⚡ ingeniería eléctrica

Response Surface Methodology for Modelling and Multi-Objective Optimization of Fouling-Induceddegradation in Shell-and-Tube Heat Exchangers

Este estudio aplica la Metodología de Superficie de Respuesta a un conjunto de datos simulados de 5.000 observaciones para modelar los efectos de la temperatura de entrada, el caudal másico y el tiempo de operación sobre la degradación de un intercambiador de calor de tubo y coraza, identificando finalmente las condiciones de operación óptimas que equilibran las pérdidas térmicas, hidráulicas y de rendimiento mediante una optimización multiobjetivo.

Autores originales: JK Bwapwa, JG Mukuna

Publicado 2026-09-30

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: JK Bwapwa, JG Mukuna

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Las grandes plantas industriales, desde centrales eléctricas hasta refinerías de petróleo, dependen de enormes máquinas metálicas para mover calor de un fluido a otro. Estas máquinas, conocidas como intercambiadores de calor de carcasa y tubos, son las herramientas de trabajo de la industria moderna, construidas para resistir altas presiones y temperaturas durante décadas. Sin embargo, como cualquier máquina que maneja fluidos con el tiempo, sufren una enfermedad lenta e invisible. Dentro de los tubos metálicos, dos procesos distintos comienzan a devorar el rendimiento. El primero es el ensuciamiento (fouling), donde la incrustación, la suciedad y los subproductos químicos se adhieren a las paredes internas, actuando como una capa gruesa de aislamiento que bloquea el paso del calor. El segundo es la corrosión, un óxido químico del propio metal. Ambos procesos obligan a la planta a trabajar más duro, quemar más combustible y, eventualmente, detenerse para realizar costosas limpiezas o reparas. Para los ingenieros, el desafío siempre ha sido predecir exactamente cuándo y qué tan rápido ocurre esta degradación, porque la velocidad depende de una mezcla compleja de qué tan caliente está el fluido, qué tan rápido fluye y cuánto tiempo ha estado funcionando la máquina.

Investigadores de la Universidad Tecnológica Mangosuthu en Sudáfrica han abordado este problema tratando al intercambiador de calor no solo como una pieza de hardware, sino como un sistema de variables interrelacionadas. Utilizaron una poderosa herramienta estadística llamada Metodología de Superficie de Respuesta para analizar un enorme conjunto de datos simulados que contenía 5,000 escenarios operativos diferentes. En lugar de observar la temperatura, la velocidad de flujo y el tiempo como factores separados, mapearon cómo estos tres elementos danzan juntos para causar daños. El objetivo era encontrar un "punto ideal" en las condiciones de operación que permitiera mantener la máquina limpia, transferir calor de manera eficiente y evitar la obstrucción, todo al mismo tiempo.

El estudio se centró en tres signos específicos de la salud de la máquina. Primero, midieron la resistencia al flujo de calor, que aumenta a medida que se acumula la suciedad. Segundo, rastrearon la capacidad general de la máquina para mover calor, la cual cae a medida que la suciedad se acumula. Tercero, monitorearon la caída de presión, o qué tanto esfuerzo tienen que hacer las bombas para empujar el fluido a través de los tubos. Al alimentar sus modelos con miles de puntos de datos, los investigadores descubrieron que estos tres signos no reaccionan de la misma manera ante los cambios en el entorno.

