 0,169209757 0,16733314 1,10905 0,959821611 0,96458624 0,49641
125 0,16540195 0,16265981 1,65787 0,974552493 0,97325257 0,13339
126 0,153852878 0,15762792 2,45367 0,971915578 0,96314468 0,90243
127 0,154322708 0,15510627 0,50774 0,972012862 0,96940577 0,26822
128 0,154798 0,1538089 0,63896 0,972120387 0,97319621 0,11067
129 0,15526783 0,15352441 1,12285 0,972222791 0,97501845 0,28755
130 0,15573766 0,15396746 1,13666 0,972335436 0,97540709 0,31590
131 0,156212953 0,15484892 0,87319 0,972442961 0,97489175 0,25182
132 0,156682783 0,15592494 0,48368 0,972550485 0,97395389 0,14430
133 0,157152613 0,15702055 0,08404 0,97265801 0,97298532 0,03365
134 0,157622443 0,15803131 0,25940 0,972770655 0,9722584 0,05266
135 0,158097736 0,1589098 0,51365 0,97287818 0,97191429 0,09908
136 0,158562102 0,15964456 0,68267 0,972985704 0,97197056 0,10433
137 0,159037395 0,1602381 0,75498 0,973093229 0,97234477 0,07692
138 0,159512688 0,16068961 0,73783 0,973200754 0,9728896 0,03197
139 0,159977055 0,1609877 0,63174 0,973308278 0,97343447 0,01297
140 0,160452348 0,16111766 0,41465 0,973415803 0,97382934 0,04248
141 0,160922178 0,16108573 0,10163 0,973523328 0,97398571 0,04750
142 0,161397471 0,1609556 0,27378 0,973635973 0,97390729 0,02787
143 0,1618673 0,16087982 0,61005 0,973743497 0,97369924 0,00455
144 0,16233713 0,16109384 0,76587 0,973845902 0,97354238 0,03117
145 0,162812423 0,16183864 0,59810 0,973958547 0,97362493 0,03425
146 0,163282253 0,16320889 0,04493 0,974066071 0,97404364 0,00230
147 0,163752083 0,16498261 0,75146 0,974173596 0,97471281 0,05535
148 0,164221913 0,16653015 1,40556 0,974281121 0,97532803 0,10745
149 0,164691742 0,16687249 1,32414 0,974388645 0,97540494 0,10430
150 0,165161572 0,16487399 0,17412 0,97449617 0,97436866 0,01308
Error Promedio (%) 0,272686278 Error Promedio (%) 0,70860

Realizado por: ORTIZ, Edison 2022.

Q G
# Simulado Simulado
Q (Kg/h) (Kg/h) % Error G (Kg/h) (Kg/h) % Error
1 0,55591505 0,55642247 0,09128 0,326037192 0,33001551 1,22020
2 0,585251092 0,57998822 0,89925 0,463064589 0,45662003 1,39172
3 0,579381911 0,57318682 1,06926 0,435657019 0,44421308 1,96394
4 0,567653413 0,56578371 0,32937 0,380852332 0,38759686 1,77090
5 0,57351273 0,57198675 0,26608 0,408259902 0,41025755 0,48931
6 0,571165057 0,5700387 0,19720 0,397294783 0,40063425 0,84055
7 0,614596999 0,61152109 0,50048 0,600102439 0,59217483 1,32104
8 0,602858637 0,60402061 0,19274 0,545287299 0,54313242 0,39518
9 0,608727818 0,60076117 1,30874 0,572694869 0,57497133 0,39750
10 0,61107549 0,60282991 1,34936 0,583659987 0,5843897 0,12502
11 0,606380145 0,60265129 0,61494 0,56172975 0,56375342 0,36026
12 0,591120274 0,58919061 0,32644 0,490472159 0,49307752 0,53119
13 0,596989455 0,59438074 0,43698 0,517879729 0,51171589 1,19021
14 0,599337128 0,59858707 0,12515 0,528844847 0,52218414 1,25948
15 0,594641783 0,59183576 0,47189 0,50691461 0,50438417 0,49918
16 0,587598765 0,58223628 0,91261 0,474029707 0,47090707 0,65874
17 0,58290342 0,57952173 0,58015 0,45209947 0,45256749 0,10352
18 0,575860402 0,57154835 0,74880 0,419204114 0,42267625 0,82827
19 0,561784231 0,5610333 0,13367 0,353444762 0,35339753 0,01336
20 0,564131904 0,56366579 0,08263 0,364399427 0,36861836 1,15778
21 0,559436559 0,55766847 0,31605 0,342479643 0,34070915 0,51696
22 1 0,97985165 2,01483 1 0,9856583 1,43417
23 0,807293568 0,80182897 0,67690 0,800056446 0,79230013 0,96947
24 0,922921373 0,91457081 0,90480 0,920024669 0,92113663 0,12086
25 0,976878385 0,97197235 0,50222 0,976007401 0,97751909 0,15488
26 0,961460686 0,9586287 0,29455 0,960017561 0,96549064 0,57010
27 0,946042988 0,94189005 0,43898 0,944024585 0,9496611 0,59707
