INGENIEROS INDUSTRIALES Optimizacin deC(Diseo y ^diseo de (procesos Qumicos Compejos <Bajo Incertidumdre Mediante Cooperacin de Tcnicas de (programacin Matemtica y MetaHeursticas <Pedro ^ncn JWvaCo Ingeniero IndustriaCpor [a 'E.T.S.LI. cCe fi1).<P.!M. TESIS DOCTORAL (Para a oStencin deC^rado de (Doctor Ingeniero 2005 DEPARTAMENTO DE INGENIERA QUMICA INDUSTRIAL Y DEL MEDIO AMBIENTE ESCUELA TCNICA SUPERIOR DE INGENIEROS INDUSTRIALES OPTIMIZACION DEL DISEO Y REDISENO DE PROCESOS QUMICOS COMPLEJOS BAJO INCERTIDUMBRE MEDIANTE COOPERACIN DE TCNICAS DE PROGRAMACIN MATEMTICA Y METAHEURSTICAS Por PEDRO RINCN ARVALO Ingeniero Industrial Escuela Tcnica Superior de Ingenieros Industriales Universidad Politcnica de Madrid Director de Tesis: D. Francisco Javier Quintana Martn Dr. Ingeniero Industrial Escuela Tcnica Superior de Ingenieros Industriales Universidad Politcnica de Madrid 2005 NDICE NDICE : i LISTA DE TABLAS , v LISTA DE FIGURAS xi GLOSARIO DE ACRNIMOS xiii 1. PLANTEAMIENTO DEL PROBLEMA: OBJETIVO DE LA TESIS 1 1.1 Introduccin 1 1.2 Estado del arte 1 1.3 Planteamiento general del problema.... 5 1.4 Aportaciones originales de la Tesis 7 2 OPTIMLZACIN MEDIANTE TCNICAS METAHEURISTICAS 9 2.1 Sistemas de optimizacin mediante Algoritmos Genticos ..i 9 2.1.1 Comparacin con otros mtodos de optimizacin 10 2.1.2 Operadores genticos 11 2.2 Simulacin de plantas qumicas 15 2.3 Cooperacin de Algoritmos Genticos, programacin matemtica y simulacin... 16 3 OPTIMIZACIN ESTOCSTICA DEL DISEO DE PROCESOS 19 3.1 Modelacin de la incertidumbre: anlisis de escenarios 19 3.1.1 Incertidumbre en el escenario 23 3.2 Planteamiento del modelo 24 3.3 Paralelizacin 26 4. METODOLOGA PARA LA OPTIMIZACIN DEL DISEO DE UN PROCESO 29 4.1 Objetivo 29 4.2 Etapa de prediseo 29 4.3 Etapa de modelizacin 30 4.4 Etapa de anlisis de escenarios 32 4.5 Etapa de optimizacin 32 4.5.1 Tcnica de optimizacin 33 4.5.2 Optimizacin determinista 34 4.5.3 Optimizacin estocstica 35 5. HERRAMIENTAS 37 5.1 Entorno de desarrollo 37 5.2 Algoritmos Genticos 37 m 5.3 Simulador de operaciones unitarias y procesos , 37 5.4 Seleccin de herramientas ..40 5.4.1 Tcnicas de cooperacin entre simulacin y optimizacin con GA ........41 5.4.2 Descripcin bsica del paquete de GA ....42 6. ESTUDIO DE PARMETROS DE ALGORITMOS GENTICOS APLICADOS A LA OPTIMIZACIN DE PROCESOS 47 6.1 Funciones bsicas ...48 6.1.1 Iniciacin 48 6.1.2 Terminacin .48 6.1.3 Evaluacin y seleccin.. 49 6.1.4 Mutacin , 49 6.1.5 Cruzamiento ..50 6.2 Estudio de parmetros: poblacin inicial y nmero de generaciones 52 6.3 Estudio de parmetros: mutacin y cruzamiento 56 6.3.1 Estudio de mutacin , 57 6.3.2 Estudio de cruzamiento 61 6.3.3 Conclusiones 65 7. ELECCIN DE UN PROCESO REPRESENTATIVO: SNTESIS MTBE 67 7.1 Introduccin 67 7.2 Procesos existentes de obtencin de MTBE: descripcin 67 7.2.1 Estudio econmico .71 7.2.2 Estudios alternativos: posibilidad de rediseo 73 7.3 Modelizacin y simulacin del proceso 73 7.3.1 Estudio de la cintica .77 7.3.2 Modelo de reactor qumico 79 7.3.3 Modelo de colxmna de destilacin reactiva 81 7.3.4 Desarrollo de un algoritmo para mejorar la convergencia del modelo 84 7.4 Seleccin de variables y parmetros 88 8. ECUACIONES MODELIZACIN 97 OPTEVnZACION DETERMINISTA MEDIANTE ALGORITMOS GENTICOS 107 9.1 Desarrollo del modelo 107 9.2 Optimizacin simplificada: xmidades de proceso 108 9.2.1 Optimizacin de la columna de destilacin reactiva 109 9.2.2 Optimizacin del reactor 110 9.3 Optimizacin determinista de la planta 112 9.3.1 Variables y lmites 112 9.3.2 Funcin objetivo 112 9.3.3 Optimizacin simplificada: ensayos con nmero reducido de variables 115 9.3.4 Optimizacin completa 117 9.3.4.1 Con Poblacin Inicial aleatoria 117 9.3.4.2 Con Poblacin Inicial determinada por muestreo 120 9.3.4.3 Comparacin y conclusiones 120 IV 9.4 Anlisis comparativo con otras tcnicas de optimizacin...... 121 9.5 Introduccin de la paralelizacin 126 9.5.1 Estrategia de modelo en bloques anidados 126 9.5.2 Teora de paralelizacin 128 9.5.3 Aplicacin a planta de MTBE .129 9.5.4 Planteamiento final del modelo 134 9.5.5 Resultados y conclusiones 136 9.6 Anexo de resultados 137 10. OPTIMIZACIN ESTOCSTICA MEDIANTE ALGORITMOS GENTICOS 143 10.1 Introduccin de incertidumbre en el proceso de sntesis de MTBE 144 10.1.1 Evaluacin de escenarios y sus probabilidades asociadas 144 10.1.2 Resolucin del modelo: conclusiones 150 10.2 Muestreo de escenarios 152 10.2.1 Muestreo por el mtodo de Montecarlo 152 10.2.2 Mtodo de la aproximacin media de muestra 153 10.2.3 Planteamiento general 155 10.3 Resultados de la optimizacin estocstica con muestreo 156 10.4 Conclusiones 160 BIBLIOGRAFA 165 LISTA DE TABLAS Tabla 5.1 Paquetes de GA disponibles 38 Tabla 5.2 Paquetes de software para simulacin de procesos 40 Tabla 5.3 Rutinas de conexin Entorno de programacin-Simulador 42 Tabla 5.4 Parmetros de salida de GAOT 42 Tabla 5.5 Parmetros de entrada de GAOT 43 Tabla 6.1 Funciones de evaluacin y seleccin 50 Tabla 6.2 Funciones de mutacin 51 Tabla 6.3 Fxmciones de cruzamiento 52 Tabla 6.4 Casos prcticos en entorno matemtico para estudio de parmetros 53 Tabla 6.5 Casos prcticos en simulacin para estudio de parmetros 54 Tabla 6.6 Intervalos de estudio de parmetros 54 Tabla 6.7 Tabla resumen: poblacin inicial, nmero de generaciones 56 Tabla 6.8 Cuadro de ensayos 57 Tabla 6.9 Cuadro de ensayos 62 Tabla 6.10 Valores finales mutacin y cmzamiento 66 Tabla 7.1 Procesos de produccin de MTBE 69 Tabla 7.2 Resumen econmico del proceso MTBE 72 Tabla 7.3 ndices estudio econmico 72 Tabla 7.4 ndices estudio econmico comparativo 74 Tabla 7.5 Corrientes principales planta MTBE 76 Tabla 7.6 Elementos de la planta de MTBE que consumen energa 76 Tabla 7.7 Reaccin de sntesis de MTBE. Valores de los parmetros 78 Tabla 7.8 Reacciones secundarias sntesis MTBE 78 vn Tabla 7.9 Valores de los parmetros d reaccin de sntesis dimetil ter 79 Tabla 7.10 Parmetros de algoritmo de convergencia de CDR 85 Tabla 7.11 Variables para optimizacin, ...90 Tabla 7.12 Estudio de sensibilidad de variables para optimizacin 91 Tabla 8.1 Flujo molar (subvolumen j). Reaccin principal. Formacin MTBE 97 Tabla 8.2 Flujo molar (subvolumen j). Reaccin secundaria. Formacin dimetil-ter 97 Tabla 8.3 Fraccin molar 98 Tabla 8.4 Expresin velocidades de reaccin 98 Tabla 8.5 Valores de coeficientes de velocidad de reaccin 98 Tabla 8.6 Balance de energa .'