Un errore di matrice singolare significa che il risolutore non riesce a identificare una soluzione stazionaria univoca a partire dalle equazioni fornite. In un modello di bilancio di materia per un impianto pilota, ciò si verifica generalmente perché le equazioni di bilancio sono linearmente dipendenti, manca una specifica di processo essenziale oppure il numero di equazioni indipendenti non corrisponde al numero di variabili incognite delle correnti. La soluzione pratica consiste nel determinare i gradi di libertà del modello, verificare il rango della matrice dei coefficienti, rimuovere le equazioni ridondanti e aggiungere solo vincoli realmente indipendenti.

Un risolutore necessita di informazioni indipendenti sufficienti per determinare ogni incognita. Una matrice singolare indica che almeno un'equazione duplica informazioni già presenti oppure che nel modello manca una specifica necessaria, come una suddivisione della portata, una composizione, una conversione o una relazione stechiometrica.

Perché la matrice diventa singolare

Bilanci complessivi ridondanti

Un bilancio complessivo di massa può essere la somma diretta dei singoli bilanci dei componenti. Ad esempio, se sono già stati scritti bilanci separati per acqua, azoto e ossigeno, l'aggiunta di un bilancio della massa totale potrebbe non fornire una nuova equazione indipendente.

La matrice risultante contiene equazioni che descrivono lo stesso vincolo in forme diverse. Il suo rango è quindi inferiore al numero di incognite.

Bilanci completi dei componenti e vincoli di composizione

Le composizioni delle correnti costituiscono un'altra fonte comune di dipendenza. Le frazioni molari soddisfano:

[ \sum_i x_i = 1 ]

Se tutte le frazioni dei componenti vengono trattate come incognite, normalmente una frazione è determinata dalle altre e dal vincolo di somma. L'inclusione di ogni bilancio dei componenti, di ogni frazione come variabile indipendente e di più bilanci totali può creare un insieme di equazioni sovraspecificato o dipendente.

Specifiche di processo mancanti

Un modello può diventare singolare anche perché è sottospecificato. I soli bilanci di materia potrebbero non determinare come una corrente si suddivide tra le uscite o quale composizione esca da un'unità operativa.

Le specifiche mancanti più comuni includono:

Una portata di corrente o una portata di alimentazione
Un rapporto di suddivisione
Una composizione in uscita
Una specifica di recupero o di umidità
Una conversione di reazione
Una relazione stechiometrica
Una condizione di equilibrio di fase o di saturazione

In assenza di tali informazioni, più soluzioni stazionarie possono soddisfare i bilanci.

Bilanci di unità o complessivi ripetuti

Quando vengono modellate insieme diverse unità operative, un bilancio complessivo dell'impianto può essere semplicemente la somma dei bilanci già scritti per le singole unità. Può essere utile come controllo di verifica, ma potrebbe non dover essere incluso nella soluzione principale se non aggiunge informazioni indipendenti.

Come diagnosticare il modello

Contare incognite ed equazioni

Elenca esplicitamente ogni incognita, incluse:

Portate totali delle correnti
Portate dei componenti
Frazioni molari o frazioni massiche
Estensioni di reazione
Frazioni di suddivisione
Parametri operativi incogniti

Conta quindi le equazioni indipendenti disponibili per determinarle. Un sistema quadrato correttamente specificato presenta lo stesso numero di equazioni indipendenti e di incognite, con zero gradi di libertà.

La relazione di base è:

[ \text{Gradi di libertà}

\text{numero di incognite}

\text{numero di equazioni indipendenti} ]

Un valore positivo indica un modello sottospecificato. Un valore negativo indica che il modello può contenere equazioni ridondanti o specifiche in conflitto.

Verificare il rango della matrice

Per un sistema scritto come:

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

la matrice dei coefficienti (A) deve contenere un numero sufficiente di colonne indipendenti per determinare il vettore delle incognite (\mathbf{x}). Per un sistema quadrato, una soluzione univoca richiede:

[ \operatorname{rank}(A)=\text{numero di incognite} ]

In MATLAB, esamina la matrice con:

rank(A)
size(A)

In Python, usa:

import numpy as np

np.linalg.matrix_rank(A)
A.shape

Un rango inferiore al numero di incognite conferma che il modello non contiene informazioni indipendenti sufficienti per una soluzione univoca.

