Modellare l’impianto come un sistema lineare strutturato. I flussi di processo multicomponente negli impianti pilota di operazioni unitarie a regime stazionario possono spesso essere rappresentati mediante equazioni simultanee di bilancio di materia nella forma (A\mathbf{x}=\mathbf{b}). Il vettore delle incognite (\mathbf{x}) contiene le portate dei flussi, le portate dei componenti o le estensioni di reazione; (A) contiene i coefficienti dei bilanci e dei vincoli di processo; e (\mathbf{b}) contiene i dati noti dell’alimentazione e altre costanti. Una volta che le equazioni sono indipendenti e il sistema è definito correttamente, i risolutori numerici possono calcolare direttamente le variabili di processo incognite.

La formulazione più affidabile utilizza le portate dei componenti come incognite, perché in questo modo i bilanci di materia rimangono lineari. Prima della soluzione numerica è necessario verificare il rango e i gradi di libertà, così da rilevare equazioni ridondanti, mancanti o incoerenti prima che producano risultati fuorvianti.

Come formulare il modello di processo

Definire i flussi e i componenti

Iniziare elencando ogni flusso che entra, esce, ricircola attraverso o bypassa l’operazione unitaria. Per ogni flusso, identificare la portata totale e la portata o la composizione di ciascun componente.

Per un flusso contenente i componenti (A), (B) e (C), le portate dei componenti possono essere scritte come

[ \mathbf{n}s = \begin{bmatrix} n{A,s}\ n_{B,s}\ n_{C,s} \end{bmatrix}. ]

Queste portate dei componenti sono generalmente variabili primarie migliori rispetto alla combinazione di portata totale e composizione.

Scegliere con attenzione le variabili incognite

Una portata totale del flusso (F_s) e una frazione massica del componente (w_{i,s}) sono correlate da

[ n_{i,s}=F_s w_{i,s}. ]

Se sia (F_s) sia (w_{i,s}) sono incognite, questo prodotto introduce un termine non lineare. Utilizzare direttamente (n_{i,s}) evita tale complicazione e mantiene lineari le equazioni di bilancio quando le relazioni di processo sono lineari.

Scrivere un bilancio per ciascun componente

Per un’unità non reattiva a regime stazionario, il bilancio sul componente (i) è

[ \sum_{\text{in}} n_{i,s}

\sum_{\text{out}} n_{i,s} =0. ]

Per un’unità reattiva, includere i termini o le estensioni di reazione:

[ \sum_{\text{in}} n_{i,s}

\sum_{\text{out}} n_{i,s} + \sum_r \nu_{i,r}\xi_r =0, ]

dove (\nu_{i,r}) è il coefficiente stechiometrico del componente (i) nella reazione (r), e (\xi_r) è l’estensione della reazione.

Conversione dei bilanci in algebra matriciale

Assemblare il vettore delle incognite

Raccogliere tutte le portate incognite dei componenti, le portate dei flussi e le estensioni di reazione in un unico vettore:

[ \mathbf{x}= \begin{bmatrix} n_{A,1} & n_{B,1} & n_{C,1} & n_{A,2} & \cdots & \xi_1 \end{bmatrix}^{T}. ]

L’ordinamento è arbitrario, ma deve rimanere coerente durante la costruzione della matrice dei coefficienti.

Costruire la matrice dei coefficienti

Ogni bilancio diventa una riga di (A). Alla portata di un componente in ingresso viene assegnato un coefficiente positivo, mentre alla portata dello stesso componente in uscita viene assegnato un coefficiente negativo.

Ad esempio, se il componente (A) entra nel flusso 1 ed esce nei flussi 2 e 3,

[ n_{A,1}-n_{A,2}-n_{A,3}=0. ]

La riga corrispondente di (A) contiene (+1), (-1) e (-1) nelle colonne associate a tali variabili.

Le specifiche di processo generano righe aggiuntive. Alcuni esempi sono:

[ n_{B,2}=0.30n_{B,1}, ]

oppure

[ n_{A,3}=0.85n_{A,1}. ]

Riordinare ogni equazione in modo che le incognite siano a sinistra produce i coefficienti da inserire in (A).