.:.;....... 98 Tabla 8.7 Entalpias de formacin 99 Tabla 8.8 Coeficientes para la capacidad calorfica molar 99 Tabla 8.9 Clculo cada de presin en reactor qumico ...99 Tabla 8.10 Ecuaciones para el plato de alimentacin .100 Tabla 8.11 Ecuaciones para plato no reactivo 100 Tabla 8.12 Ecuaciones para plato reactivo 100 Tabla 8.13 Ecuaciones para el modelo del condensador total 101 Tabla 8.14 Ecuaciones para el modelo del calderin 101 Tabla 8.15 Clculo de entalpias 102 Tabla 8.16 Ecuaciones para el modelo de bomba centrfuga 102 Tabla 8.17 Ecuaciones para el modelo de enfriador/calentador 102 Tabla 8.18 Ecuaciones para el modelo de mezclador/divisor de flujo 103 Tabla 9.1 Cdigos de variables de optimizacin 108 Tabla 9.2 Variables de optimizacin de CDR 109 VIH Tabla 9.3 Resultados optimizacin CDR 110 Tabla 9.4 Variables de optimizacin de reactor 111 Tabla 9.5 Resultados optimizacin reactor .111 Tabla 9.6 Variables y lmites 113 Tabla 9.7 Tnninos de la funcin objetivo 114 Tabla 9.8 Variables de la funcin objetivo , 114 Tabla 9.9 Primera optimizacin MTBE con tres variables 1 116 Tabla 9.10 Segunda optimizacin MTBE con tres variables 1 116 Tabla 9.11 Optimizacin MTBE con tres variables II 117 Tabla 9.12 Muestra resultados optimizacin Poblacin Liicial aleatoria 119 Tabla 9.13 Lmites por anlisis de una Poblacin Inicial aleatoria 119 Tabla 9.14 Muestra resultados optimizacin Poblac. Inicial por muestreo 121 Tabla 9.15 Resultados optimizacin MTBE comparativa 125 Tabla 9.16 Agrupacin de variables segn modelo de paralelizacin 129 Tabla 9.17 Niveles de agrupacin de variables segn bloques anidados 130 Tabla 9.18 Modelo final bloques anidados 136 Tabla 9.19 Resultados optimizacin con Poblacin Inicial aleatoria 138 Tabla 9.20 Resultados optimizacin con Poblacin Inicial por muestreo 140 Tabla 9.21 Optimizacin con distintos mtodos. Escenarios 140 Tabla 10.1 Modelizacin de la incertidumbre. Materias primas 147 Tabla 10.2 Composicin isobutileno 148 Tabla 10.3 Modelizacin de la incertidumbre. Energa 148 Tabla 10.4 Valores ptimos de variables segn tamao de muestra 158 LISTA DE FIGURAS Fig. 1.1 Mtodos de Optimizacin Global 2 Fig. 2.1 Bucle de Algoritmos Genticos 12 Fig. 2.2 Lazo de combinacin 1 17 Fig. 2.3 Lazo de combinacin 11 18 Fig. 3.1 Generacin de un rbol de escenarios 21 Fig. 3.2 Optimizacin a travs de escenarios .25 Fig. 4.1 Etapas de metodologa 29 Fig. 5.1 Algoritmo Gentico bsico 44 Fig. 6.1 Estudio de poblacin inicial y nmero de generaciones 55 Fig. 6.2 Estudio de tipo y frecuencia de mutacin 58 Fig. 6.3 Estudio frecuencia de mutacin 60 Fig. 6.4 Estudio tipo y frecuencia de cruzamiento 63 Fig. 6.5 Estudio frecuencia de cruzamiento 64 Fig. 7.1 Proceso Ethermax 71 Fig. 7.2 Superestructura planta MTBE 75 Fig. 7.3 Esquema de clculo de reactor tubular 80 Fig. 7.4 Esquema columna de destilacin reactiva 82 Fig. 7.5 Curvas de residuo y azetropos reactivos MTBE/metanol/isobutileno 83 Fig. 7.6 Esquema algoritmo de convergencia 86 Fig. 7.7 Algoritmo propuesto de clculo de columna de destilacin reactiva 87 Fig. 7.8 Estudio de sensibilidad. Grficas 93 Fig. 9.1 Esquema general bloques anidados 127 Fig. 9.2 Modelos de bloques anidados 132 XI Fig. 93 Esquema modelo final i 135 Fig. 10.1 Optimizacin empleando anlisis de escenarios 143 Fig. 10.2 Generacin rbol de escenarios 149 Fig. 10.3 Modelo de optimizacin con escenarios : ......;..........150 Fig. 10.4 Modelo descomposicin MTBE 151 Fig. 10.5 Muestreo de escenarios por el mtodo de Montecarlo 153 Fig. 10.6 rbol de probabilidad de escenarios 154 Fig. 10.7 Diagrama de flujo de Optimizacin con muestreo , .155 Fig. 10.8 Resultados del ptimo en funcin del nmero de escenarios 156 Fig. 10.9 Desviacin de la solucin ptima 157 Fig. 10.10 Metodologa de optimizacin 163 xu GLOSARIO DE ACRONIMOS CDR Columna de destilacin reactiva DIB di-isobutleno ETBE etil ter-butil ter GA Algoritmos Genticos GRC Generalizad Reduced Gradient Ka Constante de equilibrio de reaccin qumica KKT Karush-Kuhn-Tucker MM Millones MTBE metil ter-butil ter NLP Programacin no lineal {Non Linear Programming) RFP Reactor de flujo pistn RWD Reactive With Distillation SLP Sequental Linear Programming SQP Sequential Quadratic Programming TAME metil ter-amil ter TEA Alcohol ter-butlico 1. PLANTEAMIENTO DEL PROBLEMA: OBJETIVO DE LA TESIS 1.1 Introduccin El problema de la incertidumbre se ha venido tratando regularmente en la literatura sobre programacin matemtica desde 1955, ao en el que se publicaron trabajos sobre la materia debidos a Beale y Dantzig. No obstante, dado el alto grado de sofisticacn que la resolucin del sistema requiere, un tratamiento para resolver problemas prcticos de programacin matemtica con incertidumbre no se ha podido abordar hasta el desarrollo de las tcnicas de interaccin entre ciencias matemticas y ciencias computacionales en los aos 80. El objetivo de esta Tesis consiste en resolver el problema del diseo de procesos qumicos teniendo en cuenta la incertidumbre de los datos, aplicando para ello tcnicas metaheursticas. Se presentan los conceptos bsicos, tecnologas de modelizacin y desarrollos algortmicos para el tratamiento del problema, introduciendo un adecuado tratamiento de la incertidumbre. A ttulo de ejemplo, diremos que el diseo bsico de xma planta de etileno supone un esfuerzo de 200.000 horas/persona. 