Capítulo 2. Descomposición ortogonal propia en reducción de modelos 47. Sea,,,, entonces:
|
|
- Agustín Cárdenas Pereyra
- hace 6 años
- Vistas:
Transcripción
1 Capítulo 2. Descomposición ortogonal propia en reducción de modelos 47 (2.38) Sea,,,, entonces: (2.39) Donde,,,. Se validó el modelo reducido aplicando señales en los actuadores diferentes a las utilizadas para construir la :
2 Temperatura ( C) Temperatura ( C) Temperatura ( C) Temperatura ( C) 48 Ubicación óptima de sensores y una técnica de reducción de modelos para el modelamiento de sistemas de parámetros distribuidos Figura 2.12 Validación del Modelo Reducido en los Puntos de Medición 15 RESPUESTA DEL MODELO DE ORDEN COMPLETO (1415) vs RESPUESTA DEL MODELO DE ORDEN REDUCIDO (6) Tiempo (seg) Tiempo (seg) Tiempo (seg) Tiempo (seg)
3 Señal de Error ( C) Señal de Error ( C) Señal de Error ( C) Señal de Error ( C) Capítulo 2. Descomposición ortogonal propia en reducción de modelos 49 Figura 2.13 Señales de Error en los Puntos de Medición 5 Punto de Medición Placa Tiempo (seg) Punto de Medición Placa Tiempo (seg) Punto de Medición Placa Tiempo (seg) Punto de Medición Placa Tiempo (seg) Cuando se aplican técnicas de reducción de modelos a Sistemas de Gran Escala invariantes en el tiempo se obtiene una ganancia enorme desde el punto de vista computacional. La simulación del sistema reducido (orden 6) descrito anteriormente tomó.75 segundos (CPU AMD Turion Dual-Core 2.1GHz, RAM 4Gb), en vez de los 1325 segundos que tomó la simulación del sistema de completo (orden 1415) en la misma máquina. En este capítulo se presentaron las bases teóricas y una aplicación práctica de la Proper Orthogonal Decomposition en la reducción de modelos. La técnica de POD está basada en la Descomposición en Valores Singulares que puede ser utilizada para la reducción de modelos estáticos y aproximación optima de matrices. El teorema 2.1 nos permite estimar de manera exacta el valor mínimo de la norma 2 del error que se genera al aproximar una matriz por otra de rango inferior, de la misma manera nos indica cómo construir dicha matriz óptima por medio de una sumatoria de matrices de rango 1 producto de la multiplicación de los vectores singulares de izquierda y derecha en la descomposición de valores singulares. Se comprobó mediante un caso de aplicación
4 5 Ubicación óptima de sensores y una técnica de reducción de modelos para el modelamiento de sistemas de parámetros distribuidos como este teorema y la descomposición en valores singulares puedes ser utilizados en la compresión y aproximación de imágenes. De igual manera, la técnica POD usa el mismo principio para aproximar modelos dinámicos basándose en los datos experimentales que genera el modelo dinámico de gran escala. Esta técnica encuentra las direcciones de las dinámicas más relevantes del modelo dinámico para un experimento específico. Esto nos indica que el modelo de orden reducido producto de la técnica POD aproxima de manera precisa las dinámicas del modelo de simulación de gran escala si las señales de entrada se encuentran dentro del mismo rango de operación de las señales que generaron los datos de donde se calcularon las funciones POD base. Se pudo comprobar que el modelo de orden reducido para el reactor de polimerización aproxima aceptablemente las dinámicas relevantes del modelo basado en elementos finitos, reduciendo los tiempos de simulación de 1325 segundos a tan solo.75 segundos en una computadora convencional. Esta reducción en los tiempos de cómputo es alcanzada cuando el modelo es lineal como el caso de aplicación analizado en este trabajo. Los modelos en ecuaciones parciales no lineales cuando son discretizados por métodos numéricos como volúmenes o elementos finitos generan sistemas lineales variantes en el tiempo, es decir que sus matrices de estado varían en cada iteración de tiempo. En este caso la literatura reporta que una pobre reducción en los tiempos de cómputo, y se ha desarrollado investigación encaminada a acelerar los tiempos de cómputo de modelos lineales de orden reducido variantes en el tiempo (Astrid [8]). La mayoría de sistemas de ingeniería pueden ser modelados de manera más detallada usando ecuaciones diferenciales parciales, lo cual ha motivado el estudio y aplicación de estas técnicas de modelamiento en la industria. En este trabajo se realizó una aplicación de las técnicas de reducción de modelos para simulación, y el aporte se concentró en demostrar que estas técnicas de modelamiento avanzadas pueden ser aplicadas exitosamente en un ambiente industrial, donde todavía no se cuentan con equipos de cómputo especializado para resolver modelos complejos de simulación y donde solo es posible realizar simulaciones en computadoras personales.
5 3. Ubicación optima de sensores para la estimación de temperatura usando modelos de orden reducido En este capítulo se integran las técnicas descritas en los capítulos anteriores ahora enfocados al problema de estimación de variables en sistemas físicos. Se presenta una variante del algoritmo de ubicación óptima de sensores para la identificación de sistemas de parámetros distribuidos en el cual se modifica la métrica para definir experimentos óptimos de identificación paramétrica por otra que permita realizar experimentos óptimos de estimación de variables usando modelos de orden reducido. Se presenta un caso de aplicación de transferencia de calor propio de la industria de los semiconductores. El capitulo inicia con el modelamiento y simulación de la transferencia de calor no lineal en una barra de silicio. En ésta etapa se genera un modelo lineal pero variante en el tiempo lo cual dificulta su uso para el diseño del estimador de estados y para el algoritmo de ubicación óptima de sensores enfocado a estimación. La solución propuesta se baso en el uso de un modelo linealizado del original. Posteriormente se generan bases POD a partir de datos de simulación del modelo no lineal las cuales son utilizadas para encontrar un modelo de orden reducido lineal en invariante en el tiempo. En este trabajo se propone el uso de modelos de orden reducido con dos objetivos: 1. Que permitan la implementación de algoritmos para la ubicación óptima de sensores enfocados a estimación. 2. Que permitan la implementación de estimadores de estados computacionalmente viables para sistemas de parámetros distribuidos descritos por EDP s. 3.1 Transferencia de calor en wafers de silicio La elevada conductividad térmica del silicio ofrece una solución eficiente al problema de aumentar los requerimientos de potencia de los circuitos integrados modernos. Elevadas conductividades térmicas son alcanzadas por medio de la purificación de los materiales semiconductores lo que resulta en alto desempeño, confiabilidad y una reducción generalizada del costo de manufactura para las compañías dedicadas a la producción de circuitos integrados.