28 0,899799757 0,88814486 1,29528 0,896024753 0,89026282 0,64306
29 0,884382059 0,87188779 1,41277 0,880031777 0,87014105 1,12391
30 0,861260444 0,84955225 1,35942 0,856042313 0,84251794 1,57987
31 0,558262722 0,5565251 0,31125 0,33700231 0,3361051 0,26623
32 0,560600531 0,55928897 0,23396 0,347956976 0,34652061 0,41280
33 0,562958067 0,56255685 0,07127 0,358922094 0,36094974 0,56493
34 0,56530574 0,56439962 0,16029 0,369887213 0,37583495 1,60799
35 0,570001085 0,56845119 0,27191 0,39181745 0,39642536 1,17603
36 0,572338893 0,57132248 0,17759 0,402772116 0,40516727 0,59467
37 0,574686566 0,57196901 0,47288 0,413737234 0,41606985 0,56379
38 0,577044103 0,57126795 1,00099 0,4246919 0,42994925 1,23792
39 0,581729584 0,57792434 0,65413 0,446622137 0,45183463 1,16709
40 0,58408712 0,57999384 0,70080 0,457587256 0,45344632 0,90495
41 0,586434793 0,580553 1,00297 0,468552374 0,46276728 1,23467
42 0,588772601 0,58473328 0,68606 0,47950704 0,47942539 0,01703
43 0,845832881 0,83568191 1,20012 0,840038885 0,82630151 1,63533
44 0,822711266 0,81550391 0,87605 0,816049421 0,80506805 1,34567
45 0,637718615 0,63681242 0,14210 0,624091902 0,61839442 0,91292
46 0,653126449 0,65175951 0,20929 0,640084878 0,63486118 0,81609
47 0,668544147 0,6656315 0,43567 0,656077853 0,6509872 0,77592
48 0,691665762 0,68583008 0,84371 0,680067317 0,67552443 0,66800
49 0,714787378 0,70723401 1,05673 0,70405678 0,70128683 0,39343
50 0,730205076 0,72279149 1,01527 0,720060209 0,71889305 0,16209
51 0,745622774 0,73921278 0,85968 0,736063637 0,73610123 0,00511
52 0,768754254 0,76411082 0,60402 0,760063554 0,75958496 0,06297
53 0,791875869 0,78746554 0,55695 0,78406347 0,77977934 0,54640
54 0,495112304 0,48411744 2,22068 0,493273543 0,50499183 2,37562
55 0,949515176 0,96074791 1,18300 0,949324218 0,94600579 0,34956
56 0,915848763 0,92812172 1,34006 0,915550817 0,91007301 0,59831
57 0,882192213 0,88707886 0,55392 0,881766962 0,87277261 1,02004
58 0,831707389 0,82549728 0,74667 0,831091181 0,82177225 1,12129
59 0,781212701 0,77399709 0,92364 0,780415399 0,77811877 0,29428
60 0,747556152 0,74262435 0,65972 0,746641998 0,74953117 0,38696
61 0,713899602 0,70871643 0,72604 0,712858143 0,71784299 0,69928
62 0,663404914 0,64729329 2,42863 0,662182362 0,66342459 0,18760
63 0,612910226 0,58717749 4,19845 0,61150658 0,61582419 0,70606
64 0,579263541 0,55841731 3,59875 0,577733179 0,58987001 2,10077
65 0,545597128 0,53338301 2,23867 0,543949324 0,55854576 2,68342
66 0 0,00261459 0,05765 0 -0,0020849 0,04578
67 0,396085897 0,40155467 1,38070 0,394618834 0,39248179 0,54155
68 0,247561084 0,39390625 59,11477 0,246636771 0,44216843 79,27920
69 0,148534677 0,14179658 4,53638 0,147982063 0,15506807 4,78842
70 0,998421733 0,99969498 0,12753 0,999592336 0,99663931 0,29542
71 0,099845133 0,10192473 2,08282 0,099961324 0,10138665 1,42587
72 0,249602967 0,24109593 3,40823 0,249898084 0,25822869 3,33360
73 0,3494481 0,34320156 1,78754 0,349859408 0,36817926 5,23635
74 0,499215798 0,49310818 1,22344 0,499796168 0,50521369 1,08395
75 0,648973633 0,58931017 9,19351 0,649732928 0,59872962 7,84989
76 0,748818766 0,74710526 0,22883 0,749694252 0,75054788 0,11386
77 0,848663898 0,84663306 0,23930 0,849655576 0,84996367 0,03626
78 0,998826164 1,00650283 0,76857 0,999707318 1,0039466 0,42405
79 0,998461189 0,99880598 0,03453 0,999602789 0,99881518 0,07879
80 0,998500646 0,99891786 0,04178 0,999613242 1,00063688 0,10240
81 0,998540103 0,99900604 0,04666 0,999623695 1,00160519 0,19822
82 0,998579559 0,99852568 0,00540 0,999634148 1,00154002 0,19066
83 0,99862888 0,99748264 0,11478 0,999655053 1,00062867 0,09740
84 0,998668337 0,99636184 0,23096 0,999665506 0,99937632 0,02893