1.2 Estado del arte Los algoritmos para la optimizacin de fimciones con restricciones se aplican con xito a fimciones convexas, regulares; para fimciones no convexas se presentan, en general, dificultades. Muchos problemas no satisfacen las condiciones de convexidad, siendo con frecuencia difcil verificar si las satisfacen o no. Los modelos que incluyen ecuaciones de restriccin no lineales pertenecen a esta ltima categora. Estas restricciones surgen, por ejemplo, de balances de materia no lineales, relaciones no lineales entre propiedades fsicas, ecuaciones de mezcla no lineales, modelos de proceso no lineales, etc. [18]. Si se aplica un algoritmo NLP convencional (SLP^ SQP^, o GRC^) a un Sucessive Linear Programming ^ Sucessive Cuadratic Programming problema continuo no convexo, generalmente converger al ptimo local ms cercano al punto de partida, que puede no coincidir con el mnimo global o puede ser imposible verificar que s lo hace. El problema de encontrar un ptimo global y demostrar que lo es, presenta mucha mayor complejidad que encontrar un ptimo local. En la Fig. 1.1 se muestra una clasificacin de los mtodos de optimizacin global [4]. En los ltimos aos ha habido im crecimiento espectacular en el desarrollo de procedimientos heursticos para resolver problemas combinatorios [54]. El auge que experimentan los procedimientos heursticos se debe sin duda a la necesidad de disponer de herramientas que permitan obtener soluciones rpidas a problemas reales. Es importante destacar el hecho de que los mtodos heursticos (por s solos) no garantizan la optimalidad de la solucin encontrada, aunque su propsito es encontrar una solucin cercana al ptimo en im tiempo razonable. La gran multitud de publicaciones en donde problemas de gran dificultad son resueltos con gran rapidez (en muchos casos ptimamente), avalan estos mtodos [34]. Optnizacin Global ' i Mtodos exactos 1 Ramificacin y acotamiento ' IntervaJares ' Multiairanque 1. Mtodos heursticos Metaheoristcos Bsqueda dispersa Bsqueda tab Recocido simulado Algoritmos genticos y evolutivos Fig. 1.1 Mtodos de Optimizacin Global Generalizad Reduced Gradient Dentro de las tcnicas heursticas podemos encontrar diversos mtodos, tales como: mtodos constructivos, de descomposicin, de reduccin, de manipulacin del modelo y de bsqueda local. Tradicionalmente para resolver un problema dado se diseaba un algoritmo especfico que perteneca a alguno de los mtodos enumerados. Hoy en da, el inters primordial es disear mtodos generales que sirvan para resolver clases o categoras de problemas. Dado que estos mtodos generales sirven para construir o guiar el diseo de mtodos que resuelvan problemas especficos se les ha dado el nombre de Metaheursticos. Los Metaheursticos proporcionan un marco general para crear nuevos algoritmos hbridos combinando diferentes conceptos derivados de inteligencia artificial, evolucin biolgica y mecanismos estadsticos [32]. Los mtodos metahemrsticos se estn empleando ampliamente para optimizacin en Ingeniera Qumica. Para optimizar unidades de procesos qumicos, Seader y Westerberg desarrollaron un mtodo combinado de reglas heursticas y tcnicas evolutivas tratando de combinar las bondades de ambos enfoques [43]. Con excepcin de las implantaciones en paralelo, cada vez ms importantes, los mtodos Bsqueda Tab y Recocido Simulado operan mediante la transformacin de una solucin nica segn una determinada trayectoria [110]. En contraste, los Algoritmos Genticos trabajan con un conjvmto de soluciones, llamado poblacin [73]. Los Algoritmos Genticos han demostrado ser una buena herramienta en la bsqueda de ptimos globales. En contra, presentan el inconveniente de que comparado con tradicionales mtodos niunricos de computacin, los Algoritmos Genticos requieren de mayor tiempo de computacin para llegar a buenas soluciones. Como alternativas para solucionar este inconveniente se han estudiado el paralelismo y la combinacin con otros mtodos nxmricos y de simulacin. Frecuentemente, en el momento del diseo de xm proceso no se conocen los valores exactos de algunos de los parmetros implicados. S conocemos su distribucin de probabilidades. Para tener en cuenta estos efectos aplicamos las tcnicas de simulacin estocstica [60]. De esta manera, conseguimos soluciones mejor adaptadas a los distintos escenarios que surgirn cuando la planta, una vez construida, entre en funcionamiento [36]. Un trabajo sobre la aplicacin de teoras de descomposicin a problemas estocsticos, y el correspondiente tratamiento de la incertidumbre se muestra en [103]. Se plantea un problema de planificacin relativo al mercado elctrico. El modelo matemtico formulado se basa en la aplicacin de la teora de descomposicin de Benders a la solucin de problemas dinmicos estocsticos. [104]. La ltima consideracin se refiere a la utilizacin de software de simulacin para diseo de procesos. Los programas de simulacin incluyen todos los aspectos relativos al diseo y evaluacin econmica de procesos. Adems, estas funciones se realizan con gran precisin, permitiendo una creciente flexibilidad respecto a las unidades tratadas. De todas maneras, ciertos aspectos, especialmente los relativos a la optimizacin todava no se encuentran suficientemente desarrollados. La modelizacin computacional y los programas de simulacin han ayudado al incremento en el empleo de la destilacin cataltica. Sin embargo, la simulacin del caso especfico de esta operacin unitaria se mantiene an muy incipiente dado que no solamente se requiere modelar la cintica de la reaccin, sino tambin el comportamiento termodinmico, as