6 52 Ubicación óptima de sensores y una técnica de reducción de modelos para el modelamiento de sistemas de parámetros distribuidos La conductividad térmica del silicio cambia drásticamente desde en un rango de temperatura entre 2K y 6K. Por lo tanto, el estudio de la transferencia de calor no lineal entre materiales y componentes interconectados en un circuito integrado se ha convertido en un asunto relevante para el desarrollo de las futuras generaciones de microprocesadores. En este trabajo, se modeló la transferencia de calor en una barra de silicio de longitud L=.1m con conductividad térmica no lineal aproximada por un polinomio de orden d de la forma: a En donde son coeficientes reales y T representa la variable temperatura medida en grados Kelvin. Un diagrama de la barra en 1 dimensión se muestra a continuación: Figura 3.1 Diagrama del sistema físico El modelo de la barra de silicio tiene 2 entradas, una fuente de calor dependiente del tiempo que es aplicada uniformemente a lo largo de la barra y un flujo de calor dependiente del tiempo que es aplicado en el extremo izquierdo de la barra (condición de frontera). El modelo de transferencia de calor está descrito por la EDP no lineal: Donde es la densidad del silicio, su capacidad calorífica, es la conductividad térmica dependiente de la temperatura descrita en la Ecuación 3.1. La variable espacial, el tiempo. En éste trabajo se asume que y son constantes e independientes de la temperatura. Si se reemplaza la Ecuación 3.1 en la Ecuación 3.2 se tiene que el modelo matemático para la transferencia de calor en una barra de silicio es:
7 Capítulo 3. Ubicación optima de sensores para la estimación de temperatura usando modelos de orden reducido 53 Con condiciones de frontera tipo Neuman: 3.2 Solución numérica para la transferencia de calor en la barra de silicio Para solución numérica del modelo no lineal de transferencia de calor se implementó un esquema de diferenciación por Volúmenes Finitos. Una de las principales razones para usar este esquema es la interpretación física del modelo resultante, el cual está basado en balances de materia y energía en cada volumen finito. Esta relación evidente entre el algoritmo numérico y el principio físico dominante en el fenómeno de transferencia de calor fue la motivación principal para la implementación de este esquema de diferenciación. El método de volúmenes finitos es un caso especial de la formulación por diferencias finitas y consiste básicamente en 3 pasos. El primero es la integración del sistema de EDP s sobre cada volumen de control expresando la conservación (el balance) de las propiedades físicas relevantes (Energía, Masa, Materia) en cada volumen finito. Posteriormente, la etapa de discretización involucra la substitución de aproximaciones por diferencias finitas de los términos del sistema integrado de EDP s. Este paso transforma la característica infinito-dimensional de las EDP s generando una aproximación de diferencias finitas de alto orden para el sistema original de EDP s. La etapa final es la solución numérica del sistema dinámico resultante. A continuación se describen detalladamente los pasos para solucionar la EDP de la Ecuación 3.3 y Ecuación 3.4 por volúmenes finitos. El primer paso involucra la integración en todo el dominio espacio-temporal de la EDP en la Ecuación 3.2: representa una integral en el volumen de control respecto a coordenadas espaciales. El dominio espacial es discretizado en volúmenes finitos con las fronteras descritas en la Figura 3.2:
8 54 Ubicación óptima de sensores y una técnica de reducción de modelos para el modelamiento de sistemas de parámetros distribuidos Figura 3.2 Diagrama del volumen de control en el esquema de Volúmenes Finitos En lo que resta del trabajo se va a respetar la nomenclatura inglesa de los nodos dada en (Veersteg [31]). El nodo P es el centro del volumen de control y tiene como fronteras de control los puntos w (oeste) y e(este). en la Figura 3.2 es el paso de discretización del domino espacial. Evaluando las integrales de la Ecuación 3.5 respecto a los volúmenes de control presentados en la Figura 3.2 se tiene que: (3.6) En la Ecuación 3.6 se asume que la temperatura en el nodo P prevalece sobre todo el volumen de control y que las derivadas espaciales son aproximadas por un esquema de diferencias finitas. Adicionalmente se asume los pasos de tiempo son suficientemente pequeños y por lo tanto se cumple la aproximación: (3.8) Por lo tanto, la Ecuación 3.7 puede ser rescrita como:
9 Capítulo 3. Ubicación optima de sensores para la estimación de temperatura usando modelos de orden reducido 55 (3.9) Reacomodando los términos en la Ecuación 3.8 se tiene: (3.1) Donde: (3.11) y son las conductividades térmicas en los nodos W y E las cuales son diferentes debido a la dependencia no lineal de en la temperatura. La Ecuación 3.1 aplicada en todos los nodos de la malla de discretización espacial genera un sistema dinámico discreto de la forma el cual a su vez puede ser rescrito como un modelo en espacio de estados: (3.12) En donde: (3.13) es una matriz tridiagonal, y, donde es el número de volúmenes finitos que determina el orden del sistema dinámico, p=2 es el número de señales de control. Debido a que se modeló un sistema no lineal, la discretización por volúmenes finitos genera un sistema dinámico lineal variante en el tiempo.
10 Fuente de Calor (W) Fuente de Calor (W) 56 Ubicación óptima de sensores y una técnica de reducción de modelos para el modelamiento de sistemas de parámetros distribuidos 3.3 Simulación del modelo del proceso físico Para la simulación del modelo matemático de transferencia de calor no lineal en el silicio descrito en la Ecuación 3.12 se consideraron los parámetros físicos descritos en la Tabla 3.1. Tabla 3.1 Parámetros físicos del modelo Longitud de la barra Densidad Capacidad calorífica Parámetros de Adicionalmente se implementaron señales de excitación correspondientes a una fuente de calor a lo largo de toda la barra y a un flujo externo de calor en la frontera izquierda de la barra tal como se muestra en el diagrama de la Figura 3.1. Las señales de excitación se presentan a continuación: Figura 3.3 Señales de excitación 1 x 15 SEÑAL DE CONTROL U1(t) Tiempo (s) 2 x 15 SEÑAL DE CONTROL U2(t) Tiempo (s) Los parámetros de simulación se presentan en la Tabla 3.2:
11 Capítulo 3. Ubicación optima de sensores para la estimación de temperatura 57 usando modelos de orden reducido Tabla 3.2 Parámetros de simulación Número de nodos (Orden del sistema dinámico) Temperatura inicial Número de instantes de tiempo Paso de tiempo Paso de discretización espacial 1 (K) A continuación se presenta la evolución espacio-temporal de la dinámica de temperatura en la barra unidimensional de silicio correspondiente al modelo matemático descrito en la Ecuación 3.12, las señales de excitación presentadas en la Figura 3.3 y a los parámetros descritos en las Tablas 3.1 y 3.2: Figura 3.4 Evolución espacio-temporal de la temperatura en la barra SIMULACION DE MODELO NO LINEAL ORDEN COMPLETO Temperatura (K) Tiempo (s) Longitud (mm) 1 A continuación se presenta la variación de la conductividad térmica como función de la temperatura y la posición en la barra:
12 58 Ubicación óptima de sensores y una técnica de reducción de modelos para el modelamiento de sistemas de parámetros distribuidos Figura 3.5 Evolución espacio-temporal de la conductividad térmica EVOLUCION DE LA CONDUCTIVIDAD TERMICA EN EL TIEMPO Conductividad Térmica (W/mK) Tiempo (s) 144 Longitud (mm) Estudio de un modelo lineal para propósitos de estimación Como se demostró en la sección 3.2, la discretización por volúmenes finitos de un sistema de EDPs genera un sistema de ecuaciones de alto orden lineales y variantes en el tiempo. (Astrid [8]) demostró que la ganancia en términos de capacidad y velocidad de cómputo obtenida con las técnicas de reducción de modelos no son evidentes para sistemas cuyas matrices de estado varían en cada instante de tiempo. Por este motivo, en este trabajo se estudió la validez de un modelo linealizado de la Ecuación 3.3 dentro de cierto rango de temperatura, tal que pueda ser utilizado como base del estimador de temperatura de orden reducido y para el algoritmo de ubicación óptima de sensores para estimación. Retomando la EDP de la transferencia de calor: (3.14) Se puede establecer que la EDP es no lineal para modelo lineal para el caso en el que, es decir, por lo tanto se estudió el.