Esaminare le equazioni ridotte

Il rango identifica il problema, ma non lo spiega. Esamina le equazioni dopo l'eliminazione o la riduzione per righe per individuare relazioni come:

[ \text{bilancio complessivo}

\text{bilancio dell'acqua} + \text{bilancio dell'azoto} + \text{bilancio dell'ossigeno} ]

Verifica inoltre se un'equazione di composizione sia semplicemente la somma delle definizioni delle portate dei componenti o se due specifiche di processo impongano la stessa relazione di suddivisione o conversione.

Un approccio pratico alla risoluzione dei bilanci

Convertire coerentemente le portate misurate

I dati degli impianti pilota combinano spesso portate volumetriche, massiche e molari. Convertili a una base coerente prima di costruire la matrice.

Per una corrente liquida, una portata volumetrica può essere convertita in portata molare usando densità e massa molecolare:

[ \dot n

\frac{\dot V \rho}{M} ]

Le unità incoerenti non causano necessariamente una singolarità matematica, ma possono produrre coefficienti errati e rendere poco chiara la struttura reale del modello.

Risolvere prima i componenti direttamente determinati

Se un componente entra attraverso una corrente ed esce attraverso un'altra senza reazione o accumulo, il suo bilancio può determinare direttamente una portata incognita. L'acqua in un'operazione non reattiva di evaporazione o umidificazione è un esempio comune.

Questo passaggio analitico può evidenziare quali variabili siano realmente determinate e ridurre le dimensioni del sistema numerico.

Applicare con attenzione il bilancio totale

Una volta note le portate dei componenti, usa il bilancio massico o molare totale per determinare le quantità rimanenti delle correnti. Considera il bilancio totale come un'equazione indipendente solo quando non è già implicato dai bilanci dei componenti.

Per un'unità stazionaria non reattiva:

[ \text{ingresso totale}=\text{uscita totale} ]

Il bilancio deve includere ogni corrente in ingresso e in uscita sulla stessa base massica o molare.

Usare le relazioni di composizione senza definire eccessivamente le variabili

Se le frazioni molari in uscita sono incognite, usa strategicamente i bilanci dei componenti e la relazione di somma delle frazioni. Per (N) componenti, spesso è preferibile risolvere per (N-1) frazioni e calcolare la frazione finale da:

[ x_N=1-\sum_{i=1}^{N-1}x_i ]

Ciò evita di trattare una frazione dipendente come un'ulteriore variabile indipendente.

Comprendere i compromessi

Rimuovere equazioni può nascondere una fisica mancante

Eliminare un'equazione ridondante è appropriato quando essa duplica informazioni esistenti. Non è appropriato quando l'equazione rappresenta un vincolo fisico mancante che è stato accidentalmente scritto in una forma dipendente.

Ad esempio, sostituire un bilancio complessivo con una specifica del rapporto di suddivisione può risolvere la carenza di rango e al tempo stesso fornire le informazioni di cui il modello ha realmente bisogno.

Aggiungere equazioni può sovravincolare il modello

Aggiungere ogni relazione misurata disponibile può creare un sistema sovradeterminato. Se le misurazioni sono incoerenti a causa di errori dei sensori, le equazioni potrebbero non avere una soluzione esatta anche quando sono indipendenti.

Per la riconciliazione dei dati, usa un metodo appropriato ai minimi quadrati o di ottimizzazione vincolata invece di costringere un risolutore ordinario per sistemi quadrati a soddisfare misurazioni in conflitto.

La carenza di rango è diversa dal cattivo condizionamento

Una matrice realmente singolare contiene informazioni indipendenti insufficienti. Una matrice quasi singolare o mal condizionata può avere tecnicamente rango completo, ma produrre comunque risultati altamente sensibili o inaffidabili perché le equazioni sono quasi duplicate o le variabili differiscono notevolmente per scala.