como la evaluacin en cuanto al desempeo de los platos y/o relleno de la unidad. Existe por tanto gran inters por el desarrollo de ms y mejores modelos computacionales para tratar el diseo y operacin de nuevos esquemas en columnas de destilacin cataltica. Recientemente se han desarrollado varios proyectos que trabajan sobre la optimizacin de procesos bajo incertidumbre. En algunos casos se utiza ya el desarrollo de tcnicas metaheursticas. Estos proyectos abarcan un amplio espectro tecnolgico, desde el campo de la ingeniera qumica hasta otros, como el elctrico. El Proyecto Schumann se centra en la optimizacin estocstica mediante anlisis de escenarios para la resolucin de los problemas de gestin de la cadena de suministro en el sector del automvil en el entorno MADS (Manufacturing Assembly, Distribution and Service). La incertidumbre se aporta en la demanda de los productos as como en la disponibilidad, coste u otros aspectos, tanto en la obtencin como en la produccin de componentes. [53] En el Instituto de Investigacin Tecnolgica, UPG, se desarrolla un proyecto que trata la gestin del riesgo frente a la incertidumbre en las aportaciones hidrulicas en un Mercado Elctrico mediante el problema complementario. Presenta una metodologa para el diseo de los modelos de coordinacin hidrotrmica que se adapta perfectamente al modelado de la explotacin anual o plurianual sujeto a mecanismos de mercado, considerando la naturaleza estocstica de de las aportaciones hidrulicas, y polticas de cobertura jfrente al riesgo. El modelo matemtico se ha implementado en GAMS. [27] En [1] se desarrolla un algoritmo de descomposicin mejorado para la optimizacin bajo incertidmnbre de procesos qumicos. Se propone una modificacin del algoritmo de lerapetritou y Pistikopoulos [38]. La clave est en evitar la resolucin de los subproblemas de factibilidad, ya que su nmero aumenta exponencialmente con el nmero de parmetros que aportan incertidumbre. Est tcnica es de 3 a 6 veces ms rpida que la original. En [36] se desarrolla una aproximacin estocstica para la optimizacin global de procesos qumicos. Emplea una combinacin de tcnica por Recocido Simulado y algoritmos deterministas de bsqueda local. En [64] se presenta una Tesis Doctoral que estudia acerca de la mejora y optimizacin de un proceso industrial de galvanizado, mediante tcnicas de minera de datos e intehgencia artificial. El procedimiento se basa en redes neuronales y algoritmos genticos. La metodologa que se plantea es fcilmente adaptable a cualquier proceso industrial de caractersticas semejantes al estudiado en el que se disponga de un volumen de datos histricos adecuado y se pretenda optimizar el control del mismo. De esta forma, la generacin de modelos de consignas que "aprenden" de los expertos de la planta, y de otros modelos que "explican" el comportamiento dinmico del proceso, puede a3mdar en la bsqueda previa de las consignas ms adecuadas. Estas, a travs de la simulacin, pueden ser optimizadas mediante algoritmos genticos u otras tcnicas de optimizacin. 1.3 Planteamiento general del probl ema El objetivo es desarrollar un mtodo de optimizacin para el diseo y funcionamiento de una planta qumica basado en una combinacin de las tcnicas de optimizacin mediante Algoritmos Genticos y otros algoritmos matemticos (programacin matemtica y simulacin). Se emplearn los mtodos mencionados para lograr una solucin robusta frente a la incertidumbre asociada a dicha planta. Dicha incertidumbre se deriva tanto de factores de diseo como econmicos y como tecnolgicos. La consideracin de incertidumbre en el proceso conduce al planteamiento de mltiples escenarios. El estudio se basa ahora en el establecimiento de un mtodo de muestreo de estos escenarios que permita analizar la aproximacin a la solucin ptima, a partir del tamao de muestra. El modelo final se disea con bloques anidados que se optimizan sucesivamente mediante Algoritmos Genticos: 1. Se obtienen las variables de fimcionamiento y de diseo para un bloque especfico del modelo. 2. Dichos valores se emplean en una optimizacin a im nivel superior, como la interconexin de distintos bloques para formar la estructura final del modelo. Esta lnea de investigacin est enfocada hacia la propuesta de algoritmos computacionales alternativos que nos permitan resolver problemas complejos de una forma ms eficiente en comparacin con tcnicas "convencionales" [72], Se han propuesto los algoritmos evolutivos, analizndose los Algoritmos Genticos y programacin estocstica. El estudio de estas tcnicas toma en consideracin los siguientes puntos: Aplicacin de la tcnica de optimizacin mediante Algoritmos Genticos para procesos qumicos complejos con mltiples variables
Aplicacin combinada de un mtodo de optimizacin mediante Algoritmos Genticos y un simulador de procesos. El entorno matemtico en el que se desarrolla el sistema de Algoritmos Genticos permite disear las herramientas necesarias. Aplicacin de una tcnica de optimizacin mediante Algoritmos Genticos a procesos con incertidumbre. Cooperacin de tcnicas: aplicacin combinada de un sistema de optimizacin mediante Algoritmos Genticos y tcnicas de muestreo. Estudio del muestreo de escenarios, tamao de muestra mnimo ptimo. Resultados experimentales de la propuesta demuestran las ventajas obtenidas al paraielizar el proceso de diseo utilizando como plataforma una red de computadoras personales que cooperan en un contexto asincrono, logrando con esto resolver problemas de dimensiones considerables y con muchas restricciones de diseo. La presente Tesis presenta los resultados computacionales de simulaciones de un problema, aplicando descomposicin del dominio para la paralelizacin del mtodo numrico empleado. Los estudios experimentales