13 Capítulo 3. Ubicación optima de sensores para la estimación de temperatura 59 usando modelos de orden reducido Figura 3.6 Diferencia de temperaturas entre el modelo lineal y el no lineal DIFERENCIA TEMPERATURA ENTRE MODELO NO LINEAL Y LINEAL Temperatura (K) Longitud (mm) Tiempo (s) En la Figura 3.6 se presenta la diferencia de temperaturas entre el modelo no lineal y lineal cuando fueron simulados bajo las mismas condiciones de excitación presentadas en la Figura 3.3 y bajo los mismos parámetros físicos y de simulación presentados en la Tabla 3.1 y Tabla 3.2. Se puede comprobar que el rango de diferencia es de 1K entre los dos modelos. Esta situación justifica el uso del modelo lineal de bajo costo computacional como base del estimador de orden reducido y también como modelo para el algoritmo de ubicación óptima de sensores enfocado a estimación. 3.5 Reducción del modelo lineal de la transferencia de calor en la barra de silicio La simulación del modelo no lineal de orden completo es utilizada para generar una matriz snapshot siguiendo la metodología descrita en la sección 2.8 de este trabajo. La matriz es utilizada para construir una matriz de correlación similar a la de la Ecuación Los valores singulares de la matriz de correlación representan el nivel de relevancia de cada base ortogonal obtenida por este método y se presentan a continuación en escala logarítmica: -9
14 Log 1 (Valor Singular) 6 Ubicación óptima de sensores y una técnica de reducción de modelos para el modelamiento de sistemas de parámetros distribuidos Figura 3.7 Espectro de valores singulares de la matriz 6 ESPECTRO DE VALORES SINGULARES DE LA MATRIZ SNAPSHOT N-ésimo Valor Singular Teniendo en cuenta el nivel de relevancia de las primeras 5 bases, se definió que el modelo reducido va a ser de orden 5. La forma de las primeras 5 bases POD se presenta a continuación:
15 Base POD Base POD Base POD Base POD Base POD Capítulo 3. Ubicación optima de sensores para la estimación de temperatura usando modelos de orden reducido 61 Figura 3.8 Forma de la primera base POD PRIMERA BASE POD Longitud(mm) Figura 3.9 Forma de la 2da, 3ra y 4ta base POD.15 SEGUNDA BASE POD.1 TERCERA BASE POD Longitud(mm) Longitud(mm).4 CUARTA BASE POD.3 QUINTA BASE POD Longitud(mm) Longitud(mm)
16 Fuente de Calor (W) Fuente de Calor (W) 62 Ubicación óptima de sensores y una técnica de reducción de modelos para el modelamiento de sistemas de parámetros distribuidos El modelo lineal invariante en el tiempo de orden reducido es generado siguiendo los lineamientos de la sección 2.8 de éste trabajo. Para validar el modelo lineal de orden reducido se implementaron unas señales de excitación diferentes a las presentadas en la Figura 3.3: Figura 3.1 Señales de Excitación para Validación 1 x 15 SEÑAL DE CONTROL U1(t) Tiempo (s) x 15 SEÑAL DE CONTROL U2(t) Tiempo (s)
17 Capítulo 3. Ubicación optima de sensores para la estimación de temperatura 63 usando modelos de orden reducido Figura 3.11 Error de aproximación del modelo de orden reducido al modelo no lineal de orden completo para las señales de validación ERROR DE APROXIMACION DEL MODELO LINEAL DE ORDEN REDUCIDO AL MODELO NO LINEAL Temperatura (K) Tiempo (s) Longitud ((mm)) 1 De la Figura 3.11, se puede evidenciar que el modelo lineal de orden reducido generado con las bases POD del sistema no lineal aproxima aceptablemente las dinámicas del modelo no lineal presentando errores en el rango de -5K a -1K en promedio. Por éste motivo, el modelo de orden reducido lineal e invariante el tiempo de orden 5 será utilizado como base para el algoritmo de ubicación óptima de sensores para estimación de estados y para el diseño de un estimador de temperatura en las siguientes secciones. 3.6 Ubicación óptima de sensores enfocado a estimación de estados La medición de variables tiene un papel crucial tanto en el desempeño, economía, viabilidad y seguridad de todos los sistemas de ingeniería. Sin embargo, la instrumentación industrial moderna está sujeta al costo y la falta de tecnología existente para la medición de ciertas variables físicas, por lo tanto, en ambientes industriales es común encontrar sistemas adquisición de variables limitados por el número de sensores disponibles. Los sistemas de ingeniería son distribuidos por naturaleza lo cual hace
18 64 Ubicación óptima de sensores y una técnica de reducción de modelos para el modelamiento de sistemas de parámetros distribuidos imposible tomar mediciones de todas las variables del proceso en todos los puntos espaciales ya que se cuenta con un numero finito de sensores. Los estimadores de estados son estructuras matemáticas basadas en modelo matemático del proceso que permiten reconstruir las variables de un sistema dinámico (proceso industrial) a partir de un numero finito de variables medidas (sensores) y a partir de las entradas del proceso. Una Planta típica tiene entradas físicas, perturbaciones y un número limitado de salidas medidas. Un esquema detallado de la planta con su estimador se presenta a continuación: Figura 3.12 Planta física y un estimador de estados Para plantas que están descritas por modelos lineales invariantes en el tiempo, el Filtro de Kalman provee la solución óptima para el siguiente problema de estimación de estados: Dado el modelo de la planta en espacio de estados: (3.15) En donde con las salidas medidas de la planta, es el vector de perturbaciones de la planta y es ruido de medicion (blanco), se cuentan con las matrices de covarianzas: El Filtro de Kalman tiene la siguiente ecuación de estado: (3.16) (3.17) En donde es la matriz de ganancias óptima, es el vector de estados estimados en el tiempo, es el vector de salidas estimadas de la planta en el tiempo. La matriz de ganacias es el resultado de la solución de una Ecuación Algebraica de Riccati,
19 Capítulo 3. Ubicación optima de sensores para la estimación de temperatura usando modelos de orden reducido 65 minimiza la covarianza del error en estado estacionario y puede ser calculada como: (3.18) Se puede apreciar en la Ecuación 3.17 y Ecuación 3.18 que el modelo del estimador de estados tiene el mismo orden del sistema que requiere ser estimado. Esto constituye un serio problema cuando se requiere diseñar estimadores de estados para sistemas de alto orden, y las técnicas numéricas modernas para la solución de las Ecuaciones algebraicas de Riccati no son capaces de abordar el problema si el orden es superior aproximadamente a 2. Esta situación justifica el uso de modelos de orden reducido que permitan aproximar la estimación de variables en modelos de alto orden como los generados por la discretización de sistemas de EDPs. En la estimación de estados para sistemas de parámetros distribuidos se presenta un problema similar al de identificación paramétrica en el sentido en que se requieren ubicar un número finito de sensores en el dominio espacial tal que la energía de las salidas sea máxima para poder realizar la mejor estimación posible, es decir se busca la ubicación óptima de sensores para estimación de sistemas de parámetros distribuidos. La metodología propuesta en éste trabajo para encontrar dichas posiciones se basa en una métrica relacionada con la energía de los estados en sistemas dinámicos lineales invariantes en el tiempo. Se propone el uso del algoritmo descrito en la sección 1.2 con una variante en la métrica que describe el experimento óptimo. En el capítulo 2, se diseñaron experimentos óptimos para identificación usando una función objetivo basada en la Matriz de Información de Fisher como métrica. En éste capítulo, se propone el diseño de experimentos óptimos para estimación usando una función objetivo basada en el Gramiano de Observabilidad. Definición 3.1. Dado un sistema discreto lineal invariante en el tiempo descrito por: (3.19) El Gramiano de Observabilidad de horizonte finito sobre definida como: observaciones es la matriz (3.2) El Gramiano de Observabilidad de horizonte infinito es la matriz definida como: (3.21) En donde es el orden del sistema dinámico.