El hallazgo más sorprendente fue que la salud de la máquina no se rige por una sola regla. Para la caída de presión, la respuesta fue simple y predecible: la fuerza requerida para empujar el fluido a través de los tubos dependía casi por completo de qué tan rápido se movía el fluido. La temperatura y el tiempo no tuvieron prácticamente ningún efecto en esta medición específica. Sin embargo, la historia fue mucho más complicada para la transferencia de calor y la acumulación de suciedad. Aquí, los investigadores encontraron que las variables estaban profundamente entrelazadas. Las altas temperaturas aceleraban la acumulación de suciedad, pero aumentar la velocidad del flujo podía lavar parte de esa suciedad. Crucialmente, el beneficio de un flujo más rápido no era constante; cambiaba dependiendo de qué tan caliente estaba el fluido. A altas temperaturas, un flujo más rápido ayudaba menos porque el calor mismo impulsaba la suciedad a pegarse más rápido. Esta compleja interacción significaba que no se podía simplemente subir la temperatura o la velocidad para solucionar un problema; había que equilibrarlas cuidadosamente.

Cuando los investigadores intentaron predecir la cantidad exacta de acumulación de suciedad, su modelo fue solo moderadamente preciso. Esto no fue un fallo de su matemática, sino una revelación sobre la física. Los datos que analizaron contenían una mezcla de dos tipos diferentes de degradación: acumulación de suciedad pura y corrosión química. Debido a que estos dos procesos se comportan de manera diferente, una única curva suave no podía predecir perfectamente el resultado. El modelo estaba, esencialmente, intentando trazar una sola línea a través de dos nubes de datos distintas. Aunque el modelo no podía dar un número preciso para el nivel de suciedad en cada caso individual, seguía siendo altamente efectivo para mostrar la dirección de la tendencia. Mostró claramente que la máquina funcionaba mejor cuando se mantenía fría, incluso si eso significaba funcionar durante un tiempo muy prolongado.

Utilizando estos conocimientos, el equipo realizó una optimización final para encontrar la mejor estrategia de operación posible. Buscaron una configuración que minimizara la suciedad, maximizara la transferencia de calor y mantuviera baja la caída de presión, todo a la vez. El resultado fue una recomendación clara y accionable: operar el intercambiador de calor a la temperatura de entrada lo más baja posible, mantener un flujo de velocidad moderada y permitir que la máquina funcione durante períodos prolongados antes de la limpieza. Las simulaciones sugirieron que mantener el fluido frío era la palanca más poderosa para prevenir la degradación. Si bien un flujo muy alto limpiaría los tubos, también crearía demasiada presión, desperdiciando energía. Un flujo moderado, combinado con poco calor, ofrecía el mejor compromiso.

El estudio concluye que este enfoque estadístico proporciona una forma transparente y confiable de gestionar estas máquinas complejas, ofreciendo una alternativa clara a los modelos computacionales de "caja negra" que dan respuestas sin explicar el porqué. Los investigadores enfatizan que sus hallazgos se basan en una simulación altamente detallada, la cual sirve como una hipótesis sólida de cómo se comportan las máquinas en el mundo real. Sugieren que el trabajo futuro debería incluir datos del mundo real para confirmar estos patrones y refinar los modelos para distinguir aún más claramente entre la suciedad y la corrosión. Por ahora, el trabajo proporciona una guía sólida y basada en datos para los operadores: para mantener estos gigantes industriales funcionando eficientemente, la clave es mantenerlos frescos y dejar que funcionen por mucho tiempo, en lugar de llevarlos al límite con calor y velocidad elevados.

Resumen Técnico: Metodología de Superficie de Respuesta para el Modelado y la Optimización Multiobjetivo de la Degradación por Ensuciamiento en Intercambiadores de Calor de Tubo y Carcasa