comprueban la calidad del mtodo de descomposicin propuesto, verificada con tiempos de procesamiento reducidos, de forma que los factores pueden ser positivamente combinados en un sistema distribuido, con el objetivo de obtener mejores resultados en menores tiempos de ejecucin. El criterio de paralelizacin propuesto se basa en la particin del dominio de la solucin en subdominios menores que puedan ser analizados separadamente, utilizando los diversos procesadores disponibles de un sistema distribuido. El mtodo planteado se muestra especialmente til con determinados sistemas de ecuaciones que poseen algunos subsistemas de ecuaciones crticas. Problemas con ecuaciones crticas complican la particin en subsistemas, y en casos extremos el sistema puede no converger si no se toman medidas adecuadas. Se descompone el sistema de ecuaciones teniendo en cuenta las ecuaciones crticas y el balanceamiento computacional requerido. Se asignan a los procesadores de im sistema distribuido heterogneo distintos nmeros de ecuaciones, de forma tal que su aplicacin sea vlida para un sistema general de ecuaciones. Cada procesador del sistema distribuido resolver el subproblema a l asignado, comunicando su resultado a los dems procesadores, avanzando en conjunto hacia la solucin global del problema. 1.4 Aportaciones originales de la Tesis Desde un punto de vista general, se ha reahzado el desarrollo de una metodologa y del software necesario para la optimizacin bajo incertidumbre del diseo y funcionamiento de procesos qumicos. Se distinguen varios puntos: Metodologa.
Desarrollo de un modelo de interaccin efectivo entre ptimizacin metaheurstica y simulacin de procesos. Mejora de los algoritmos empleados en simulacin mediante la implementacin de mtodos originales matemticos especficos. Mejora de la convergencia de los algoritmos empleados para modelizar unidades complejas. Simulacin y ptimizacin por tcnicas meaheursticas do plantas complejas mediante modelos de bloques anidados y sistema de interconexin de bloques. Implementacin de algoritmos que penniten la interconexin efectiva entre las distintas herramientas empleadas. Aplicacin de la cooperacin de ptimizacin metaheurstica, simulacin de procesos y algoritmos de programacin matemtica sistemas bajo incertidumbre: ptimizacin de una planta qumica sometida a incertidumbre. El objetivo final es desarrollar un modelo, un sistema matemtico y xma metodologa que sea aplicable a procesos de caractersticas semejantes al estudiado. 2 OPTIMIZACION MEDIANTE TCNICAS METAHEURISTICAS En el Captulo 1 se han introducido los mtodos globales de optimizacin, sealando dentro de ima clasificacin general la importancia de las tcnicas heursticas, y ms concretamente de las metaheursticas. Es necesario incidir en que los procedimientos metaheursticos son una clase de mtodos aproximados que estn diseados para resolver problemas difciles de optimizacin, en los que los heursticos clsicos no son efectivos ni eficientes. Son muy flexibles, y no presentan las rigideces de los planteamientos con otros mtodos de programacin matemtica [54]. Los procedimientos metaheursticos ms utilizados y reconocidos en la optimizacin son: Recocido Simulado, Bsqueda Tab, Bsqueda Dispersa y Algoritmos Genticos. [34,110] Como heurstica para la resolucin de ciertos problemas se emplean los Algoritmos Genticos (GA). Estos estn orientados a la resolucin de problemas de optimizacin y bsqueda [33]. 2.1 Sistemas de optimizacin mediante Algoritmos Genticos Los Algoritmos Genticos (en adelante GA) son mtodos sistemticos para la resolucin de problemas de bsqueda y optimizacin que aplican a estos los mismos mtodos de la evolucin biolgica: seleccin basada en la poblacin, reproduccin y mutacin. En un algoritmo gentico, tras parametrizar el problema en una serie de variables, se codifican en un cromosoma. Un cromosoma representa una solucin. Todos los operadores utilizados por im algoritmo gentico se aplicarn sobre estos cromosomas, o sobre poblaciones de ellos. Las soluciones codifcadas compiten para ver cul constituye la mejor solucin (aunque no necesariamente la mejor de todas las soluciones posibles). El ambiente, constituido por las otras soluciones, ejercer ima presin selectiva sobre la poblacin, de forma que los mejor adaptados (aquellos que representan una mejor solucin del problema) tienen mayor probabilidad de sobrevivir o legar su material gentico a las siguientes generaciones, igual que en la evolucin de las especies. La diversidad gentica se introduce mediante mutaciones y reproduccin. Este mecanismo evolutivo origina una pequea proporcin de soluciones lejanas a la ptima; la paricin de estas soluciones es imprescindible para aumentar la probabilidad de llegar a ptimos globales (y no locales). Los GA requieren que las variables del problema se codifiquen en un cromosoma. Cada cromosoma tiene varios genes, que corresponden a sendos parmetros del problema. Para poder trabajar con estos genes en el ordenador, es necesario codificarlos en xma cadena. Los GA se estudian dentro del campo de la inteligencia artificial como mtodos para la resolucin de problemas mediante el descarte de las soluciones no deseables y la seleccin de las ms robustas [35]. Una de sus caractersticas principales es la de ir perfeccionando su propia heurstica en el proceso de clculo, por lo que no requiere largos periodos de entrenamiento especializado por parte del ser humano, principal defecto de otros mtodos para solucionar problemas, como los Sistemas Expertos. 