85 0,998707794 0,99594728 0,27641 0,999675959 0,99847356 0,12028
86 0,99874725 0,99708906 0,16603 0,999686412 0,99861959 0,10672
87 0,998786707 1,00048058 0,16959 0,999696865 1,00035399 0,06573
88 0,466368111 0,45520844 2,39289 0,471447835 0,4833639 2,52755
89 0,972202768 0,97167933 0,05384 0,973292776 0,97274803 0,05597
90 0,918955976 0,92143378 0,26963 0,920463692 0,92107625 0,06655
91 0,865709185 0,8699392 0,48862 0,86764506 0,88197579 1,65168
92 0,812462393 0,81208855 0,04601 0,814815976 0,8146108 0,02518
93 0,759225465 0,72497822 4,51081 0,761986892 0,78136482 2,54308
94 0,705978674 0,70733471 0,19208 0,709157808 0,70794044 0,17166
95 0,652722018 0,62959335 3,54342 0,656339177 0,60358332 8,03790
96 0,59948509 0,57398719 4,25330 0,603510092 0,48407161 19,79064
97 0,546238299 0,5470872 0,15541 0,550691461 0,54979189 0,16335
98 0,492991507 0,48840723 0,92989 0,497966906 0,49954978 0,31787
99 0,999112225 0,99410262 0,50141 0,999780489 0,99832832 0,14525
100 0,477021415 0,47535636 0,34905 0,482015742 0,490503 1,76078
101 0,498337887 0,50064912 0,46379 0,503151557 0,50777832 0,91956
102 0,519644495 0,51639637 0,62507 0,524276919 0,52361194 0,12684
103 0,540951103 0,53373585 1,33381 0,545412734 0,54324328 0,39776
104 0,562257711 0,556948 0,94436 0,566538096 0,57821336 2,06081
105 0,583574183 0,58178123 0,30724 0,587684363 0,60919894 3,66091
106 0,604880792 0,6035352 0,22246 0,608809725 0,61116006 0,38605
107 0,6261874 0,62338061 0,44823 0,62994554 0,62897424 0,15419
108 0,647503872 0,64825014 0,11525 0,651081355 0,65466254 0,55004
109 0,66881048 0,66837321 0,06538 0,67221717 0,67028819 0,28696
110 0,690117088 0,68464214 0,79334 0,693352985 0,6895788 0,54434
111 0,711423696 0,70872639 0,37914 0,714478347 0,71636345 0,26384
112 0,732740168 0,73650417 0,51369 0,735614162 0,73993778 0,58776
113 0,754046776 0,75393875 0,01433 0,756749976 0,75755011 0,10573
114 0,775363248 0,77424969 0,14362 0,777885791 0,77894934 0,13672
115 0,796669856 0,79739014 0,09041 0,799011153 0,79774533 0,15842
116 0,817976464 0,81319741 0,58425 0,820146968 0,8171465 0,36585
117 0,839292936 0,8356325 0,43613 0,841282783 0,84511902 0,45600
118 0,860599544 0,8611217 0,06067 0,862418598 0,8612594 0,13441
119 0,881906152 0,89258905 1,21134 0,88354396 0,87820888 0,60383
120 0,903222624 0,91346056 1,13349 0,904679775 0,90138782 0,36388
121 0,924519368 0,92474226 0,02411 0,925805137 0,92491958 0,09565
122 0,94583584 0,9455255 0,03281 0,946940951 0,94909093 0,22705
123 0,967152313 0,97201496 0,50278 0,968076766 0,9713881 0,34205
124 0,988458921 0,98986561 0,14231 0,989212581 0,99005184 0,08484
125 0,99928978 1,00059871 0,13099 0,999832753 1,0026408 0,28085
126 0,999112225 0,99561761 0,34977 0,999780489 0,99923905 0,05416
127 0,999122089 0,99808793 0,10351 0,999780489 1,0004077 0,06273
128 0,999131953 0,99967128 0,05398 0,999790941 1,00086668 0,10760
129 0,999141817 1,00037769 0,12369 0,999790941 1,00083949 0,10488
130 0,999141817 1,00037255 0,12318 0,999790941 1,00053475 0,07440
131 0,999151681 0,9999104 0,07594 0,999791987 1,00011936 0,03274
132 0,999161546 0,99926649 0,01050 0,999794077 0,99971297 0,00811
133 0,999161546 0,99867806 0,04839 0,999801394 0,99939263 0,04088
134 0,99917141 0,99830524 0,08669 0,999801394 0,99920015 0,06014
135 0,999181274 0,9982156 0,09665 0,99980244 0,99914928 0,06533
136 0,999191138 0,99839105 0,08007 0,99980453 0,99923234 0,05723
137 0,999194097 0,99875139 0,04431 0,99980453 0,99942628 0,03783
138 0,999201002 0,9991871 0,00139 0,999806621 0,99969774 0,01089
139 0,999210866 0,99959296 0,03824 0,999808711 1,00000562 0,01969
140 0,999214812 0,99989376 0,06795 0,999810802 1,00030045 0,04897