Planteamiento del Problema
Los intercambiadores de calor de tubo y carcasa (STHE, por sus siglas en inglés) son activos críticos en las industrias de procesos, energía y refinación; sin embargo, sufren una pérdida progresiva de rendimiento debido al ensuciamiento (deposición de incrustaciones/partículas) y la corrosión. Estos mecanismos aumentan la resistencia térmica, reducen el coeficiente global de transferencia de calor ( $U$ ) y elevan la caída de presión ( $\Delta P$ ), lo que deriva en penalizaciones energéticas, limpiezas no programadas y posibles fallos en los tubos. Aunque las condiciones operativas, como la temperatura de entrada, el caudal de masa y el tiempo de operación, influyen en estas tasas de degradación, sus interacciones combinadas y no lineales suelen entenderse de forma deficiente. La literatura existente típicamente modela la resistencia por ensuciamiento de forma aislada o se apoya en enfoques de aprendizaje automático de "caja negra" que carecen de interpretabilidad física y no logran optimizar simultáneamente los objetivos térmicos, de rendimiento e hidráulicos. Además, pocos estudios abordan la naturaleza acoplada del ensuciamiento y la corrosión como un proceso de degradación conjunto dentro de un único marco estadístico.

Metodología
El estudio emplea la Metodología de Superficie de Respuesta (RSM) para modelar y optimizar la degradación de los STHE utilizando un conjunto de datos operativos simulados que comprende 5,000 observaciones. El conjunto de datos abarca 80 escenarios operativos distintos con temperaturas de entrada que van desde 44.88 °C hasta 130.12 °C, caudales de masa de 3 a 7 kg/s y tiempos de operación de 8 a 8,759 horas. La muestra incluye una mezcla de regímenes dominados por la corrosión (2,729 observaciones) y por el ensuciamiento (2,271 observaciones).

El flujo de trabajo analítico sigue un proceso de RSM de ocho pasos:

Selección de Variables: Se seleccionaron tres factores controlables (temperatura de entrada, caudal de masa, tiempo de operación) y tres respuestas (resistencia por ensuciamiento $R_f$ , coeficiente global de transferencia de calor $U_{overall}$ y caída de presión $\Delta P$ ).
Codificación: Los factores se reescalaron a un rango adimensional de [-1, +1] para facilitar la comparación de coeficientes y el acondicionamiento numérico.
Ajuste del Modelo: Se ajustaron modelos polinómicos de orden completo (de segundo orden) para cada respuesta mediante Mínimos Cuadrados Ordinarios (OLS).
Pruebas de Significancia: Se utilizó el Análisis de Varianza (ANOVA) para identificar términos lineales, de interacción y cuadráticos significativos.
Diagnóstico de Residuos: Los modelos se validaron utilizando gráficos de probabilidad normal, gráficos de residuos vs. ajustados, histogramas y gráficos de orden para verificar la normalidad, la varianza constante y la independencia.
Visualización: Se generaron gráficos de efectos principales, de interacción y superficies de respuesta en 3D para interpretar las interacciones de las variables.
Optimización de Múltiples Respuestas: Se aplicó una función de deseabilidad compuesta (Harrington/Derringer–Suich) para minimizar simultáneamente $R_f$ y $\Delta P$ mientras se maximiza $U_{overall}$ .
Interpretación: El punto operativo óptimo se evaluó críticamente frente a la adecuación del modelo y la plausibilidad física.

Contribuciones Clave
El documento identifica cinco contribuciones específicas al campo:

Marco de Tres Respuestas Conjuntas: A diferencia de los estudios previos de RSM centrados en una sola respuesta, este trabajo desarrolla y valida tres superficies cuadráticas separadas pero optimizadas conjuntamente para la degradación térmica ( $R_f$ ), de rendimiento ( $U_{overall}$ ) e hidráulica ( $\Delta P$ ) a partir de un único conjunto de datos.
Uso Diagnóstico de un Ajuste de Modelo Moderado: El estudio redefine un valor de $R^2$ moderado no meramente como una limitación, sino como un hallazgo mecanístico. El ajuste inferior del modelo de $R_f$ ( $R^2 \approx 0.60$ ) se diagnostica explícitamente como la firma estadística de dos mecanismos de degradación coexistentes (ensuciamiento y corrosión) dentro del conjunto de datos, en lugar de un fallo del enfoque RSM.
Optimización Integrada de Múltiples Respuestas: El estudio aplica una función de deseabilidad a todas las tres respuestas simultáneamente, generando una recomendación operativa única y físicamente interpretable en lugar de óptimos de una sola respuesta que entren en conflicto.
Manejo Transparente del Riesgo de Extrapolación: Los autores identifican y abordan explícitamente una predicción negativa físicamente imposible para $R_f$ en el límite de optimización, distinguiendo entre una guía de ingeniería direccionalmente fiable y estimaciones numéricas de puntos no fiables.
Interpretabilidad: El marco ofrece una alternativa de polinomio de forma cerrada y transparente a los modelos de aprendizaje automático de caja negra, proporcionando coeficientes trazables y estructuras de interacción para ingenieros de procesos.