2.1.1 Comparacin con otros mtodos de optimizacin Los GA permiten la obtencin de im abanico mucho ms amplio de posibles soluciones que los programas tradicionales. Como aplicacin adicional, el anlisis de los resultados prcticos conseguidos a partir de mecanismos de seleccin natural, en condiciones perfectamente comprendidas y controladas, podra arrojar alguna luz sobre la evolucin de la vida y la inteligencia en el mundo natural [33]. La razn del nmero creciente de aplicaciones es clara: estos algoritmos son computacionalmente sencillos y si embargo poderosos. No estn limitados por suposiciones restrictivas sobre el espacio de bsqueda (relacionadas con la continuidad, la existencia de derivadas...) [32]. Adems, les apoya fuertemente el crecimiento de la capacidad computacional producido por las mquinas de procesamiento paralelo; ya que, los GA trabajan con poblaciones (p. e., subconjuntos del espacio de bsqueda) y, por ende, son adecuados para ejecutarse sobre ordenadores con gran nmero de procesadores o sobre redes de ordenadores [67]. 10 Para que los GA aventajen a los mtodos basados en programacin matemtica, en cuanto a robustez, debern diferenciarse de stos en aspectos fundamentales [112]. En efecto, los GA son diferentes en cinco aspectos; 1. trabajan con una codificacin de un conjunto de parmetros, no con los parmetros mismos, 2. realizan la bsqueda sobre un conjunto de puntos distribuidos por todo el espacio de soluciones, no en el entorno de un nico punto, 3. utilizan la informacin que les proporcionan las evaluaciones de la funcin objetivo, no derivadas ni ningn otro conocimiento auxiliar, 4. usan reglas de transicin probabilsticas, no deterministas, y por ltimo 5. combinan dos sistemas de bsqueda: una bsqueda local, y un salto hacia regiones diferentes. El principal logro de la combinacin de los pxmtos anteriores ha sido el equilibrio entre la eficiencia y la eficacia necesarias para resolver diferentes y complejos problemas, alguno de los cuales no admite soluciones tradicionales [39]. 2.1.2 Operadores genticos Los GA establecen una analoga entre la forma en que suponemos que se resuelve un problema en la naturaleza y el algoritmo de solucin de un problema, codificando la informacin de cada solucin en una cadena a modo de cromosoma. Es necesaria la introduccin de una funcin de evaluacin de los cromosomas, que llamaremos calidad (fitness) y que est basada en la funcin objetivo del problema. Igualmente se introduce un mecanismo de seleccin de manera que los cromosomas con mejor evaluacin sean escogidos para "reproducirse" ms a menudo que los que la tienen peor [12]. Los GA trabajan siguiendo un bucle, llamado generacin, que consta de tres etapas fimdamentales: Seleccin, Evaluacin y Reemplazo. Una de las principales caractersticas que presentan los GA es la de utilizar un conjunto 11 de soluciones del problema (poblacin), la cual se ir modificando en el transcurso de las diferentes generaciones [24]. La Fig. 2.1 muestra, esquemticamente, un diagrama de funcionamiento de GA. Operadores Poblacin Inicial v Poblacin V Seleccin Evaluacin Poblacin Final Fig. 2.1 Bucle de Algoritmos Gentcos La etapa de Seleccin consiste en realizar im muestreo de la poblacin, favoreciendo la mayora de las veces a los mejores individuos, de manera que se obtenga una nueva. Con ello se mejora la calidad de la poblacin. Hay muchas formas de realizar este muestreo, pero lo ms habitual es realizar un muestreopor sorteo^. En la Tabla 6.1 se recogen los mtodos de seleccin principales y su descripcin 12 La etapa de Reproduccin se realiza aplicando los llamados operadores genticos, siendo los ms habituales el cruce y la mutacin. En lneas generales, el operador de cruce acta tomando dos progenitores e intercambiando parte de sus cadenas, para generar dos nuevos individuos que reciben el nombre de descendientes. Por su parte el operador de mutacin se aplica a un progenitor, alterando su cadena de algn modo, por ejemplo cambiando algimo de sus genes. Al finalizar una etapa de reproduccin se tienen dos poblaciones independientes, la de los progenitores y la de los descendientes. El ltimo paso consiste en la formacin de una nueva poblacin como consecuencia de la mezcla de las dos iniciales. Este paso recibe el nombre de Reemplazo. En consecuencia, en GA se especifican los siguientes elementos: Una representacin cromosmica Una poblacin inicial Una medida de la calidad de la solucin Un criterio de seleccin/eliminacin de cromosomas Una o varias operaciones de recombiacin Una o varias operaciones de mutacin
Las soluciones se representan bien mediante cadenas binarias, bien mediante otro tipo de configuraciones. Las operaciones genticas dependen del tipo de representacin, por lo que la eleccin de una condiciona la otra. La poblacin inicial suele ser generada aleatoriamente. Sin embargo, ltimamente se estn utilizando mtodos heursticos para generar soluciones iniciales de buena calidad. En este caso, es importante garantizar la diversidad estructural de estas soluciones para tener una "representacin" de la mayor parte de poblacin posible o al menos evitar la convergencia prematura, con el riesgo de llegar a ptimos locales y no globales. Respecto a la evaluacin de los cromosomas, se suele utilizar la calidad como medida de la bondad segn el valor de la mcin objetivo en el que se puede aadir un factor de penalizacin para controlar la infactibilidad. La seleccin de los padres viene dada habitualmente mediante probabilidades segn su calidad. Existen distintos procedimientos de seleccin, segn se 13 menciona en la bibliografa.