20 66 Ubicación óptima de sensores y una técnica de reducción de modelos para el modelamiento de sistemas de parámetros distribuidos El gramiano de observabilidad está íntimamente relacionado con el concepto de observabilidad de la teoría de control y se puede demostrar que un sistema es observable si y solo si es una matriz definida positiva para todo. La existencia del gramiano de observabilidad de horizonte infinito está sujeta a la estabilidad del sistema descrito en la Ecuación 3.19, es decir que dicho límite existe y está definido si y solo si los valores propios de la matriz se ubican dentro del círculo unitario en el plano complejo. En la práctica es mucho más sencillo calcular el gramiano de horizonte infinito que el de horizonte finito, dado que el Gramiano de Observabilidad de Horizonte Infinito para sistemas discretos es la solución de la Ecuación Algebraica de Lyapunov: (3.22) Definición 3.2. La Energía de Observación de los estados sobre observaciones con se define como: (3.23) Teorema 3.1. Para la energía de observación definida en la Ecuación 3.23 se tiene que: Prueba: (3.24) (3.25) Definición 3.3. La Energía de Observación de horizonte infinito se define como: (3.26) La Ecuación 3.26 muestra que la energía de observación de los estados de un sistema dinámico lineal está directamente relacionado con el Gramiano de Observabilidad de horizonte infinito por medio de una relación cuadrática de los estados, y que la máxima energía producida al observar las salidas de una planta lineal cuyos estados iniciales son viene dada por la Ecuación El Gramiano de Observabilidad de horizonte infinito es una matriz simétrica, por lo tanto su descomposición en valores singulares viene dada por:
2. Descomposición ortogonal propia en reducción de modelos
2. Descomposición ortogonal propia en reducción de modelos En este capítulo se plantean las definiciones teóricas y las herramientas necesarias para abordar el problema de la reducción de modelos dinámicos.
Más detalles1. Identificación de sistemas de parámetros distribuidos y el problema de ubicación optima de sensores
1. Identificación de sistemas de parámetros distribuidos y el problema de ubicación optima de sensores Los Sistemas de Parámetros Distribuidos son sistemas dinámicos de gran escala cuyos estados presentan
Más detallesMÉTODO DE DIFERENCIAS FINITAS (FDM)
MÉTODO DE DIFERENCIAS FINITAS (FDM) MÉTODO DE DIFERENCIAS FINITAS (FDM) Cambia ecuaciones diferenciales ecuaciones en diferencias finitas a Relaciona el valor de la variable dependiente en un punto a valores
Más detallesIDENTIFICACION DE SISTEMAS IDENTIFICACION NO PARAMETRICA
IDENTIFICACION DE SISTEMAS IDENTIFICACION NO PARAMETRICA Ing. Fredy Ruiz Ph.D. ruizf@javeriana.edu.co Maestría en Ingeniería Electrónica Pontificia Universidad Javeriana 2013 SISTEMAS LTI En general un
Más detallesSOLUCIÓN A LA ECUACIÓN EN DIFERENCIAS FINITAS. Hernández Cruz G. Berenice.
SOLUCIÓN A LA ECUACIÓN EN DIFERENCIAS FINITAS Hernández Cruz G. Berenice. SOLUCIÓN A LA ECUACIÓN EN DIFERENCIAS FINITAS La solución de diferencias finitas es ocupada en los análisis numéricos, por ejemplo:
Más detallesFUNDAMENTOS Y MODELOS MATEMÁTICOS DE LOS SISTEMAS DE CONTROL UNIDAD 1
FUNDAMENTOS Y MODELOS MATEMÁTICOS DE LOS SISTEMAS DE CONTROL UNIDAD 1 Contenido El concepto de realimentación. Establecimiento de las ecuaciones diferenciales que rigen a un sistema. Función de transferencia.
Más detallesUbicación óptima de sensores y una técnica de reducción de modelos para el modelamiento de sistemas de parámetros distribuidos
Ubicación óptima de sensores y una técnica de reducción de modelos para el modelamiento de sistemas de parámetros distribuidos Edwin Giovanni Insuasty Moreno Universidad Nacional de Colombia Facultad de
Más detallesINTRODUCCIÓN AL MÉTODO DEL ELEMENTO FINITO
INTRODUCCIÓN AL MÉTODO DEL ELEMENTO FINITO El método del elemento finito es una técnica numérica para resolver problemas que se pueden describir por ecuaciones diferenciales parciales o que pueden ser
Más detallesIDENTIFICACIÓN DE SISTEMAS MÉTODOS POR SUB-ESPACIOS
IDENTIFICACIÓN DE SISTEMAS MÉTODOS POR SUB-ESPACIOS Ing. Fredy Ruiz Ph.D. ruizf@javeriana.edu.co Maestría en Ingeniería Electrónica Pontificia Universidad Javeriana 2013 Introduccion La teoría de sistemas
Más detallesTEMA 1: SISTEMAS MODELADOS POR ECUACIONES DIFERENCIALES EN INGENIERÍA QUÍMICA. CLASIFICACIÓN. GENERALIDADES.