141 0,999220731 1,0000546 0,08345 0,999812893 1,00052089 0,07081
142 0,999230595 1,00007167 0,08417 0,999814983 1,00059204 0,07772
143 0,999240459 0,99994855 0,07086 0,999817074 1,00043424 0,06173
144 0,999243418 0,9996749 0,04318 0,999819164 0,99999211 0,01730
145 0,999250323 0,99923252 0,00178 0,999821255 0,99928474 0,05366
146 0,999260187 0,99864209 0,06186 0,999823346 0,9984581 0,13655
147 0,999270051 0,99803157 0,12394 0,999825436 0,9978048 0,20220
148 0,999272024 0,99767799 0,15952 0,999827527 0,99772575 0,21021
149 0,999278929 0,99798171 0,12982 0,999829617 0,99864441 0,11854
150 0,999285834 0,99937614 0,00904 0,999831708 1,00091741 0,10859
Error Promedio (%) 0,15409 Error Promedio (%) 0,50068
ANEXO C: DATOS DE LOS ANÁLISIS ESTADÍSTICOS

GRUPO RANGO GRUPO RANGO GRUPO RANGO GRUPO RANGO

LNS 0,0033 LN 0 H.N 0 HNS 0,0033
LNS 0,01 LN 0,0066 H.N 0,01 HNS 0,0066
LNS 0,0167 LN 0,0133 H.N 0,0133 HNS 0,02
LNS 0,0234 LN 0,02 H.N 0,0167 HNS 0,0301
LNS 0,0301 LN 0,0267 H.N 0,0234 HNS 0,0367
LNS 0,0367 LN 0,0334 H.N 0,0267 HNS 0,0401
LNS 0,0434 LN 0,0401 H.N 0,0334 HNS 0,0468
LNS 0,0501 LN 0,0468 H.N 0,0434 HNS 0,0501
LNS 0,0568 LN 0,0535 H.N 0,0535 HNS 0,0568
LNS 0,0602 LN 0,0635 H.N 0,0602 HNS 0,0635
LNS 0,0668 LN 0,0702 H.N 0,0668 HNS 0,0702
LNS 0,0769 LN 0,0702 H.N 0,0735 HNS 0,0836
LNS 0,0836 LN 0,0802 H.N 0,0769 HNS 0,0869
LNS 0,0903 LN 0,0869 H.N 0,0802 HNS 0,0903
LNS 0,0936 LN 0,0969 H.N 0,0936 HNS 0,0969
LNS 0,1003 LN 0,1036 H.N 0,1137 HNS 0,1003
LNS 0,107 LN 0,1137 H.N 0,117 HNS 0,1036
LNS 0,1103 LN 0,117 H.N 0,1204 HNS 0,107
LNS 0,1204 LN 0,1237 H.N 0,1237 HNS 0,1103
LNS 0,127 LN 0,1304 H.N 0,1304 HNS 0,127
LNS 0,1337 LN 0,1371 H.N 0,1337 HNS 0,1505
LNS 0,1404 LN 0,1438 H.N 0,1371 HNS 0,1571
LNS 0,1471 LN 0,1538 H.N 0,1404 HNS 0,1605
LNS 0,1505 LN 0,1571 H.N 0,1438 HNS 0,1672
LNS 0,1605 LN 0,1638 H.N 0,1471 HNS 0,1705
LNS 0,1705 LN 0,1672 H.N 0,1538 HNS 0,1739
LNS 0,1739 LN 0,1772 H.N 0,1638 HNS 0,1772
LNS 0,1839 LN 0,1806 H.N 0,1806 HNS 0,1839
LNS 0,1872 LN 0,1906 H.N 0,1872 HNS 0,1939
LNS 0,1973 LN 0,1939 H.N 0,1906 HNS 0,2006
LNS 0,204 LN 0,2006 H.N 0,1973 HNS 0,204
LNS 0,2107 LN 0,2073 H.N 0,214 HNS 0,2073
LNS 0,2173 LN 0,214 H.N 0,2173 HNS 0,2107
LNS 0,224 LN 0,2207 H.N 0,2207 HNS 0,2274
LNS 0,2274 LN 0,2307 H.N 0,224 HNS 0,2341
LNS 0,2341 LN 0,2508 H.N 0,2307 HNS 0,2374
LNS 0,2374 LN 0,2575 H.N 0,2408 HNS 0,2508
LNS 0,2408 LN 0,2608 H.N 0,2441 HNS 0,2541
LNS 0,2441 LN 0,2675 H.N 0,2474 HNS 0,2608
LNS 0,2474 LN 0,2742 H.N 0,2575 HNS 0,2642
LNS 0,2541 LN 0,2775 H.N 0,2675 HNS 0,2742
LNS 0,2642 LN 0,2809 H.N 0,2709 HNS 0,2775
LNS 0,2709 LN 0,2842 H.N 0,2809 HNS 0,2842
LNS 0,2876 LN 0,2943 H.N 0,2876 HNS 0,2943
LNS 0,2909 LN 0,2976 H.N 0,2909 HNS 0,2976
LNS 0,301 LN 0,311 H.N 0,301 HNS 0,3043
LNS 0,3043 LN 0,3177 H.N 0,3143 HNS 0,3076
LNS 0,3076 LN 0,321 H.N 0,3177 HNS 0,311
LNS 0,3143 LN 0,3277 H.N 0,3244 HNS 0,321
LNS 0,3244 LN 0,3344 H.N 0,3311 HNS 0,3277
LNS 0,3311 LN 0,3377 H.N 0,3377 HNS 0,3344
LNS 0,3411 LN 0,3478 H.N 0,3444 HNS 0,3411
LNS 0,3444 LN 0,3545 H.N 0,3478 HNS 0,3511
LNS 0,3511 LN 0,3578 H.N 0,3545 HNS 0,3578
LNS 0,3645 LN 0,3612 H.N 0,3612 HNS 0,3645
LNS 0,3712 LN 0,3678 H.N 0,3678 HNS 0,3712
LNS 0,3812 LN 0,3745 H.N 0,3745 HNS 0,3779
LNS 0,3846 LN 0,3779 H.N 0,3812 HNS 0,3846
LNS 0,3879 LN 0,3913 H.N 0,3913 HNS 0,3879
LNS 0,3946 LN 0,3979 H.N 0,3946 HNS 0,4013
LNS 0,4013 LN 0,4046 H.N 0,3979 HNS 0,4046
LNS 0,4113 LN 0,408 H.N 0,408 HNS 0,4113
LNS 0,4147 LN 0,418 H.N 0,418 HNS 0,4147
LNS 0,4214 LN 0,4247 H.N 0,4247 HNS 0,4214
LNS 0,4347 LN 0,428 H.N 0,428 HNS 0,4314
LNS 0,4381 LN 0,4314 H.N 0,4347 HNS 0,4381