^ Los operadores de cruzamiento ms utilizados son (se supone representacin binaria): De im punto: se elige aleatoriamente un pimto de ruptura en los padres y se intercambian sus bits De dos puntos: se eligen dos puntos de ruptura al azar para intercambiar Uniforme: en cada bit se elige al azar un padre para que contribuya con su bit al del hijo, mientras que el segundo hijo recibe el bit del otro padre. Combinados: son operadores ms sofisticados fruto de mezclar y aleatorizar los anteriores. La operacin de mutacin ms utilizada consiste en reemplazar con cierta probabilidad el valor de im bit. La influencia de la mutacin en la solucin se puede expresar en cuatro puntos fundamentales: 1. Provoca desbloqueo del algoritmo. Si el algoritmo se bloque en un mnimo local, una mutacin puede sacarlo al incorporar nuevos genotipos de otras zonas del espacio. 2. Acabar con poblaciones degeneradas. Puede ocurrir que pueda aparecer ;m cuasi-mnimo, porque en pasos iniciales apareci xm individuo demasiado bueno que acab con la diversidad gentica, de manera que la poblacin tiene los mismos genotipos. 3. Incrementar el nmero de saltos evolutivos. La mutacin permite explorar nuevos subespacios de soluciones, por lo que, si el subespacio es bueno en trminos de adaptacin, se producir un salto evolutivo despus de la mutacin que se expandir de forma exponencial por la poblacin. 4. Enriquecer la diversidad gentica. La mutacin es un mecanismo de prevencin de las poblaciones degeneradas. La determinacin precisa de los valores de los operadores genticos conduce a reducciones apreciables en los tiempos finales de computacin [30]. ^ En el Captulo 6 se desarrollan estos procedimientos de seleccin. 14 2.2 Simulacin de plantas qumicas La simulacin de procesos va a tener un papel importante en el desarrollo de nuestro modelo final de optimizacin^. En la mayora de los casos la simulacin, hoy en da, ha alcanzado la madurez, lo que no quiere decir que an no puedan ni sean necesarios avances, ni existan parcelas en las que hay mucho por hacer. La optimizacin, por el contrario est an lejos de la madurez. La simulacin de una planta qumica consiste en la creacin de un modelo de proceso, entendindose por modelo una descripcin del comportamiento de un proceso real, capaz de predecir la salida (las respuestas) en fimcin de las entradas al mismo. [108,65] El software de simulacin pennite simular mediante im ordenador distintos procesos y operaciones que existen a nivel industrial. En muchos campos- el qumico y petrolfero entre ellos- han sido desarrollados simuladores especficos. Disponen de piezas (o mejor mdulos u objetos) con los que componemos el sistema que se adapta a la simulacin objeto de nuestro inters. La simulacin estacionaria est mucho ms desarrollada que la dinmica. Con el simulador, los ingenieros slo necesitan desarrollar un modelo simple de procesos a partir de un diseo conceptual, para mejorar los diseos y la produccin y agihzar la toma de decisiones. Permite la integracin de operaciones unitarias, reacciones y paquetes de propiedades y la interaccin de otras aplicaciones para crear un programa hbrido. El simulador es til para mejoras de nuevos diseos y para modificar las operaciones existentes asegurando que los equipos estn trabajando dentro de las especificaciones. Un simulador no optimiza, responde a la pregunta "que pasa si", lo cual permite mejorar un diseo o hacer fimcionar mejor una planta, o mejorar la cahdad de los productos fabricados, al permitir anahzar ms alternativas que si efecturamos el estudio sin el simulador. En muchas ocasiones, los modelos para simular un proceso son conjuntos de Todos los aspectos relativos a la simulacin se desarrollan en profundidad en los Captulos 5 y 7. 15 ecuaciones no lineales, y a veces algebraico diferenciales. La simulacin computacional resuelve este sistema de ecuaciones algebraicas y/o diferenciales, utilizando para ello algoritmos nvunricos y simblicos poderosos. Un simulador est orientado a ecuaciones. Cada unidad se describe como un conjunto de ecuaciones que se combinan y se resuelven de forma simultnea. El usuario puede desarrollar sus propios modelos o emplear los de la biblioteca del simulador, e igual sucede con los procedimientos para el clculo de propiedades y con los algoritmos. Los modelos matemticos describen el comportamiento de los equipos principales y secundarios. El modelo de planta completo consta de un alto nmero de ecuaciones con igual nmero de variables a determinar. Un simulador, resuelve este sistema simultneamente utilizando mtodos numricos. Respecto al clculo de propiedades tales como temperatura de burbuja, entalpia molar de lquido y de vapor, coeficientes de distribucin y de actividad, se utilizan procedimientos de la biblioteca del simulador. 2.3 Cooperacin de Algoritmos Genticos, programacin matemtica y simulacin Uno de los objetivos de esta Tesis es desarrollar una metodologa que permita la cooperacin entre tcnicas metaheursticas, programacin matemtica y simulacin de procesos, teniendo en cuenta la incertidumbre de ciertos datos, de forma que cada una acte sobre aquella parte del problema en la que tiene una clara ventaja competitiva. El objetivo es la mejor y ms rpida resolucin de problemas complejos que los que permiten cada una de estas tcnicas usadas por separado. La eleccin de un entorno matemtico de desarrollo adecuado permite esta interaccin de procedimientos, a la vez que proporciona herramientas eficaces para aumentar el propio rendimiento del algoritmo metaheurstico. La combinacin de tcnicas resolver problemas inherentes a la simulacin e interaccin del simulador de procesos con el procesador matemtico. La simulacin y optimizacin de una planta qumica con unidades complejas est 16 apoyada por la programacin matemtica [14]. Las Fig. 2.2 y Fig. 2.3 presentan los dos posibles modelos que permiten guiar la cooperacin entre las tcnicas propuestas. El simulador se integra con el algoritmo de optimizacin, de manera que las prestaciones sofisticadas de ste ltimo se puedan integrar con las prestaciones de control (optimizacin), que son trasladados al simulador. Se