TEMA 1: SISTEMAS MODELADOS POR ECUACIONES DIFERENCIALES EN INGENIERÍA QUÍMICA. CLASIFICACIÓN. GENERALIDADES. 1. INTRODUCCIÓN. PLANTEAMIENTO DE PROBLEMAS EN INGENIERÍA QUÍMICA 2. PROBLEMAS EXPRESADOS MEDIANTE
Más detallesModelado y simulación en Ingeniería Química. Manuel Rodríguez
ÍNDICE Modelos de caja gris Calibración de modelos Estimación de parámetros Análisis de la estimación Regresión no lineal 1. Modelos de caja gris Son modelos de un sistema (o proceso), donde: Desarrollados
Más detallesAPLICACIONES COMPUTACIONALES
APLICACIONES COMPUTACIONALES INGENIERÍA EJECUCIÓN MECÁNICA ECUACIONES DIFERENCIALES PARCIALES (EDP) MOTIVACIÓN Una ecuación que tiene derivadas parciales de una función desconocida, de dos o más variables
Más detallesClasificación de los sistemas
Clasificación de los sistemas Para clasificar los sistemas tomaremos en cuenta las características que poseen los modelos matemáticos empleados. La siguiente clasificación jerárquica permite señalar el
Más detalles1 Control Óptimo. 1.1 Introducción Problema típico de control óptimo
1 Control Óptimo 1.1 Introducción El control óptimo es una rama del control moderno que se relaciona con el diseño de controladores para sistemas dinámicos tal que se minimice una función de medición que
Más detallesControlabilidad completa del estado para sistemas en tiempo continuo
Capítulo 11: CONTROLABILIDAD Y OBSERVABILIDAD Se dice que un sistema es controlable en el instante t0 si es posible llevarlo de cualquier estado inicial x(t0) a cualquier otro estado, empleando un vector
Más detallesCapítulo V. Introducción al análisis por el método de elemento finito
Capítulo V Introducción al análisis por el método de elemento finito El método de elemento finito es una técnica para resolver ecuaciones diferenciales parciales, primero, discretando las ecuaciones al
Más detallesMétodo de los Mínimos Cuadrados Recursivos
Método de los Mínimos Cuadrados Recursivos Teodoro Alamo a Ingeniería de Control Tercer Curso GITI Escuela Superior de Ingenieros Sevilla Formulación del problema Supongamos que los escalares y i, i =
Más detallesTema 1: Conceptos generales del Análisis Numérico
Tema 1: Conceptos generales del Análisis Numérico Asignatura: Cálculo Numérico I 1er. curso Grado en Matemáticas Anna Doubova Dpto. EDAN, Universidad de Sevilla 5 de febrero de 2018 A. Doubova (Dpto. EDAN)
Más detallesDiferencias finitas en la resolución de EDPs
Diferencias finitas en la resolución de EDPs Ejercicios propuestos Ejercicio La ecuación de Laplace se cumple sobre un dominio rectangular de cm cm donde: T (,0) si T (,) = 0 si > T ( 0, T (, 0
Más detallesTransformada Zeta Aplicación: Filtros digitales
Transformada Zeta Aplicación: Filtros digitales Luciano Andrés Cardozo Estudiante de Ingeniería Electrónica Universidad Nacional del Sur, Avda. Alem 1253, B8000CPB Bahía Blanca, Argentina Lucianocardozo7@gmail.com
Más detallesDinámica de Fluidos Computacional: DFC Discretización temporal. Versión 0.1.0
Dinámica de Fluidos Computacional: DFC Discretización temporal. Versión 0.1.0 Curso de adaptación al grado en ingeniería aeroespacial para ingenieros técnicos aeronáuticos Adrián Lozano Durán adrian@torroja.dmt.upm.es
Más detallesANALISIS EXPERIMENTAL DE TENSIONES Clase Nº 3. Elementos Finitos. Diferencias Finitas. Analogías.
Análisis Experimental de Tensiones 64-16 Ing. Diego Luis Persico ANALISIS EXPERIMENTAL DE TENSIONES 64-16 Clase Nº 3 Elementos Finitos. Diferencias Finitas. Analogías. Conceptos previos. Funcionamiento
Más detallesControl Moderno: Paradigmas y Desafíos
Control Moderno: Paradigmas y Desafíos Elizabeth Villota Cerna Curso: Ingeniería de Control (MT221) Facultad de Ingeniería Mecánica 1 Paradigma del control por realimentación entradas exógenas salidas
Más detallesÍndice general. Agradecimientos. Resumen. Abstract. Resum. Notación matemática. Glosario de abreviaturas
Índice general Agradecimientos Resumen Abstract Resum Notación matemática Glosario de abreviaturas V VII XI XV XIX XXI 1. Introducción 1 1.1. Las relaciones río-acuífero............................ 2 1.2.
Más detallesPROPUESTA DE EQUIVALENCIAS Y CONVALIDACIONES
PROPUESTA DE EQUIVALENCIAS Y CONVALIDACIONES PARA DOBLE TITULACIÓN PRIMER PROGRAMA: INGENIERÍA SEDE MEDELLÍN SEGUNDO PROGRAMA: INGENIERÍA DE SEDE MEDELLÍN a. Componente de Fundamentación: AGRUPACIÓN: MATEMÁTICAS
Más detallesPlanificaciones Teoría de Control II. Docente responsable: SACO ROBERTO. 1 de 5
Planificaciones 6628 - Teoría de Control II Docente responsable: SACO ROBERTO 1 de 5 OBJETIVOS En este curso se introduce al estudiante de ingeniería electrónica a los problemas del control de sistemas
Más detallesSimulación Numérica de Yacimientos. Dr. Fernando Rodríguez de la Garza. Tel: , al 19. Capítulo 1.
Simulación Numérica de Yacimientos Dr. Fernando Rodríguez de la Garza e-mail: frodriguezd@pep.pemex.com Tel: 55508712, 5622 3017 al 19 Capítulo 1. Introducción 1 1. Introducción 1.1 Objetivo de la Ingeniería
Más detallesSolución numérica de ecuaciones en derivadas parciales Ecuaciones diferenciales parciales parabólicas
Solución numérica de ecuaciones en derivadas parciales Ecuaciones diferenciales parciales parabólicas Ing. Jesús Javier Cortés Rosas M. en A. Miguel Eduardo González Cárdenas M. en A. Víctor D. Pinilla
Más detalles19/02/2008. Capítulo 1: Introducción. Indice: Generalidades de la Metodología TH Generalidades de FEM Funciones Óptimas
19/02/2008 Capítulo 1: Introducción Indice: 1.1.- Generalidades de la Metodología TH 1.2.- Generalidades de FEM Funciones Óptimas 13 1.1- Generalidades de la Metodología TH Una teoría general de Métodos
Más detallesTransformadas de la imagen
Transformadas de la imagen Digital Image Processing, Gonzalez, Woods, Addison Wesley, ch 3 Transformadas de la imagen 1 Transformada de Fourier en el caso continuo Transformada de Fourier de una funcion
Más detallesUNIVERSIDAD AUTÓNOMA DE CHIAPAS Facultad de Contaduría y Administración, Campus I
Facultad de Negocios, Campus IV Programa descriptivo por unidad de competencia Programa educativo Licenciatura en Ingeniería en Desarrollo y Tecnologías de Software Modalidad Presencial Clave MA05 H S
Más detallesUNIVERSIDAD DE SONORA
UNIVERSIDAD DE SONORA Unidad Regional Centro División de Ingeniería Departamento de Ingeniería Química y Metalurgia Asignatura: Ecuaciones Diferenciales Clave: 6895 Antecedente: Cálculo Diferencial e Integral
Más detalles02 Elementos finitos para tensión/ compresión axial. Diego Andrés Alvarez Marín Profesor Asistente Universidad Nacional de Colombia Sede Manizales
02 Elementos finitos para tensión/ compresión axial Diego Andrés Alvarez Marín Profesor Asistente Universidad Nacional de Colombia Sede Manizales 1 El método de los elementos finitos El método de los elementos
Más detallesCAPITULO 2. División 2. Conceptos de Equilibrio Conceptos de Elasticidad Modelos Matemáticos
CAPITULO 2 Tensiones y Deformaciones. Revisión de principios físicosf División 2 Conceptos de Equilibrio Conceptos de Elasticidad Modelos Matemáticos Introducción Selección, Diseño y/o Cálculo de Elementos
Más detallesCarrera: EMM Participantes Representante de las academias de ingeniería Electromecánica de los Institutos Tecnológicos.
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Transferencia de Calor. Ingeniería Electromecánica EMM - 0536 3 2 8 2.- HISTORIA
Más detallesTema 1: Conceptos generales del Análisis
Tema 1: Conceptos generales del Análisis Numérico Cálculo Numérico I Anna Doubova y Blanca Climent Ezquerra Dpto. EDAN, Universidad de Sevilla 11 de febrero de 2018 A.Doubova y B. Climent Conceptos generales
Más detalles1) Determinar qué elección de h asegurará, a priori, que la solución numérica del P.C.: con el método de diferencias centrales, existe y es única.
