Un avviso di “matrice singolare” significa che il modello non è in grado di determinare un insieme univoco di variabili delle correnti. Nei calcoli dei bilanci di massa degli impianti pilota, ciò si verifica generalmente perché le equazioni non sono linearmente indipendenti: un bilancio è ridondante oppure manca una specifica essenziale. Il risultato può consistere in valori non definiti come Inf o NaN, oppure in un errore del risolutore in MATLAB, Python o un altro strumento computazionale.

Una matrice singolare è fondamentalmente un problema di gradi di libertà e indipendenza delle equazioni. Verifica il rango del modello, rimuovi le equazioni dipendenti e aggiungi solo le specifiche di processo indipendenti necessarie per determinare ogni incognita.

Perché la matrice del bilancio di massa diventa singolare

Equazioni di bilancio ridondanti

Una causa comune consiste nell’includere un bilancio di massa complessivo che è già la somma dei bilanci dei singoli componenti.

Ad esempio, se i bilanci sono scritti indipendentemente per i componenti A, B e C, allora:

[ \text{Bilancio totale} = \text{Bilancio di A} + \text{Bilancio di B} + \text{Bilancio di C} ]

Il bilancio totale non aggiunge alcuna nuova informazione. Includerlo come se fosse un’equazione indipendente rende la matrice dei coefficienti deficiente di rango.

Specifiche di processo mancanti

Il problema opposto è un modello sottospecificato. Se ci sono più portate o composizioni incognite delle correnti rispetto alle equazioni indipendenti, il risolutore non può individuare una soluzione univoca.

Tra le specifiche mancanti tipiche vi sono un rapporto di ripartizione, una portata del prodotto, una composizione, un recupero, una conversione o un altro vincolo operativo.

Relazioni di processo dipendenti

Equazioni che sembrano diverse possono comunque esprimere matematicamente la stessa relazione.

Gli esempi includono una specifica di ripartizione già implicita in altre equazioni di portata, relazioni stechiometriche duplicate o più equazioni derivate dallo stesso vincolo materiale.

Costruzione errata delle variabili o delle equazioni

Anche un errore di codifica può creare una singolarità. Tra gli esempi comuni vi sono l’omissione di una variabile da un’equazione, l’assegnazione di coefficienti identici a due variabili o l’impostazione accidentale di un’intera colonna della matrice a zero.

Questi errori possono lasciare un’incognita non vincolata o fare in modo che due incognite compaiano soltanto come una combinazione inseparabile.

Come diagnosticare il problema

Contare le incognite e le equazioni indipendenti

Innanzitutto elenca esplicitamente ogni incognita, comprese le portate delle correnti, le portate dei componenti, le concentrazioni e le composizioni.

Quindi conta i bilanci di massa indipendenti e le specifiche di processo. Un modello lineare risolvibile in modo univoco richiede generalmente che il numero di equazioni indipendenti coincida con il numero di incognite.

Questo è il controllo dei gradi di libertà:

[ \text{Gradi di libertà}

\text{numero di incognite}

\text{numero di equazioni indipendenti} ]

Un valore positivo indica un modello sottospecificato. Un valore negativo può indicare equazioni ridondanti o un modello sovraspecificato.

Calcolare il rango della matrice

Se le equazioni sono scritte come:

[ A x = b ]

calcola il rango della matrice dei coefficienti (A).

In MATLAB:

rank(A)

In Python con NumPy:

import numpy as np

np.linalg.matrix_rank(A)

Per una soluzione univoca con (n) incognite, la matrice dei coefficienti deve avere rango (n). Se (A) è quadrata, ciò equivale a richiedere il rango massimo e un determinante diverso da zero, sebbene il rango sia generalmente lo strumento diagnostico più utile.

Esaminare le equazioni quasi dipendenti

Una matrice può essere tecnicamente a rango massimo, ma comunque quasi singolare. Ciò si verifica quando le equazioni sono quasi, ma non esattamente, combinazioni lineari l’una dell’altra.