LNS 0,4481 LN 0,4414 H.N 0,4448 HNS 0,4414
LNS 0,4515 LN 0,4448 H.N 0,4515 HNS 0,4481
LNS 0,4548 LN 0,4581 H.N 0,4581 HNS 0,4548
LNS 0,4615 LN 0,4648 H.N 0,4648 HNS 0,4615
LNS 0,4682 LN 0,4749 H.N 0,4715 HNS 0,4682
LNS 0,4715 LN 0,4782 H.N 0,4782 HNS 0,4749
LNS 0,4816 LN 0,4849 H.N 0,4816 HNS 0,4849
LNS 0,4882 LN 0,4949 H.N 0,4882 HNS 0,4949
LNS 0,4916 LN 0,5016 H.N 0,4916 HNS 0,5016
LNS 0,4983 LN 0,505 H.N 0,4983 HNS 0,505
LNS 0,5083 LN 0,515 H.N 0,515 HNS 0,5083
LNS 0,5117 LN 0,5183 H.N 0,5183 HNS 0,5117
LNS 0,525 LN 0,5217 H.N 0,5317 HNS 0,5217
LNS 0,5284 LN 0,5317 H.N 0,5351 HNS 0,525
LNS 0,5384 LN 0,5351 H.N 0,5418 HNS 0,5284
LNS 0,5418 LN 0,5451 H.N 0,5451 HNS 0,5384
LNS 0,5518 LN 0,5484 H.N 0,5518 HNS 0,5484
LNS 0,5551 LN 0,5618 H.N 0,5551 HNS 0,5585
LNS 0,5585 LN 0,5719 H.N 0,5652 HNS 0,5618
LNS 0,5652 LN 0,5752 H.N 0,5719 HNS 0,5685
LNS 0,5685 LN 0,5819 H.N 0,5785 HNS 0,5752
LNS 0,5785 LN 0,5852 H.N 0,5852 HNS 0,5819
LNS 0,5886 LN 0,5919 H.N 0,5953 HNS 0,5886
LNS 0,5953 LN 0,6053 H.N 0,5986 HNS 0,5919
LNS 0,5986 LN 0,6086 H.N 0,6086 HNS 0,602
LNS 0,602 LN 0,612 H.N 0,612 HNS 0,6053
LNS 0,6153 LN 0,6187 H.N 0,6153 HNS 0,6187
LNS 0,6254 LN 0,622 H.N 0,6287 HNS 0,622
LNS 0,6287 LN 0,6321 H.N 0,6321 HNS 0,6254
LNS 0,6354 LN 0,6387 H.N 0,6354 HNS 0,6387
LNS 0,6421 LN 0,6488 H.N 0,6488 HNS 0,6421
LNS 0,6454 LN 0,6555 H.N 0,6521 HNS 0,6454
LNS 0,6521 LN 0,6588 H.N 0,6588 HNS 0,6555
LNS 0,6622 LN 0,6655 H.N 0,6622 HNS 0,6655
LNS 0,6722 LN 0,6688 H.N 0,6722 HNS 0,6688
LNS 0,6755 LN 0,6822 H.N 0,6755 HNS 0,6822
LNS 0,6789 LN 0,6889 H.N 0,6789 HNS 0,6856
LNS 0,6856 LN 0,6923 H.N 0,6889 HNS 0,6989
LNS 0,6956 LN 0,6989 H.N 0,6923 HNS 0,7023
LNS 0,7023 LN 0,709 H.N 0,6956 HNS 0,7056
LNS 0,7056 LN 0,7123 H.N 0,709 HNS 0,7157
LNS 0,7157 LN 0,7224 H.N 0,7123 HNS 0,7257
LNS 0,719 LN 0,729 H.N 0,719 HNS 0,729
LNS 0,7257 LN 0,7357 H.N 0,7224 HNS 0,7324
LNS 0,7324 LN 0,7391 H.N 0,7391 HNS 0,7357
LNS 0,7424 LN 0,7491 H.N 0,7558 HNS 0,7424
LNS 0,7458 LN 0,7525 H.N 0,7591 HNS 0,7458
LNS 0,7591 LN 0,7558 H.N 0,7692 HNS 0,7491
LNS 0,7625 LN 0,7692 H.N 0,7725 HNS 0,7525
LNS 0,7658 LN 0,7725 H.N 0,7759 HNS 0,7625
LNS 0,7792 LN 0,7759 H.N 0,7859 HNS 0,7658
LNS 0,7892 LN 0,7826 H.N 0,7926 HNS 0,7792
LNS 0,7959 LN 0,7859 H.N 0,7993 HNS 0,7826
LNS 0,7993 LN 0,7926 H.N 0,816 HNS 0,7892
LNS 0,8127 LN 0,8026 H.N 0,8193 HNS 0,7959
LNS 0,816 LN 0,806 H.N 0,8227 HNS 0,8026
LNS 0,826 LN 0,8093 H.N 0,826 HNS 0,806
LNS 0,8294 LN 0,8193 H.N 0,8327 HNS 0,8093
LNS 0,8394 LN 0,8227 H.N 0,8394 HNS 0,8127
LNS 0,8428 LN 0,8327 H.N 0,8428 HNS 0,8294
LNS 0,8461 LN 0,8361 H.N 0,8461 HNS 0,8361
LNS 0,8494 LN 0,8595 H.N 0,8528 HNS 0,8494
LNS 0,8528 LN 0,8628 H.N 0,8595 HNS 0,8561
LNS 0,8561 LN 0,8662 H.N 0,8628 HNS 0,8762
LNS 0,8729 LN 0,8695 H.N 0,8662 HNS 0,8795
LNS 0,8762 LN 0,8795 H.N 0,8695 HNS 0,8896
LNS 0,8829 LN 0,8862 H.N 0,8729 HNS 0,8963
LNS 0,8963 LN 0,8896 H.N 0,8829 HNS 0,9063
LNS 0,8996 LN 0,8929 H.N 0,8862 HNS 0,913
LNS 0,903 LN 0,9063 H.N 0,8929 HNS 0,9163
LNS 0,9096 LN 0,9163 H.N 0,8996 HNS 0,923
LNS 0,913 LN 0,9197 H.N 0,903 HNS 0,9297
LNS 0,923 LN 0,9264 H.N 0,9096 HNS 0,9364
LNS 0,9297 LN 0,9331 H.N 0,9197 HNS 0,9397
LNS 0,9364 LN 0,9397 H.N 0,9264 HNS 0,9464
LNS 0,9464 LN 0,9431 H.N 0,9331 HNS 0,9498
LNS 0,9531 LN 0,9498 H.N 0,9431 HNS 0,9632
LNS 0,9565 LN 0,9598 H.N 0,9531 HNS 0,9765
LNS 0,9665 LN 0,9632 H.N 0,9565 HNS 0,9799
LNS 0,9698 LN 0,9765 H.N 0,9598 HNS 0,9832
LNS 0,9732 LN 0,9799 H.N 0,9665 HNS 0,9866
LNS 0,9832 LN 0,9866 H.N 0,9698 HNS 0,9899
LNS 0,9899 LN 0,9933 H.N 0,9732 HNS 0,9933
LNS 0,9966 LN 1 H.N 1 HNS 0,9966
SUMA 74,7654 SUMA 75,2164 SUMA 74,7921 SUMA 75,193

Realizado por: ORTIZ, Edison 2022.