I. Resolución numérica de Problemas de Contorno en E.D.O.: Métodos en diferencias finitas 1) Determinar qué elección de h asegurará, a priori, que la solución numérica del P.C.: y (x) + 4 sen x y (x) 4
Más detallesIntegración de ODEs. Miguel Ángel Otaduy. Animación Avanzada 30 de Enero de 2014
Integración de ODEs Miguel Ángel Otaduy Animación Avanzada 30 de Enero de 2014 Índice Integración de ODEs Problema estático vs. dinámico. Ecuaciones diferenciales ordinarias (ODEs). Desarrollo de Taylor.
Más detallesIdentificación de SIStemas
Identificación de SIStemas Dr. Juan Carlos Gómez Laboratorio de Sistemas Dinámicos y Procesamiento de la Información FCEIA, Universidad Nacional de Rosario jcgomez@fceia.unr.edu.ar www.fceia.unr.edu.ar/isis
Más detallesIdentificación de SIStemas
Identificación de SIStemas Dr. Juan Carlos Gómez Laboratorio de Sistemas Dinámicos y Procesamiento de la Información FCEIA, Universidad Nacional de Rosario jcgomez@fceia.unr.edu.ar www.fceia.unr.edu.ar/isis
Más detallesMatemáticas de la Especialidad de Ingeniería Mecánica
Matemáticas de la Especialidad de Ingeniería Mecánica Módulo 1: Introducción Plan 2010: Programa curso 2013 14 Clase 01 Introducción a la asignatura. Introducción a Matlab. Clases 02, 03 Primer ejemplo
Más detallesCapítulo 7. Subterráneo
Capítulo 7 Solución n Numérica de la Ecuación n de Flujo Subterráneo Teoría a de Flujo Subterráneo Semestre 2008-1 Alberto Rosas Medina 1 Índice Polinomios de Lagrange Diferencias Finitas en una Dimensión
Más detallesCLAVE: MIS 206 PROFESOR: MTRO. ALEJANDRO SALAZAR GUERRERO
MATEMÁTICAS AVANZADAS PARA LA INGENIERÍA EN SISTEMAS CLAVE: MIS 206 PROFESOR: MTRO. ALEJANDRO SALAZAR GUERRERO 1 1. SISTEMAS LINEALES DISCRETOS Y CONTINUOS 1.1. Modelos matemáticos 1.2. Sistemas 1.3. Entrada
Más detallesINDICE Capitulo 1. Introducción Capitulo 2. Conversión y procesamiento de señales
INDICE Capitulo 1. Introducción 1-1 introducción 1 1-1-1 elementos básicos de un sistema de control de datos discretos 2 1-1-2- ventajas de los sistemas de control de datos discretos 3 1-2 ejemplos de
Más detallesConsecuente: Cálculo Diferencial e Integral III, Ecuaciones diferenciales Créditos: 8 (3 h teoría, 2 h taller) Semipresencial
UNIVERSIDAD DE SONORA Unidad Regional Centro División de Ingeniería Departamento de Ingeniería Química y Metalurgia Asignatura: Cálculo diferencial e integral II Clave: 6884 Antecedente: Cálculo Diferencial
Más detallesTALLER DE Nº 2 CONTROL AVANZADO. No se educa cuando se imponen caminos, sino cuando se enseña a caminar
TALLER DE Nº 2 CONTROL AVANZADO No se educa cuando se imponen caminos, sino cuando se enseña a caminar 1. La función de transferencia de cierto proceso es: Gp(S) = 1 5S + 1 El proceso está en serie con
Más detallesIntroducción. Alfonso Cubillos. Programa de Ing. Mecánica Universidad de Ibagué. Aplicaciones computacionales de la Mecánica de Materiales
Programa de Ing. Mecánica Universidad de Ibagué Aplicaciones computacionales de la Mecánica de Materiales Agosto 2007 Cuál es la definición de Mecánica? Cuál es la definición de Mecánica? La mecánica es
Más detalles4.1 Introducción al filtrado adaptativo
41 Introducción al filtrado adaptativo El problema del filtrado Clases básicas de estimación Filtrado adaptativo Estructuras de filtrado lineal Algoritmos Criterios para la elección del filtro adaptativo
Más detallesEJERCICIOS RESUELTOS Y PROPUESTOS
UNIVERSIDAD NACIONAL DE INGENIERÍA Facultad de Ingeniería Mecánica MT 227 Control Moderno y Óptimo EJERCICIOS RESUELTOS Y PROPUESTOS Estabilidad según Lyapunov (1) Un buen modelo de un niño impulsandose
Más detallesCAPÍTULO. Control Proporcional Integral Generalizado. II.1 Introducción. II. Control Proporcional Integral Generalizado
CAPÍTULO II Control Proporcional Integral Generalizado II.1 Introducción El uso de observadores en electrónica de potencia no es una práctica común debido al incremento en el costo del circuito; es decir,
Más detallesCONTROL ANALÓGICO I. MODELADO MATEMÁTICOS DE SISTEMAS DE CONTROL Unidad II
CONTROL ANALÓGICO I MODELADO MATEMÁTICOS DE SISTEMAS DE CONTROL Unidad II Modelado de sistemas Con la finalidad de diseñar y analizar el comportamiento dinámico de un sistema físico, es necesario obtener
Más detallesAsignaturas antecedentes y subsecuentes
PROGRAMA DE ESTUDIOS Sistemas de Control Digital Área a la que pertenece: Área de Formación Integral Profesional Horas teóricas: 3 Horas prácticas: 2 Créditos: 8 Clave: F0187 Asignaturas antecedentes y
Más detallesUniversidad de Santiago de Chile Facultad de Ciencia Departamento de Matemática y Ciencias de la Computación
Profesor: Jaime Álvarez Maldonado Universidad de Santiago de Chile Facultad de Ciencia Departamento de Matemática y Ciencias de la Computación DIFERENCIAS FINITAS Ayudante: Rodrigo Torres Aguirre El método
Más detallesESCUELA SUPERIOR POLITÉCNICA DEL LITORAL FACULTAD DE CIENCIAS NATURALES Y MATEMÁTICAS CONTENIDO DE CURSO ANÁLISIS NUMÉRICO MATG1013
A. IDIOMA DE ELABORACIÓN Español B. DESCRIPCIÓN DEL CURSO El curso de Análisis Numérico trata sobre la teoría y los algoritmos propios para el desarrollo de métodos numéricos que permiten resolver problemas
Más detallesGeometría de Señales Espacios de Hilbert y aproximaciones
Geometría de Señales Espacios de Hilbert y aproximaciones Temario Teorema de Parseval y Conservación de la Norma. Aproximaciones por proyección Ejemplos Teorema de Parseval Sea x la representación de un
Más detallesSimulación Numérica de Yacimientos
Simulación Numérica de Yacimientos Dr. Fernando Rodríguez de la Garza email: frodriguezd@pep.pemex.com Tel: 5550871, 56 3017 al 19 Capítulo 3. Diferencias Finitas 1 3.1 Diferencias Finitas Considerar que
Más detallesIngeniería de Procesos Metalúrgicos y de Materiales. Flujo 1D de calor por conducción en estado no estacionario
Ingeniería de Procesos Metalúrgicos y de Materiales Flujo 1D de calor por conducción en estado no estacionario Ecuaciones nodales del método de diferencias finitas (explícito) Dr. Bernardo Hernández Morales