Questi sistemi possono produrre errori numerici molto grandi e stime instabili delle portate. L’analisi dei valori singolari o il numero di condizionamento della matrice possono aiutare a identificare questa situazione.

In Python:

np.linalg.cond(A)

Un numero di condizionamento molto elevato indica un cattivo condizionamento numerico, anche se la matrice non è esattamente singolare.

Verificare la coerenza del termine noto

Se il sistema contiene equazioni ridondanti, tali equazioni devono essere anche reciprocamente coerenti.

Ad esempio, se un’equazione è la somma di altre due, il suo valore del termine noto deve essere uguale alla somma dei loro termini noti. In caso contrario, il modello non ha una soluzione esatta, anziché avere semplicemente più soluzioni.

Come correggere il modello

Rimuovere i bilanci ridondanti

Scegli una formulazione del bilancio coerente.

Per un processo multicomponente, ciò può significare utilizzare tutti i bilanci indipendenti dei componenti e omettere il bilancio complessivo quando è implicato matematicamente. In alternativa, usa il bilancio complessivo insieme a tutti i bilanci dei componenti tranne uno.

Non rimuovere le equazioni arbitrariamente. Verifica che le equazioni rimanenti rappresentino ancora tutte le relazioni indipendenti di conservazione.

Aggiungere le specifiche mancanti

Se il modello presenta più incognite rispetto alle equazioni indipendenti, aggiungi un vincolo fisicamente giustificato.

A seconda dell’impianto pilota, questo potrebbe essere:

Una portata misurata
Una composizione nota dell’alimentazione o del prodotto
Una frazione di ripartizione nella separazione
Una conversione o un recupero
Una relazione stechiometrica
Un rapporto operativo specificato

La relazione aggiunta deve essere un’effettiva specifica di processo, non una duplicazione di un bilancio esistente.

Ricontrollare i rapporti di ripartizione e la stechiometria

I rapporti di ripartizione devono essere definiti coerentemente con le variabili presenti nel modello.

Ad esempio, una relazione di ripartizione può richiedere sia una relazione della portata totale sia una relazione della portata dei componenti. Anche le equazioni stechiometriche devono essere indipendenti dai bilanci elementari o dei componenti già inclusi.

Ricostruire con attenzione il sistema di equazioni

Crea una tabella chiara contenente:

Ogni variabile incognita
Ogni equazione
Il significato fisico di ogni equazione
Le variabili presenti in ogni equazione

Questo rende più semplice identificare equazioni duplicate, coefficienti mancanti e variabili non vincolate rispetto alla sola ispezione di una matrice numerica densa.

Utilizzare il risultato del risolutore come strumento diagnostico

Un avviso di singolarità non dovrebbe essere semplicemente ignorato perché lo strumento restituisce valori numerici.

Valori come Inf, NaN, portate estremamente elevate o portate inaspettatamente negative indicano spesso che la struttura del modello è difettosa, non che il processo si comporti in modo insolito.

Comprendere i compromessi

Più equazioni non migliorano necessariamente il modello

Aggiungere ogni bilancio disponibile può sembrare più sicuro, ma le equazioni ridondanti non aggiungono informazioni. Possono rendere singolare un sistema quadrato o rendere incoerente un sistema sovradeterminato.

L’obiettivo non è massimizzare il numero di equazioni. È creare un insieme di equazioni indipendenti e fisicamente valide.

Rimuovere equazioni può nascondere una fisica mancante

Eliminare un bilancio può far scomparire l’avviso, rimuovendo però anche un requisito importante di conservazione.

Prima di rimuovere un’equazione, determina se è realmente dipendente oppure se nel modello manca un’altra variabile o relazione.

Le correzioni numeriche non sono correzioni strutturali

La modifica delle tolleranze del risolutore, l’uso dell’inversa di una matrice o l’aggiunta di un piccolo termine diagonale possono talvolta impedire la visualizzazione di un avviso software. Queste tecniche non correggono un modello di processo sottospecificato o fisicamente incoerente.