Inserire le quantità note nel termine noto

Le alimentazioni note, le portate dei prodotti misurate, le composizioni fisse e le altre costanti appartengono a (\mathbf{b}). Ad esempio,

[ n_{A,1}-n_{A,2}=25 ]

ha un valore nel termine destro pari a (25) quando i dati di processo noti sono già stati riordinati in questa forma.

Il modello finale è

[ A\mathbf{x}=\mathbf{b}. ]

Questa rappresentazione separa la struttura del processo in (A) dai dati operativi in (\mathbf{b}), cosa utile per la simulazione e per i calcoli ripetuti.

Verificare se il modello è risolvibile

Eseguire un’analisi dei gradi di libertà

I gradi di libertà si calcolano come

[ \text{DOF}

\text{numero di incognite}

\text{numero di equazioni indipendenti}. ]

Un sistema con zero gradi di libertà è definito in modo esatto. Un valore positivo indica che sono necessarie specifiche aggiuntive, mentre un valore negativo suggerisce che il modello potrebbe essere sovraspecificato o contenere equazioni ridondanti.

Il semplice conteggio delle equazioni è insufficiente, perché due equazioni possono esprimere lo stesso vincolo fisico.

Verificare il rango della matrice dei coefficienti

Per un sistema quadrato, una soluzione unica richiede

[ \operatorname{rank}(A)=n, ]

dove (n) è il numero di incognite. Se la matrice è quadrata e a rango pieno, le sue colonne sono indipendenti e la soluzione è unica.

Per un sistema rettangolare, confrontare i ranghi di (A) e della matrice aumentata ([A\ \mathbf{b}]). Un sistema coerente richiede

[ \operatorname{rank}(A)

\operatorname{rank}([A\ \mathbf{b}]). ]

Se questo rango comune è uguale al numero di incognite, la soluzione è unica.

Distinguere la ridondanza dalle informazioni mancanti

Una matrice a rango ridotto può derivare da bilanci ridondanti, ad esempio dall’inclusione di tutti i bilanci dei componenti insieme a un bilancio globale che è semplicemente la loro somma. Può inoltre derivare da specifiche mancanti, misure duplicate o vincoli di processo inseriti in modo errato.

Il test del rango identifica il sintomo matematico, ma spetta agli ingegneri esaminare le equazioni fisiche per determinarne la causa.

Risolvere computazionalmente il sistema

Utilizzare risolutori lineari diretti

L’operazione numerica preferibile consiste nel risolvere direttamente il sistema invece di calcolare esplicitamente (A^{-1}). In MATLAB o Octave, utilizzare:

x = A \ b;

In Python con NumPy, utilizzare:

import numpy as np

x = np.linalg.solve(A, b)

Queste routine utilizzano algoritmi basati sulla fattorizzazione, generalmente più stabili ed efficienti rispetto alla formazione esplicita dell’inversa di una matrice.

Verificare la soluzione calcolata

Dopo la soluzione, calcolare il residuo:

[ \mathbf{r}=A\mathbf{x}-\mathbf{b}. ]

Un residuo piccolo indica che la soluzione calcolata soddisfa numericamente le equazioni.

In Python:

residual = A @ x - b
residual_norm = np.linalg.norm(residual)

Il residuo deve essere interpretato insieme alla scala e alle unità del problema. Un residuo assoluto piccolo potrebbe non essere adeguato quando le variabili di processo hanno ordini di grandezza molto diversi.

Gestire dati misurati e sistemi sovradeterminati

Gli impianti pilota producono frequentemente più misure di quelle necessarie per un modello di bilancio esatto. In tal caso, il sistema può essere sovradeterminato e risulta appropriata una soluzione ai minimi quadrati:

x, residuals, rank, singular_values = np.linalg.lstsq(A, b, rcond=None)

La stima ai minimi quadrati può supportare la riconciliazione dei dati individuando le variabili di processo che soddisfano al meglio i bilanci, tenendo conto delle incoerenze nelle misure.

I valori misurati possono inoltre essere ponderati in base alla loro incertezza. Le misure più affidabili ricevono un’influenza maggiore rispetto a quelle rumorose.