GRUPO RANGO GRUPO RANGO GRUPO RANGO GRUPO RANGO

Q 0 QS 0,0033 G 0 G.S 0,0033
Q 0,0066 QS 0,01 G 0,0066 G.S 0,01
Q 0,0167 QS 0,0133 G 0,0133 G.S 0,0167
Q 0,0234 QS 0,02 G 0,02 G.S 0,0267
Q 0,0267 QS 0,0301 G 0,0234 G.S 0,0334
Q 0,0334 QS 0,0367 G 0,0301 G.S 0,0367
Q 0,0401 QS 0,0434 G 0,0401 G.S 0,0434
Q 0,0501 QS 0,0468 G 0,0468 G.S 0,0501
Q 0,0568 QS 0,0535 G 0,0535 G.S 0,0602
Q 0,0668 QS 0,0602 G 0,0568 G.S 0,0702
Q 0,0735 QS 0,0635 G 0,0635 G.S 0,0769
Q 0,0769 QS 0,0702 G 0,0668 G.S 0,0802
Q 0,0802 QS 0,0836 G 0,0735 G.S 0,0869
Q 0,0903 QS 0,0869 G 0,0836 G.S 0,0936
Q 0,1003 QS 0,0936 G 0,0903 G.S 0,1003
Q 0,1036 QS 0,0969 G 0,0969 G.S 0,107
Q 0,107 QS 0,1103 G 0,1036 G.S 0,1137
Q 0,1137 QS 0,117 G 0,1103 G.S 0,1204
Q 0,1304 QS 0,1204 G 0,117 G.S 0,127
Q 0,1404 QS 0,1237 G 0,1237 G.S 0,1337
Q 0,1438 QS 0,127 G 0,1304 G.S 0,1404
Q 0,1505 QS 0,1337 G 0,1371 G.S 0,1471
Q 0,1538 QS 0,1371 G 0,1438 G.S 0,1538
Q 0,1605 QS 0,1471 G 0,1505 G.S 0,1571
Q 0,1672 QS 0,1571 G 0,1605 G.S 0,1638
Q 0,1739 QS 0,1638 G 0,1672 G.S 0,1705
Q 0,1806 QS 0,1705 G 0,1806 G.S 0,1739
Q 0,1872 QS 0,1772 G 0,1872 G.S 0,1772
Q 0,1939 QS 0,1839 G 0,1906 G.S 0,1839
Q 0,214 QS 0,1906 G 0,1973 G.S 0,1939
Q 0,2207 QS 0,1973 G 0,2006 G.S 0,204
Q 0,2274 QS 0,2006 G 0,2073 G.S 0,214
Q 0,2307 QS 0,204 G 0,2107 G.S 0,2173
Q 0,2341 QS 0,2073 G 0,2207 G.S 0,224
Q 0,2408 QS 0,2107 G 0,2307 G.S 0,2274
Q 0,2441 QS 0,2173 G 0,2341 G.S 0,2374
Q 0,2608 QS 0,224 G 0,2408 G.S 0,2474
Q 0,2709 QS 0,2374 G 0,2441 G.S 0,2508
Q 0,2742 QS 0,2474 G 0,2575 G.S 0,2541
Q 0,2775 QS 0,2508 G 0,2675 G.S 0,2608
Q 0,2842 QS 0,2541 G 0,2775 G.S 0,2642
Q 0,2876 QS 0,2575 G 0,2809 G.S 0,2709
Q 0,2943 QS 0,2642 G 0,2909 G.S 0,2742
Q 0,2976 QS 0,2675 G 0,2943 G.S 0,2842
Q 0,3076 QS 0,2809 G 0,2976 G.S 0,2876
Q 0,3177 QS 0,2909 G 0,3043 G.S 0,301
Q 0,321 QS 0,301 G 0,311 G.S 0,3076
Q 0,3277 QS 0,3043 G 0,3177 G.S 0,3143
Q 0,3311 QS 0,311 G 0,321 G.S 0,3244
Q 0,3444 QS 0,3143 G 0,3277 G.S 0,3311
Q 0,3545 QS 0,3244 G 0,3344 G.S 0,3377
Q 0,3578 QS 0,3344 G 0,3411 G.S 0,3444
Q 0,3612 QS 0,3377 G 0,3545 G.S 0,3478
Q 0,3645 QS 0,3411 G 0,3578 G.S 0,3511
Q 0,3712 QS 0,3478 G 0,3645 G.S 0,3612
Q 0,3745 QS 0,3511 G 0,3745 G.S 0,3678
Q 0,3812 QS 0,3678 G 0,3846 G.S 0,3712
Q 0,3913 QS 0,3779 G 0,3913 G.S 0,3779
Q 0,3979 QS 0,3846 G 0,3979 G.S 0,3812
Q 0,4046 QS 0,3879 G 0,4013 G.S 0,3879
Q 0,4113 QS 0,3946 G 0,408 G.S 0,3946
Q 0,4147 QS 0,4013 G 0,4147 G.S 0,4046
Q 0,418 QS 0,408 G 0,418 G.S 0,4113
Q 0,428 QS 0,4214 G 0,4214 G.S 0,4247
Q 0,4314 QS 0,4247 G 0,4314 G.S 0,428
Q 0,4414 QS 0,4347 G 0,4381 G.S 0,4347
Q 0,4448 QS 0,4381 G 0,4448 G.S 0,4414
Q 0,4481 QS 0,4515 G 0,4515 G.S 0,4481
Q 0,4648 QS 0,4548 G 0,4581 G.S 0,4548
Q 0,4682 QS 0,4581 G 0,4615 G.S 0,4682
Q 0,4715 QS 0,4615 G 0,4648 G.S 0,4715
Q 0,4816 QS 0,4749 G 0,4782 G.S 0,4749
Q 0,4849 QS 0,4782 G 0,4816 G.S 0,4882
Q 0,4983 QS 0,4882 G 0,4849 G.S 0,4916
Q 0,505 QS 0,4916 G 0,4949 G.S 0,4983
Q 0,5083 QS 0,4949 G 0,5016 G.S 0,505