Usa un'opportuna scalatura e analizza il numero di condizionamento della matrice quando il risolutore segnala instabilità anziché una singolarità esatta.

I risultati negativi spesso indicano un errore di modellazione distinto

Portate o composizioni negative delle correnti normalmente non si correggono cambiando il risolutore lineare. Spesso indicano segni di ingresso/uscita invertiti, correnti omesse, unità errate o una specifica di processo non valida.

Dopo aver risolto i problemi di rango, ricontrolla la conservazione, i segni e i limiti fisici, come portate non negative e composizioni comprese tra zero e uno.

Scegliere l'approccio giusto in base all'obiettivo

Usa i seguenti controlli prima di eseguire nuovamente il risolutore stazionario:

Se il tuo obiettivo principale è trovare una soluzione matematica univoca: conta le incognite, calcola il rango della matrice dei coefficienti e assicurati che il modello abbia zero gradi di libertà e rango completo per colonne.
Se il tuo obiettivo principale è rimuovere i bilanci ridondanti: mantieni i bilanci indipendenti dei componenti e le specifiche di processo, quindi usa i bilanci complessivi come equazioni di verifica quando sono combinazioni lineari.
Se il tuo obiettivo principale è modellare una suddivisione della portata o una composizione in uscita: aggiungi una specifica esplicita e indipendente del rapporto di suddivisione, del recupero, della composizione o dell'equilibrio di fase.
Se il tuo obiettivo principale è riconciliare dati misurati di un impianto pilota: separa i bilanci fisici esatti dalle misurazioni rumorose e usa un approccio ai minimi quadrati vincolato quando il sistema è sovradeterminato o incoerente.
Se il tuo obiettivo principale è correggere risultati non fisici: verifica i segni delle correnti, i termini di processo omessi, le unità, la stechiometria e i vincoli di composizione dopo aver controllato il rango della matrice.

Una matrice singolare è un segnale diagnostico che indica la necessità di correggere la struttura informativa del modello prima di potersi fidare della sua soluzione numerica.

Tabella riepilogativa:

Causa	Controllo diagnostico	Risoluzione consigliata
Bilanci ridondanti	Confrontare le relazioni tra bilanci complessivi e dei componenti	Rimuovere le equazioni duplicate o mantenere i bilanci complessivi come verifica
Specifica mancante	Controllare i gradi di libertà e le variabili incognite delle correnti	Aggiungere una condizione indipendente di suddivisione della portata, recupero, composizione, conversione o equilibrio
Variabili di composizione dipendenti	Esaminare i vincoli di somma delle frazioni	Risolvere per N-1 frazioni e calcolare la frazione finale dalla relazione di somma
Unità incoerenti	Verificare le basi delle portate massiche, molari e volumetriche	Convertire tutti i dati a una base coerente prima di costruire la matrice
Cattivo condizionamento	Esaminare la scalatura e il numero di condizionamento	Riscalare variabili e coefficienti; distinguere la quasi-singolarità dalla reale carenza di rango
Misurazioni in conflitto	Verificare se le equazioni misurate ammettono una soluzione esatta	Usare una riconciliazione dei dati ai minimi quadrati vincolati invece di un semplice risolutore per sistemi quadrati
Risultati non fisici	Esaminare segni, correnti omesse, stechiometria e limiti	Correggere il modello di processo e verificare portate non negative e composizioni valide

Stai progettando o aggiornando un impianto pilota per la formazione, lo sviluppo di processo o la ricerca industriale? Contatta LABPARK per discutere di impianti pilota modulari per operazioni unitarie didattiche e professionali personalizzati in base alle tue esigenze. LABPARK fornisce sistemi modulari per l'ingegneria chimica, i bioprocessi e le biotecnologie, nonché per le applicazioni ambientali e di trattamento delle acque. Il nostro team può aiutare università, istituti di ricerca e aziende a selezionare i bilanci, la strumentazione, le specifiche di processo e la configurazione sperimentale più adatti per un funzionamento affidabile, una formazione più chiara e risultati di ricerca ripetibili.