Resultados

Resistencia por Ensuciamiento ( $R_f$ ): El modelo logró un ajuste moderado ( $R^2 = 0.598$ ). La temperatura de entrada fue el factor dominante, mostrando un fuerte efecto positivo. El caudal de masa tuvo un efecto negativo significativo (mitigando el ensuciamiento). Las interacciones significativas y los términos cuadráticos confirmaron el comportamiento no lineal. Los diagnósticos de residuos revelaron heterocedasticidad y asimetría positiva, atribuidas a la confusión de distintos regímenes de ensuciamiento y corrosión.
Coeficiente Global de Transferencia de Calor ( $U_{overall}$ ): Este modelo demostró un excelente rendimiento predictivo ( $R^2 = 0.997$ ). El caudal de masa fue el factor dominante, mejorando significativamente la transferencia de calor. La temperatura de entrada tuvo un efecto negativo debido al ensuciamiento. El modelo mostró rendimientos decrecientes en condiciones extremas.
Caída de Presión ( $\Delta P$ ): Este modelo logró un ajuste casi perfecto ( $R^2 \approx 1.000$ ). El caudal de masa y su término cuadrático fueron los únicos factores significativos, confirmando que la $\Delta P$ está gobernada casi enteramente por el caudal en esta geometría fija, independientemente de la temperatura o el tiempo.
Optimización de Múltiples Respuestas: La optimización identificó las siguientes condiciones óptimas:
- Temperatura de Entrada: Baja (~44.88 °C).
- Caudal de Masa: Rango medio (~5.015 kg/s).
- Tiempo de Operación: Extendido (~8,410 horas).
- Deseabilidad Compuesta: 0.68.
- Advertencia: En este óptimo, el modelo de $R_f$ predijo un valor negativo físicamente imposible, lo que subraya la necesidad de precaución al utilizar el modelo para pronósticos numéricos precisos en los límites.

Significancia y Reivindicaciones
El artículo sostiene que la RSM proporciona un marco práctico y estadísticamente riguroso para predecir la degradación y mejorar las estrategias de operación sin la pérdida de interpretabilidad asociada con el aprendizaje profundo o las redes neuronales. Afirma que tratar el ensuciamiento y la corrosión como un proceso de degradación modelado estadísticamente es superior a los modelos de un solo mecanismo aislados. El estudio enfatiza que un ajuste de modelo moderado puede ser una herramienta diagnóstica valiosa para detectar estructuras categóricas ocultas en los datos de degradación.

Los autores concluyen que el marco propuesto permite a los operadores equilibrar eficazmente la degradación térmica e hidráulica. Señalan que la recomendación operativa específica (baja temperatura, caudal moderado, tiempo extendido) es una hipótesis comprobable derivada de un modelado consciente de las interacciones. Sin embargo, el documento mantiene la modestia respecto a su implementación inmediata, reconociendo que los resultados se basan en datos simulados y que el modelo de $R_f$ requiere una futura refinación mediante la incorporación del mecanismo de degradación como un factor categórico explícito para mejorar la precisión predictiva. El estudio se posiciona como un paso hacia una herramienta de soporte a la decisión plenamente desplegable en planta, pendiente de validación experimental y de la expansión del espacio de diseño.

Más como este