Q 0,515 QS 0,5016 G 0,5083 G.S 0,5117
Q 0,5183 QS 0,5117 G 0,5183 G.S 0,515
Q 0,525 QS 0,5217 G 0,5217 G.S 0,5284
Q 0,5351 QS 0,5284 G 0,525 G.S 0,5317
Q 0,5384 QS 0,5317 G 0,5384 G.S 0,5351
Q 0,5451 QS 0,5418 G 0,5451 G.S 0,5418
Q 0,5484 QS 0,5518 G 0,5551 G.S 0,5484
Q 0,5585 QS 0,5551 G 0,5585 G.S 0,5518
Q 0,5652 QS 0,5618 G 0,5685 G.S 0,5618
Q 0,5752 QS 0,5685 G 0,5719 G.S 0,5652
Q 0,5785 QS 0,5719 G 0,5785 G.S 0,5752
Q 0,5852 QS 0,5819 G 0,5886 G.S 0,5819
Q 0,5953 QS 0,5886 G 0,5919 G.S 0,5852
Q 0,5986 QS 0,5919 G 0,5953 G.S 0,5986
Q 0,6053 QS 0,602 G 0,6053 G.S 0,602
Q 0,612 QS 0,6086 G 0,612 G.S 0,6086
Q 0,6187 QS 0,6153 G 0,6187 G.S 0,6153
Q 0,622 QS 0,6254 G 0,622 G.S 0,6254
Q 0,6321 QS 0,6287 G 0,6354 G.S 0,6287
Q 0,6354 QS 0,6421 G 0,6387 G.S 0,6321
Q 0,6387 QS 0,6454 G 0,6454 G.S 0,6421
Q 0,6521 QS 0,6488 G 0,6521 G.S 0,6488
Q 0,6555 QS 0,6588 G 0,6588 G.S 0,6555
Q 0,6655 QS 0,6622 G 0,6655 G.S 0,6622
Q 0,6688 QS 0,6722 G 0,6688 G.S 0,6755
Q 0,6755 QS 0,6822 G 0,6722 G.S 0,6789
Q 0,6789 QS 0,6856 G 0,6856 G.S 0,6822
Q 0,6956 QS 0,6889 G 0,6889 G.S 0,6923
Q 0,6989 QS 0,6923 G 0,6956 G.S 0,6989
Q 0,7023 QS 0,7056 G 0,7023 G.S 0,7056
Q 0,7123 QS 0,709 G 0,709 G.S 0,7123
Q 0,7157 QS 0,719 G 0,7157 G.S 0,719
Q 0,729 QS 0,7224 G 0,7257 G.S 0,7224
Q 0,7324 QS 0,7257 G 0,729 G.S 0,7324
Q 0,7391 QS 0,7357 G 0,7391 G.S 0,7357
Q 0,7892 QS 0,7424 G 0,8026 G.S 0,7424
Q 0,7926 QS 0,7458 G 0,806 G.S 0,7458
Q 0,7959 QS 0,7491 G 0,8093 G.S 0,7491
Q 0,8026 QS 0,7525 G 0,8127 G.S 0,7525
Q 0,806 QS 0,7558 G 0,816 G.S 0,7558
Q 0,8093 QS 0,7591 G 0,8193 G.S 0,7591
Q 0,816 QS 0,7625 G 0,8227 G.S 0,7625
Q 0,8227 QS 0,7658 G 0,826 G.S 0,7658
Q 0,826 QS 0,7692 G 0,8294 G.S 0,7692
Q 0,8327 QS 0,7725 G 0,8327 G.S 0,7725
Q 0,8394 QS 0,7759 G 0,8394 G.S 0,7759
Q 0,8494 QS 0,7792 G 0,8461 G.S 0,7792
Q 0,8494 QS 0,7826 G 0,8461 G.S 0,7826
Q 0,8561 QS 0,7859 G 0,8461 G.S 0,7859
Q 0,8595 QS 0,7993 G 0,8561 G.S 0,7892
Q 0,8628 QS 0,8127 G 0,8561 G.S 0,7926
Q 0,8628 QS 0,8193 G 0,8561 G.S 0,7959
Q 0,8695 QS 0,8294 G 0,8662 G.S 0,7993
Q 0,8729 QS 0,8361 G 0,8695 G.S 0,8361
Q 0,8729 QS 0,8428 G 0,8729 G.S 0,8428
Q 0,8795 QS 0,8461 G 0,8729 G.S 0,9364
Q 0,8829 QS 0,8862 G 0,8795 G.S 0,9431
Q 0,8896 QS 0,913 G 0,8829 G.S 0,9464
Q 0,8929 QS 0,9297 G 0,8829 G.S 0,9498
Q 0,8963 QS 0,9498 G 0,8896 G.S 0,9531
Q 0,8996 QS 0,9531 G 0,8929 G.S 0,9565
Q 0,903 QS 0,9565 G 0,8963 G.S 0,9598
Q 0,9063 QS 0,9598 G 0,8996 G.S 0,9632
Q 0,9096 QS 0,9632 G 0,903 G.S 0,9665
Q 0,9163 QS 0,9665 G 0,9063 G.S 0,9698
Q 0,9197 QS 0,9698 G 0,9096 G.S 0,9732
Q 0,923 QS 0,9732 G 0,913 G.S 0,9765
Q 0,9264 QS 0,9799 G 0,9163 G.S 0,9799
Q 0,9331 QS 0,9832 G 0,9197 G.S 0,9832
Q 0,9364 QS 0,9866 G 0,923 G.S 0,9866
Q 0,9397 QS 0,9899 G 0,9264 G.S 0,9899
Q 0,9431 QS 0,9933 G 0,9297 G.S 0,9933
Q 0,9464 QS 0,9966 G 0,9331 G.S 0,9966
Q 0,9765 QS 1 G 0,9397 G.S 1
SUMA 75,7113 SUMA 74,2637 SUMA 74,9559 SUMA 75,0025

Realizado por: ORTIZ, Edison 2022.

