Browsing by Author "Vera Makuc, Miguel Esteban"
Now showing 1 - 1 of 1
- Results Per Page
- Sort Options
Thesis Desarrollo de un prototipo de sensor virtual para la estimación de variables clave en la industria del cobre(Universidad Técnica Federico Santa María, 2025-08) Vera Makuc, Miguel Esteban; Casas fe Prada, Jesús Manuel; Departamento de Ingeniería Química y Ambiental; Navia López, Daniel AndrésEn el presente trabajo de memoria se estudió la implementación de un método planteado previamente para estimar la concentración de las especies iónicas presentes en un sistema binario de ácido sulfúrico y agua, correspondiente a una solución utilizada comúnmente como reactivo en procesos de lixiviación de óxidos de cobre, el método consiste en el ajuste de parámetros del modelo de interacción iónica de Pitzer, las ecuaciones de estado revisión de Helgenson – Kirkham – Flowers y la relación de Casteel – Amis, usando datos experimentales recopilados de actividad del agua, densidad y conductividad iónica, respectivamente, y utilizando como motor para los cálculos el software PHREEQC. El enfoque de este estudio fue el de incorporar el procedimiento utilizado en estudios previos, en el cual se utilizó el software PEST para la optimización y ajuste de los parámetros, en el lenguaje computacional Python, evaluando la robustez del método metaheurístico y no basado en gradientes de optimización por enjambre de partículas (PSO) y comprándolo con el método basado en gradientes de Levenberg – Marquadt incorporado en PEST. Luego de replicado el procedimiento del acople PHREEQC – PEST e implementado el procedimiento del acople PHREEQC – Python con PSO, se determinó que, por un lado, PEST es capaz de alcanzar consistentemente un buen ajuste y estimación de las propiedades experimentales utilizadas, pero su tiempo de cálculo es largo y es muy sensible a los valores iniciales y rangos de búsqueda para los parámetros, siendo susceptible a detenciones repentinas de la optimización. Por otro lado, el método PSO en Python entrega un mayor control para aspectos de la optimización, principalmente la capacidad de escoger un estimador-M más robusto, comparándose las funciones Fair Loss y Redescending Error con la suma de errores cuadráticos utilizada en PEST, y la capacidad de acotar más los rangos de búsqueda para los parámetros, permitiendo una búsqueda más eficiente, logrando resultados robustos(...).
Política de Privacidad 