Applicare il metodo alle unità con riciclo e separazione

Modellare i flussi di riciclo come incognite

I flussi di riciclo creano relazioni di retroazione, perché un’uscita da una parte del processo diventa un ingresso per un’altra. Le loro portate incognite dei componenti possono comunque essere incluse in (\mathbf{x}).

Per una relazione lineare di riciclo come

[ \mathbf{n}_{R}

\alpha \mathbf{n}_{P}, ]

ogni relazione tra componenti diventa una riga della matrice. Il sistema risultante può essere risolto simultaneamente invece di calcolare il riciclo mediante ripetute sostituzioni manuali.

Rappresentare esplicitamente le specifiche di separazione

I modelli di estrazione, distillazione, assorbimento e separazione con membrane includono spesso specifiche di recupero, frazione di split o partizione. Una relazione lineare di split può essere scritta come

[ n_{i,\text{out},1}

\beta_i n_{i,\text{in}}, ]

assegnando il materiale rimanente a un’altra uscita.

Se le frazioni di split sono costanti note, queste relazioni mantengono la linearità. Se dipendono dalla composizione, dalla temperatura, dalla pressione o da variabili di equilibrio incognite, il modello diventa non lineare e richiede una diversa strategia di soluzione.

Includere le reazioni mediante coefficienti stechiometrici

Le estensioni di reazione forniscono un modo compatto per includere la conversione chimica. Il contributo stechiometrico di ciascuna reazione può essere inserito direttamente nella matrice dei coefficienti.

Per più reazioni, i coefficienti stechiometrici costituiscono parte della struttura della matrice, mentre le estensioni di reazione diventano elementi aggiuntivi di (\mathbf{x}).

Comprendere i compromessi

I modelli lineari sono efficienti ma limitati

I modelli matriciali lineari sono rapidi, trasparenti e adatti ai bilanci a regime stazionario con coefficienti noti. Sono efficaci per molti calcoli di impianti pilota che coinvolgono split fissi, recuperi noti, relazioni lineari di riciclo e portate dei flussi misurate.

Non rappresentano completamente le relazioni in cui i coefficienti cambiano in funzione della soluzione incognita. Tra gli esempi figurano l’equilibrio di fase, le proprietà di trasporto dipendenti dalla composizione, la cinetica di reazione non lineare e alcuni bilanci energetici.

Le matrici singolari possono produrre risultati non validi

Un avviso come “matrix is singular to working precision” indica che la matrice è singolare o quasi singolare rispetto alla precisione numerica utilizzata. Il risultato calcolato può essere non unico, altamente sensibile ai dati in ingresso o privo di significato numerico.

Risultati indefiniti come Inf o -Inf sono sintomi di un calcolo fallito o mal posto, non previsioni di processo valide.

Un cattivo condizionamento può nascondere problemi nel modello

Una matrice può avere rango pieno e tuttavia essere mal condizionata. In tal caso, piccoli errori di misura o di arrotondamento possono causare grandi variazioni nelle portate dei flussi calcolate.

Il ridimensionamento delle variabili e delle equazioni a ordini di grandezza numerici comparabili può migliorare il comportamento numerico, ma non può correggere un modello fisicamente errato o sottospecificato.

Le matrici di diffusione richiedono ulteriore attenzione

La diffusione multicomponente introduce flussi accoppiati che possono essere scritti in forma matriciale, ad esempio,

[ -\mathbf{j}

\mathbf{D}\nabla\mathbf{c}, ]

dove gli elementi fuori diagonale di (\mathbf{D}) rappresentano l’accoppiamento tra i componenti. I metodi matriciali possono analizzare o trasformare questo sistema, ma il modello completo dell’impianto pilota può richiedere comunque la discretizzazione spaziale e la soluzione di equazioni differenziali o non lineari.

Questo problema di trasporto è correlato all’algebra matriciale, ma è distinto dal più semplice problema algebrico di bilancio dei flussi (A\mathbf{x}=\mathbf{b}).

Errori comuni nella modellazione

Moltiplicare portate incognite e composizioni

L’utilizzo di (F_s w_{i,s}) trattando entrambe le variabili come incognite crea equazioni non lineari. Sostituire il prodotto con una variabile di portata del componente quando è sufficiente una formulazione lineare.