Más detallesSolución de la ecuación de Stokes
REVISTA Solución de la ecuación de Stokes Doctora en Ciencias Matemáticas, Resumen Palabras clave Método de los elementos Elementos cuadriláteros Solution of the Stokes equation using the quadrilateral
Más detalles... D.P.Kothari. I.J.Nagrath
... D.P.Kothari. I.J.Nagrath 1. Introducción 1.1 Una perspectiva 1 1.2 Estructura de los sistemas de suministro eléctrico 10 1.3 Fuentes convencionales de energía eléctrica 13 1.4 Las fuentes renovables
Más detallesModelación Matemática y Computacional en Ciencias e Ingenierías
Universidad Nacional Autónoma de México Facultad de Ciencias Modelación Matemática y Computacional en Ciencias e Ingenierías Presenta: Antonio Carrillo Ledesma La Ciencia en las Calles Noviembre de 2009
Más detallesUniversidad Nacional de Asunción Facultad de Ingeniería. Ingeniería Electrónica Ingeniería Electromecánica
Universidad Nacional de Asunción Facultad de Ingeniería Ingeniería Electrónica Ingeniería Electromecánica Trabajo Final de Grado Simulación 3D del transitorio térmico de circuitos electrónicos y control
Más detallesCRITERIOS DE EVALUACIÓN DE MATEMÁTICAS DE 4º ESO (Currículo oficial)
CRITERIOS DE EVALUACIÓN DE MATEMÁTICAS DE 4º ESO (Currículo oficial) Los criterios de evaluación que se exponen son los correspondientes al Real Decreto 1631/2006 al que remite el Decreto 231/2007 de 31
Más detallesSeguimiento de los parámetros del modelo del tracto vocal
Algoritmos para el seguimiento de los parámetros del modelo de tracto vocal Monografía de Tratamiento Estadístico de Señales parias@fing.edu.uy Instituto de Ingeniería Eléctrica Facultad de Ingeniería
Más detallesAntecedentes de Control
Apéndice A Antecedentes de Control Para cualquier tipo de análisis de sistemas de control, es importante establecer ciertos conceptos básicos. Sistemas de control retroalimentados Un sistema que mantiene
Más detallesque represente lo mejor posible la relación entre valores X e Y permitiéndonos inferir un valor a partir del otro.
Regresió n josé a. mañas 8.2.2017 1 Introducción El objetivo de las técnicas de regresión es identificar una función que permita estimar una variable Y en función de la otra X. Es decir, averiguar una
Más detallesUniversidad Nacional Autónoma de México Instituto de Geofísica
Universidad Nacional Autónoma de México Instituto de Geofísica Aplicación del Cómputo Paralelo a la Modelación de Sistemas Continuos en Ciencias e Ingeniería Presentan: Antonio Carrillo Ledesma Ismael
Más detallesFACULTAD DE CIENCIAS EXACTAS, INGENIERÍA Y AGRIMENSURA U.N.R.
FACULTAD DE CIENCIAS EXACTAS, INGENIERÍA Y AGRIMENSURA U.N.R. PROGRAMA ANALÍTICO DE LA ASIGNATURA: DINÁMICA DE LOS SISTEMAS FÍSICOS Código: E 504 PRESUPUESTO HORARIO SEMANAL PROMEDIO PLAN DE ESTUDIOS:
Más detallesEn efecto, si tenemos el siguiente problema de contorno (1.1) con condiciones de frontera homogéneas, donde Ω es una región dada donde está definido
1 En los últimos años se ha incrementado el interés teórico y práctico por los métodos de descomposición de dominio [65,89] para la solución numérica de ecuaciones diferenciales parciales que modelan sistemas
Más detallesAproximación funcional. Introducción
Aproximación funcional. Introducción Laboratori de Càlcul Numèric (LaCàN) Departament de Matemàtica Aplicada III Universitat Politècnica de Catalunya (Barcelona) http://www-lacan.upc.es Objetivos Entender
Más detallesPRINCIPIOS DE MODELACIÓN DE EVENTOS MECÁNICOS EN ALGOR FEA.
Capítulo 3 PRINCIPIOS DE MODELACIÓN DE EVENTOS MECÁNICOS EN ALGOR FEA. 3.1.Introducción Uno de los grandes problemas a los que se enfrenta la modelación de eventos mecánicos usando el método de elementos
Más detallesAntonio Carrillo Ledesma Ismael Herrera Revilla
Universidad Nacional Autónoma de México Instituto de Geofísica Aplicación del Cómputo Paralelo a la Modelación de Sistemas Continuos en Ciencias e Ingeniería Mediante el Método FETI Dual-Primal Presentan:
Más detallesPROBLEMAS COMPUTACIONALES DE MECÁNICA DE FLUIDOS EN GEOMETRÍAS COMPLEJAS
PROBLEMAS COMPUTACIONALES DE MECÁNICA DE FLUIDOS EN GEOMETRÍAS COMPLEJAS Modelización del problema fluido. Problemas físicos: Cálculo estacionario de fuerzas en una aeronave. Cálculos no estacionarios:
Más detallesINDICE Capitulo 1. Introducción Capitulo 2. Descripción matemática de señales 2.1. Introducción y objetivos
INDICE Prefacio XIII Capitulo 1. Introducción 1 1.1. Definición de señales y sistemas 1 1.2. Tipos de señales 1 1.3. Ejemplo de una señal y un sistema 8 1.4. Uso de MATLAB 13 Capitulo 2. Descripción matemática
Más detallesEJEMPLOS DE APLICACIÓN DE LA INTEGRACIÓN APROXIMADA DE LAS ECUACIONES DIFERENCIALES DE EQUILIBRIO
EJEMPLOS DE APLICACIÓN DE LA INTEGRACIÓN APROXIMADA DE LAS ECUACIONES DIFERENCIALES DE EQUILIBRIO 1. Objetivo El objetivo de esta aplicación es ilustrar cómo se pueden integrar las ecuaciones diferenciales
Más detallesIntroducción al Control Óptimo
Ingeniería en Control y Automatización Introducción al Control Óptimo Aplicación a sistemas de control moderno ERÍA DEL CNRL III de diciembre de 6 Autor: M. en C. Rubén Velázquez Cuevas Escuela Superior
Más detallesTeoría de Control Moderna
1! Modelos en Variables de Estado Juan Antonio Hernández Tamames, Susana Borromeo Curso 2014-2015 Teoría de Control Moderna 2! Teoría de control clásica basada en la relación entrada-salida o función de
Más detallesMETODOS NUMERICOS. Curso
Boletín 1 de prácticas. 1. Localizar las raíces de la ecuación F (x) = 0, para los siguientes casos: (a) F (x) = x + e x. (b) F (x) = 0.5 x + 0.2 sen(x). (c) F (x) = x tg(x). (d) F (x) = x 5 3. (e) F (x)
Más detallesANALISIS NUMERICO. Práctica 1 - Diferencias Finitas
ANALISIS NUMERICO Práctica 1 - Diferencias Finitas do Cuatrimestre 014 Clasificación de ecuaciones diferenciales en derivadas parciales Eercicio 1 Hallar las regiones donde la ecuación (α + x) u xx + xyu
Más detallesModelación del Comportamiento Hidrodinámico del agua subterránea de la zona comprendida entre Carbó, Pesqueira y Zamora, Sonora.