GRUPO RANGO GRUPO RANGO

F.O 0 F.O.S 0,0033
F.O 0,0066 F.O.S 0,01
F.O 0,0133 F.O.S 0,0167
F.O 0,02 F.O.S 0,0267
F.O 0,0234 F.O.S 0,0334
F.O 0,0301 F.O.S 0,0401
F.O 0,0367 F.O.S 0,0468
F.O 0,0434 F.O.S 0,0501
F.O 0,0535 F.O.S 0,0568
F.O 0,0602 F.O.S 0,0635
F.O 0,0668 F.O.S 0,0702
F.O 0,0735 F.O.S 0,0769
F.O 0,0836 F.O.S 0,0802
F.O 0,0869 F.O.S 0,0903
F.O 0,0936 F.O.S 0,0969
F.O 0,1036 F.O.S 0,1003
F.O 0,107 F.O.S 0,1103
F.O 0,1137 F.O.S 0,117
F.O 0,127 F.O.S 0,1204
F.O 0,1304 F.O.S 0,1237
F.O 0,1337 F.O.S 0,1404
F.O 0,1371 F.O.S 0,1438
F.O 0,1471 F.O.S 0,1538
F.O 0,1505 F.O.S 0,1571
F.O 0,1638 F.O.S 0,1605
F.O 0,1739 F.O.S 0,1672
F.O 0,1806 F.O.S 0,1705
F.O 0,1839 F.O.S 0,1772
F.O 0,1906 F.O.S 0,1872
F.O 0,204 F.O.S 0,1939
F.O 0,2107 F.O.S 0,1973
F.O 0,2207 F.O.S 0,2006
F.O 0,224 F.O.S 0,2073
F.O 0,2374 F.O.S 0,214
F.O 0,2474 F.O.S 0,2173
F.O 0,2508 F.O.S 0,2274
F.O 0,2575 F.O.S 0,2307
F.O 0,2642 F.O.S 0,2341
F.O 0,2709 F.O.S 0,2408
F.O 0,2775 F.O.S 0,2441
F.O 0,2876 F.O.S 0,2541
F.O 0,2943 F.O.S 0,2608
F.O 0,301 F.O.S 0,2675
F.O 0,3043 F.O.S 0,2742
F.O 0,3076 F.O.S 0,2809
F.O 0,3143 F.O.S 0,2842
F.O 0,3177 F.O.S 0,2909
F.O 0,3244 F.O.S 0,2976
F.O 0,3277 F.O.S 0,311
F.O 0,3377 F.O.S 0,321
F.O 0,3478 F.O.S 0,3311
F.O 0,3745 F.O.S 0,3344
F.O 0,3812 F.O.S 0,3411
F.O 0,3846 F.O.S 0,3444
F.O 0,3879 F.O.S 0,3511
F.O 0,3946 F.O.S 0,3545
F.O 0,3979 F.O.S 0,3578
F.O 0,4046 F.O.S 0,3612
F.O 0,408 F.O.S 0,3645
F.O 0,4113 F.O.S 0,3678
F.O 0,4214 F.O.S 0,3712
F.O 0,4247 F.O.S 0,3779
F.O 0,428 F.O.S 0,3913
F.O 0,4347 F.O.S 0,4013
F.O 0,4381 F.O.S 0,4147
F.O 0,4448 F.O.S 0,418
F.O 0,4515 F.O.S 0,4314
F.O 0,4548 F.O.S 0,4414
F.O 0,4581 F.O.S 0,4481
F.O 0,4648 F.O.S 0,4615
F.O 0,4682 F.O.S 0,4715
F.O 0,4749 F.O.S 0,4816
F.O 0,4782 F.O.S 0,4882
F.O 0,4849 F.O.S 0,4983
F.O 0,4916 F.O.S 0,5083
F.O 0,4949 F.O.S 0,5117
F.O 0,5016 F.O.S 0,525
F.O 0,505 F.O.S 0,5317
F.O 0,515 F.O.S 0,5351
F.O 0,5183 F.O.S 0,5384
F.O 0,5217 F.O.S 0,5418
F.O 0,5284 F.O.S 0,5484
F.O 0,5451 F.O.S 0,5585
F.O 0,5518 F.O.S 0,5652
F.O 0,5551 F.O.S 0,5685
F.O 0,5618 F.O.S 0,5719
F.O 0,5752 F.O.S 0,5819
F.O 0,5785 F.O.S 0,5852
F.O 0,5886 F.O.S 0,5919
F.O 0,5953 F.O.S 0,5986
F.O 0,602 F.O.S 0,6086
F.O 0,6053 F.O.S 0,6153
F.O 0,612 F.O.S 0,622
F.O 0,6187 F.O.S 0,6321
F.O 0,6254 F.O.S 0,6354
F.O 0,6287 F.O.S 0,6421
F.O 0,6387 F.O.S 0,6454
F.O 0,6555 F.O.S 0,6488
F.O 0,6588 F.O.S 0,6521
F.O 0,6688 F.O.S 0,6622
F.O 0,6755 F.O.S 0,6655
F.O 0,6822 F.O.S 0,6722
F.O 0,6856 F.O.S 0,6789
F.O 0,6923 F.O.S 0,6889
F.O 0,6956 F.O.S 0,7023
F.O 0,6989 F.O.S 0,709
F.O 0,7056 F.O.S 0,7123
F.O 0,719 F.O.S 0,7157
F.O 0,7224 F.O.S 0,729
F.O 0,7257 F.O.S 0,7357
F.O 0,7324 F.O.S 0,7391
F.O 0,7826 F.O.S 0,7424
F.O 0,8026 F.O.S 0,7458
F.O 0,806 F.O.S 0,7491
F.O 0,8127 F.O.S 0,7525
F.O 0,8193 F.O.S 0,7558
F.O 0,8227 F.O.S 0,7591
F.O 0,8361 F.O.S 0,7625
F.O 0,8428 F.O.S 0,7658
F.O 0,8461 F.O.S 0,7692
F.O 0,8528 F.O.S 0,7725
F.O 0,8595 F.O.S 0,7759
F.O 0,8628 F.O.S 0,7792
F.O 0,8795 F.O.S 0,7859
F.O 0,8829 F.O.S 0,7892
F.O 0,8862 F.O.S 0,7926
F.O 0,8896 F.O.S 0,7959
F.O 0,8929 F.O.S 0,7993
F.O 0,8963 F.O.S 0,8093
F.O 0,8996 F.O.S 0,816
F.O 0,903 F.O.S 0,826
F.O 0,9063 F.O.S 0,8294
F.O 0,9096 F.O.S 0,8327
F.O 0,913 F.O.S 0,8394
F.O 0,9163 F.O.S 0,8494
F.O 0,9197 F.O.S 0,8561
F.O 0,9264 F.O.S 0,8662
F.O 0,9297 F.O.S 0,8695
F.O 0,9331 F.O.S 0,8729
F.O 0,9397 F.O.S 0,8762
F.O 0,9431 F.O.S 0,923
F.O 0,9464 F.O.S 0,9364
F.O 0,9498 F.O.S 0,9765
F.O 0,9531 F.O.S 0,9799
F.O 0,9565 F.O.S 0,9832
F.O 0,9598 F.O.S 0,9866
F.O 0,9632 F.O.S 0,9899
F.O 0,9665 F.O.S 0,9933
F.O 0,9698 F.O.S 0,9966
F.O 0,9732 F.O.S 1
SUMA 76,3639 SUMA 73,6212
Realizado por: ORTIZ, Edison 2022.
ANEXO D: CERTIFICADO DE CUMPLIMIENTO DE NORMATIVA

Common questions

Con tecnología de IA