Per un sistema lineare di bilanci, preferisci un risolutore lineare come A\b di MATLAB o numpy.linalg.solve(A, b) di Python dopo aver verificato che la matrice sia ben posta.

I dati misurati possono creare sistemi sovradeterminati

I modelli degli impianti pilota spesso combinano equazioni di conservazione con portate e composizioni misurate. Il rumore di misura può rendere queste equazioni incoerenti anche quando il modello di processo è corretto.

In tal caso, può essere appropriato un approccio ai minimi quadrati, ma deve essere utilizzato intenzionalmente e con verifiche dei residui. Non sostituisce la rimozione di equazioni duplicate esatte o l’inserimento di specifiche mancanti.

Come applicare tutto ciò al tuo modello

Utilizza la seguente sequenza prima di eseguire nuovamente il risolutore computazionale:

Se il tuo obiettivo principale è individuare le equazioni ridondanti: elenca ogni bilancio e ogni specifica, identifica le equazioni che sono combinazioni lineari di altre e rimuovi solo le relazioni dipendenti.
Se il tuo obiettivo principale è individuare le informazioni mancanti: conta le incognite, calcola i gradi di libertà e aggiungi una relazione di processo indipendente, misurata o specificata.
Se il tuo obiettivo principale è validare numericamente la matrice: calcola matrix_rank(A) in Python o rank(A) in MATLAB e verifica che il rango sia uguale al numero di incognite.
Se il tuo obiettivo principale è risolvere risultati instabili: controlla il numero di condizionamento, esamina le equazioni quasi dipendenti e verifica che i coefficienti e i valori del termine noto siano assemblati correttamente.
Se il tuo obiettivo principale è gestire dati pilota rumorosi: utilizza una formulazione vincolata o ai minimi quadrati appropriata solo dopo aver confermato che i bilanci e le specifiche sottostanti siano indipendenti.

Un avviso di matrice singolare è una preziosa informazione diagnostica: indica che le equazioni del modello devono essere rese indipendenti, complete e fisicamente coerenti.

Tabella riepilogativa:

Problema	Controllo diagnostico	Azione consigliata
Bilanci ridondanti	Verificare se un’equazione è la somma di altre	Rimuovere solo le equazioni dipendenti
Specifiche mancanti	Confrontare le incognite con le equazioni indipendenti	Aggiungere una portata, una ripartizione, un recupero, una conversione o una composizione misurata
Errori di codifica	Esaminare variabili, coefficienti e colonne nulle della matrice	Ricostruire con attenzione la matrice delle equazioni
Cattivo condizionamento	Calcolare il numero di condizionamento della matrice	Esaminare le equazioni quasi dipendenti e migliorare la scalatura
Dati incoerenti	Verificare le equazioni ridondanti rispetto ai valori del termine noto	Utilizzare metodi vincolati o ai minimi quadrati per le misure rumorose
Instabilità del risolutore	Cercare `Inf`, `NaN`, portate estreme o negative	Verificare la struttura del modello prima di modificare le impostazioni del risolutore

Valida il tuo modello di impianto pilota con LABPARK

Gli avvisi di matrice singolare stanno rallentando il tuo lavoro di progettazione di processo, ricerca o formazione? Contatta LABPARK per ricevere supporto pratico con impianti pilota di operazioni unitarie per finalità educative e professionali, personalizzati in base alle tue esigenze. Le nostre soluzioni supportano applicazioni di ingegneria chimica, bioprocessi e biotecnologie, nonché trattamento ambientale e delle acque, aiutando università, istituti di ricerca e imprese a realizzare esperimenti affidabili, validare modelli di bilancio di massa e formare ingegneri con sicurezza. Parlaci del tuo processo, delle misure target e dell’applicazione, così potremo aiutarti a individuare la configurazione e le specifiche dell’impianto pilota più adatte.