9.- MODELACIÓN MATEMÁTICA Mod-Flow es un programa tridimensional para agua subterránea el cual trabaja bajo una expresión de diferencias finitas de aproximación. Mod-Flow fue desarrollado por el USGS de
Más detallesUNIVERSIDAD DISTRITAL Francisco José de Caldas
1. Información General UNIVERSIDAD DISTRITAL Francisco José de Caldas Tecnología en Sistemas Eléctricos de media y baja tensión articulado por ciclos propedéuticos con Ingeniería Eléctrica por ciclos Espacio
Más detallesÍNDICE GENERAL. Agradecimientos. Resumen. Acrónimos y Símbolos 11. Introducción 15
ÍNDICE GENERAL Agradecimientos Resumen III V Acrónimos y Símbolos 11 Introducción 15 1. Máquinas eléctricas convencionales 19 1.1. Clasificación de las máquinas eléctricas........... 20 1.2. Máquinas asíncronas
Más detallesUniversidad de Montemorelos Facultad de Ingeniería y tecnología
Universidad de Montemorelos Facultad de Ingeniería y tecnología Proyecto elaborado como requisito parcial De la material Calculo Integral Equipo Calculeitors: Sydney Javier Domínguez Jesus Daniel Maldonado
Más detallesPFC: Localización de robots mediante filtro de Kalman
6.- FILTRO DE KALMAN 6.1.- MOTIVACIÓN Los sistemas de navegación se han convertido en un estándar, ya que se venden más y más, sobre todo con los coches nuevos. La mayoría de estos sistemas de navegación
Más detallesUnidad I Análisis de Sistemas Realimentados
Prof. Gerardo Torres - gerardotorres@ula.ve - Cubículo 003 Departamento de Circuitos y Medidas de la Escuela de Ingeniería Eléctrica de la Universidad de Los Andes Unidad I Análisis de Sistemas Realimentados
Más detallesTema Contenido Contenidos Mínimos
1 Estadística unidimensional - Variable estadística. - Tipos de variables estadísticas: cualitativas, cuantitativas discretas y cuantitativas continuas. - Variable cualitativa. Distribución de frecuencias.
Más detallesEstabilización Inteligente de Sistemas Eléctricos de Potencia (Parte II)
ANEXO AL INFORME DEL PROYECTO INDIVIDUAL ESTABILIZACIÓN INTELIGENTE DE SISTEMAS ELÉCTRICOS DE POTENCIA (Parte II). CLAVE CGPI: 20071307 DIRECTOR: M. en C. FRANCISCO JAVIER VILLANUEVA MAGAÑA. I. RESUMEN.
Más detallesPROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2009 DIURNO INGENIERIA ELECTRICA ASIGNATURA
PROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2009 DIURNO INGENIERIA ELECTRICA SEMESTRE ASIGNATURA 3er TRANSFORMADAS INTEGRALES CÓDIGO HORAS MAT-20254
Más detallesOCW-V.Muto El problema de mínimos cuadrados. Cap. XIX CAPITULO XIX. EL PROBLEMA DE LOS MINIMOS CUADRADOS: PRELIMINARES
CAPITULO XIX. EL PROBLEMA DE LOS MINIMOS CUADRADOS: PRELIMINARES. SISTEMAS LINEALES DE ECUACIONES SOBREDETERMINADOS La discusión de los problemas algebráicos de la parte anterior se había centrado exclusivamente
Más detallesINDICE. Capitulo I. Introducción
INDICE Capitulo I. Introducción I 1.1. La mecánica de fluidos en la ingeniera 1 1.2. Los fluidos y la hipótesis del continuo 22 1.2.1. El modelo del continuo 4 1.3. Propiedades de los fluidos 1.3.1. Densidad,
Más detallesUNIDAD DIDÁCTICA I Teoría de Filtrado Óptimo 1
Índice PRÓLOGO IX UNIDAD DIDÁCTICA I Teoría de Filtrado Óptimo 1 1 Representación de Estado de Sistemas Lineales 5 11 Representación de Estado en Tiempo Continuo 5 12 Matriz de Transición 1 121 Definición
Más detallesBachillerato Internacional. Matemáticas Nivel Medio. Programa para el curso 1º ( )
1 Bachillerato Internacional. Matemáticas Nivel Medio. Programa para el curso 1º (2015-2016) Tema 1: NÚMEROS REALES Conjuntos numéricos. Números naturales. Números enteros. Números racionales. Números
Más detallesMétodo de Mínimos Cuadrados Recursivo
Control Avanzado Práctica 4 Método de Mínimos Cuadrados Recursivo José Gerardo Gomez Mendez Abril 27, 25 Resumen El presente trabajo presenta un sistema de un circuito RLC, donde se utiliza el método de
Más detalles7.2.2 método de elementos finitos Como el método de diferencias finitas, el método de elementos finitos se ha utilizado ampliamente en el flujo de
7.2.2 método de elementos finitos Como el método de diferencias finitas, el método de elementos finitos se ha utilizado ampliamente en el flujo de agua subterránea y simulación ió de transporte de soluto.
Más detallesAPLICACIONES COMPUTACIONALES INGENIERÍA EJECUCIÓN MECÁNICA INTEGRACIÓN NUMÉRICA. IEM APLICACIONES COMPUTACIONALES
APLICACIONES COMPUTACIONALES INGENIERÍA EJECUCIÓN MECÁNICA INTEGRACIÓN NUMÉRICA MOTIVACIÓN REPRESENTACIÓN GRÁFICA DE UNA DERIVADA Aproximación Definición MOTIVACIÓN REPRESENTACIÓN GRÁFICA DE UNA INTEGRAL
Más detallesIDENTIFICACION DE SISTEMAS IDENTIFICACIÓN PARAMÉTRICA
IDENTIFICACION DE SISTEMAS IDENTIFICACIÓN PARAMÉTRICA Ing. Fredy Ruiz Ph.D. ruizf@javeriana.edu.co Maestría en Ingeniería Electrónica Pontificia Universidad Javeriana 2013 Identificación paramétrica En
Más detalles1º BACHILLERATO HUMANIDADES Y CIENCIAS SOCIALES MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I PENDIENTES
1º BACHILLERATO HUMANIDADES Y CIENCIAS SOCIALES MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I PENDIENTES 1.- INTRODUCCIÓN AL NÚMERO REAL Realización de operaciones con números reales. Ordenación de los
Más detallesFormulación del problema de la ruta más corta en programación lineal
Formulación del problema de la ruta más corta en programación lineal En esta sección se describen dos formulaciones de programación lineal para el problema de la ruta más corta. Las formulaciones son generales,
Más detallesCM0244. Suficientable
IDENTIFICACIÓN NOMBRE ESCUELA ESCUELA DE CIENCIAS NOMBRE DEPARTAMENTO Ciencias Matemáticas ÁREA DE CONOCIMIENTO MATEMATICAS, ESTADISTICA Y AFINES NOMBRE ASIGNATURA EN ESPAÑOL ESTADÍSTICA GENERAL NOMBRE
Más detallesIdentificación mediante el método de los mínimos cuadrados
Ingeniería de Control Identificación mediante el método de los mínimos cuadrados Daniel Rodríguez Ramírez Teodoro Alamo Cantarero Contextualización del tema Conocimientos relevantes aprendidos previamente:
Más detalles