Modelo de Dispersión Axial para Sistemas de Flujo Continuo Ajustado a las Condiciones de Borde

Abstract

ResumenSe desarrolló un modelo matemático a partir de la ecuación general de dispersión y se comparó con tres modelos tradicionales. Para obtener los datos experimentales se realizaron ensayos hidráulicos utilizando litio como trazador agregado de forma puntual en el influente de un Reactor Anaerobio de Flujo Ascendente de 518 litros, alimentado con agua residual de la ciudad de Maracaibo-Venezuela a tiempos de retención hidráulico teórico de 10, 8, 5 y 4 horas. Se tomó muestras en el efluente y al final del lecho y manto de lodo. Los mejores ajustes se lograron con el modelo propuesto con desviación media absoluta entre 5 y 33% y desviación media relativa entre -1,7 y -18%. En todos los casos, el número de dispersión fue mayor a 0.01 indicando que no existió flujo pistón en el reactor. Palabras clave: dispersión axial; modelo; trazador; inyección puntual; reactor de flujo ascendente Axial Dispersion Model for Continuous Flow Systems Adjusted Boundary Conditions AbstractIn this study a mathematical model was developed from a general dispersion equation, which was compared with three traditional models. Tracer tests were carried injected lithium as a pulse at the reactor influent. Several samples were collected in an Upflow Anaerobic Sludge Bed reactor o 518 liters to obtain the experimental data. The reactor was feeding from municipal wastewater of Maracaibo city, Venezuela. Several theoretical retention times were evaluated between 4, 5, 8 and 10 hours. Samples were taken at the final effluent and at the end of the sludge blanket and bed level. Best fits were obtained with the proposed model giving absolute mean deviation between 5.0 and 33% and relative mean deviation between -1.7 and -18%. In most of the studies the dispersion number was lower than 0.01 concluding that plug flow did not exist in the reactor.

Evaluación de un filtro biológico como unidad de post-tratamiento de aguas residuales utilizando conchas marinas como material de soporte

“…En el FB la temperatura promedio afluente fue de 27,7±0,6°C; y efluente de 28,7±0,7°C, observándose un incremento de aproximadamente 1°C que favorece las reacciones biológicas [20] e influye en el metabolismo de los microorganismos [5]. El sistema en estudio se mantuvo en el rango mesofílico, la temperatura se encontró entre 26,6 y 31,5°C, la cual está dentro del rango óptimo (25 y 35°C) que se establece para esta condición [21,22]. El comportamiento de la DQO T , DQO S y DBO [5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20] , en el afluente y efluente del FB, para los TRH estudiados se puede evidenciar en las Figuras 5, 6 y 7.…”

Modelo CFD para caracterizar el transporte del retardante de llama BDE 99 en una laguna facultativa usada para el tratamiento de aguas residuales municipales

“…Los resultados fueron validados en términos del tiempo de retención, la varianza de la curva de distribución de los tiempos de residencia (DTR) normalizada, el número de dispersión y el tiempo de aparición de máxima concentración del trazador, según lo propuesto por [20]. Se aplicaron pruebas de bondad de ajuste que incluyeron el cálculo de la desviación media absoluta (DMA%), la desviación media relativa (DMR%) como medidas del error entre los datos calculados y experimentales y la sumatoria de los errores al cuadrado (SSE) y la raíz del error cuadrático medio (RMSE) usada como bondad de ajuste en la DTR [21]. Finalmente las dos series de datos experimental y simulada fueron comparadas aplicando la prueba de Shapiro Wilks (n > 50) para evaluar normalidad y la prueba no paramétrica Test de Levene para comparar las varianzas de las series de datos (P < 0,05).…”

“…recomendado para flujos con comportamiento laminar o transitorio [12]. Las ecuaciones del modelo de turbulencia k-ε Realizable fueron: y, Se asumieron las constantes del modelo de turbulencia Realizable por defecto, con los siguientes valores: C 1 ε =1,44; C 2 ε = 1,92; Cµ = 0,09 [12,[19][20][21].…”

Simulation strategy to reduce quality uncertainty in the sugar cane honey process design

“…They are also at the extreme values of the hedonic scale used by Quezada Moreno et al (2016). High MAD values represent the variability of the data and, therefore, of a greater dispersion of experimental values (Pérez, Aldana, and Arguello, 2016). Consequently, the new predicted values by the theoretical models will also show variability (Quispe and Purca, 2007).…”