Includere bilanci dipendenti

Un bilancio globale può essere la somma di tutti i bilanci dei componenti. Includere entrambi senza riconoscere la dipendenza può ridurre il rango della matrice e creare un sistema singolare.

Omettere una specifica di processo

Un modello con una portata di uscita, una frazione di split o una composizione incognita può avere gradi di libertà positivi. Un risolutore numerico non può dedurre informazioni fisiche mancanti dalle sole equazioni di bilancio.

Trattare misure incoerenti come esatte

I dati misurati di un impianto pilota possono non soddisfare esattamente ogni bilancio a causa di errori dei sensori, perdite non misurate, funzionamento transitorio o differenze di campionamento. In questi casi, utilizzare l’analisi dei residui e i minimi quadrati ponderati invece di imporre una soluzione esatta.

Come applicare questo metodo al proprio progetto

Un flusso di lavoro affidabile consiste nel definire le incognite a livello di componente, scrivere bilanci e specifiche indipendenti, assemblare (A) e (\mathbf{b}), verificare il rango e i gradi di libertà, risolvere con una routine numerica diretta e analizzare i residui e la fattibilità fisica.

Se l’obiettivo principale è il calcolo dei flussi a regime stazionario: Utilizzare le portate dei componenti come incognite e risolvere l’intera rete di bilanci con A \ b o numpy.linalg.solve.
Se l’obiettivo principale è l’analisi del riciclo o della separazione: Includere le portate di riciclo e le relazioni di split nello stesso sistema simultaneo, purché i relativi coefficienti siano noti.
Se l’obiettivo principale è la riconciliazione dei dati dell’impianto pilota: Utilizzare una formulazione sovradeterminata o ai minimi quadrati ponderati e valutare i residui rispetto all’incertezza delle misure.
Se l’obiettivo principale è il comportamento non lineare delle reazioni o del trasporto: Mantenere, ove possibile, la struttura matriciale dei bilanci, ma utilizzare un risolutore non lineare o per equazioni differenziali per le relazioni dipendenti dalla composizione.

Con una selezione disciplinata delle variabili, verifiche di indipendenza e convalida mediante i residui, l’algebra matriciale trasforma i complessi bilanci multicomponente degli impianti pilota in modelli di processo gestibili computazionalmente.

Tabella riepilogativa:

Area di modellazione	Approccio consigliato	Verifica principale
Variabili	Utilizzare le portate dei componenti e le estensioni di reazione	Evitare prodotti tra portate e composizioni incognite
Equazioni	Combinare i bilanci dei componenti con le specifiche di processo	Confermare che le equazioni siano indipendenti
Modello matriciale	Assemblare il sistema come `A x = b`	Mantenere coerente l’ordinamento delle variabili
Risolvibilità	Verificare i gradi di libertà e il rango della matrice	Identificare vincoli mancanti o ridondanti
Soluzione numerica	Utilizzare risolutori lineari diretti come `A \\ b` o `numpy.linalg.solve`	Esaminare i residui e la fattibilità fisica
Dati misurati	Applicare metodi ai minimi quadrati o ai minimi quadrati ponderati	Tenere conto dell’incertezza delle misure
Riciclo e separazione	Includere nella matrice le portate di riciclo e le relazioni di split fisse	Utilizzare risolutori non lineari quando i coefficienti dipendono dalle incognite

Modellare il proprio impianto pilota con fiducia

Hai bisogno di un metodo affidabile per analizzare flussi di processo complessi? Contatta LABPARK per discutere di un impianto pilota per operazioni unitarie didattico o professionale, personalizzato in base alla tua applicazione. LABPARK supporta università, istituti di ricerca e aziende con impianti pilota per l’ingegneria chimica, i bioprocessi e le biotecnologie, nonché il trattamento ambientale e delle acque.

I nostri sistemi aiutano il tuo team a sviluppare competenze pratiche nei bilanci dei componenti, nella modellazione del riciclo e della separazione, nell’analisi delle reazioni, nella riconciliazione dei dati e nella convalida computazionale dei processi. Possiamo aiutarti a selezionare le operazioni unitarie più adatte, integrare misure e controlli pertinenti e creare una piattaforma pratica per la didattica, la ricerca, lo sviluppo dei processi e la formazione professionale.