realiza la simulacin y se envan los valores de las variables para su procesamiento mediante el algoritmo de optimizacin. El entorno matemtico en el que se desarrolla el algoritmo de optimizacin permite la formulacin de algoritmos adicionales, cuyo objetivo es la mejora de los procedimientos de optimizacin y simulacin. Optimizador Metaheurstico Solucin Tcnica Optimizacin Programacin matemtica Variables de decisin Tcnica Simulacin Simulacin Fig. 2.2 Lazo de combinacin I 17 Optimizador Metaheurstico Variables de decisin Tcnica Optimizacin Solucin Simulacin Tcnica Simulacin Programacin matemtica Fig. 2.3 Lazo de combinacin II Las ventajas de esta interaccin son: Implementacin de nuevas tcnicas de optimizacin en el simulador, Implementacin de algoritmos que permiten mejorar las prestaciones del simulador de procesos. Esta aplicacin permite desarrollar con efectividad la simulacin de una columna de destilacin reactiva, mediante una combinacin con la programacin maitemtica. Proporciona xin entorno grfico que permite la presentacin de los resultados obtenidos directamente. 18 3 OPTIMIZACION ESTOCASTICA DEL DISEO DE PROCESOS La naturaleza estocstica de ciertos parmetros origina que la modelizacin de una planta aporte incertidumbre en ciertas variables y parmetros. Resulta de vital importancia para una empresa sujeta a estas fuentes de incertidumbre minimizar el efecto de estos factores aleatorios en su cuenta de resultados. La bsqueda de una tcnica fiable de optimizacin es el objetivo para este tipo de sistemas [51, 8]. El modelo que se propone para la cuantificacin de la incertidumbre se basa en un modelo determinista equivalente. Para cada parmetro que aporta incertidxmbre se determinan una serie de valores posibles con su probabilidad asociada. El objetivo final de esta Tesis ser la combinacin de ima tcnica metaheurstica de optimizacin y el modelo determinista de la incertidumbre asociada al caso considerado. En la bibliografa se proponen distintas tcnica de tratamiento, segn la naturaleza del problema tratado. En [6] se proporciona un mtodo para la resolucin de problemas de optimizacin lineal con incertidumbre mediante la introduccin de la optimizacin robusta, que se basa en la introduccin de una 7 fimcin de penalizacin de factibilidad . En [86] se propone un algontmo para resolver el problema del diseo de la cadena de suministro bajo incertidumbre, combinando una estrategia de muestreo con un esquema basado en la Descomposicin de Benders acelerada. Otras tcnicas para problemas no lineales se recogen en [15] y [31]. 3.1 Modelacin de la incertidumbre: anlisis de escenarios El anlisis de escenarios proporciona consignas de produccin y funcionamiento que disminuyen la influencia de los factores que aportan incertidumbre sobre los beneficios de explotacin. Es de vital importancia para una empresa sujeta a estas fuentes de incertidumbre minimizar el efecto de '' Esta funcin penaliza las violaciones de restriccin de control bajo los diferentes escenarios 19 estos factores aleatorios. La representacin de la estocasticidad se realiza mediante un rbol de escenarios que modela la incertidumbre, permitiendo as la incorporacin de la aleatoriedad dentro del proceso de decisin. En la Fig. 3.1 se muestra una representacin de la generacin de un rbol de escenarios. Se asignan probabilidades a la ocurrficia de cada valor, y se calcula la probabilidad de la ocurrencia de nodos consecutivos a la vez: rbol de probabilidades. La incertidiunbre se modeliza mediante la metodologa de anlisis de escenarios. La optimizacin consiste en encontrar la mejor manera de utilizar los recursos a partir de unos escenarios dados por parmetros estocsticos a lo largo del horizonte de planificacin [23]. Para ello es necesario modelizar la incertidumbre de una forma realista y desarrollar la metodologa que pueda usarse en la prctica; el xito de la optimizacin depende de la facilidad en la construccin de un rbol de escenarios suficientemente representativo. Un escenario puede ser defmido como la representacin de la posible evolucin de un sistema hacia un estado futuro; el estado mostrar la hipottica situacin de cada parmetro constitutivo de xm sistema para cada perodo de un determinado horizonte de planificacin. A cualquier trayectoria que parta desde el nodo inicial hasta uno de los nodos finales se le denomina escenario. Decisiones e incertidumbres son representadas por las ramas que salen de los diferentes nodos del rbol. Cada rama proveniente de un nodo de decisin tiene asociado un costo o una utilidad (valoracin de sus atributos), mientras que los provenientes de un evento tienen asociadas una probabilidad de ocurrencia. Las probabilidades de las ramas provenientes del mismo nodo, suman la unidad. Un conjunto de nodos de eventos sucesivos corresponde a un escenario. El comportamiento de las alternativas a evaluar se establece mediante un nmero discreto de escenarios. 20 Escenario \, / / '1,1 "U Nodo ^ " " Parmetros con incertidumbre "2i -O I ' a ^^ \ Probabilidad final ' ' ' 1 1 escenario a "I
^ - ^ ""I ProbabilidadJ Q..... I S-1 Fig. 3.1 Generacin de un rbol de escenarios La probabilidad de cada escenario se calcular como el producto de las probabilidades de los nodos correspondientes a la trayectoria del escenario. Un rbol de escenarios es la representacin de un conjunto de escenarios, cada rama del rbol ser una posible evolucin del sistema. Segn Saint Paul R. y Teniere Buchot P.F. "el mtodo de escenarios tiene por objeto definir un estado futuro de un sistema conocido actualmente (por lo menos parcialmente) e indicar los distintos procesos que permiten pasar del estado presente a la imagen futura". El nmero de escenarios a considerar est limitado por las tcnicas de resolucin y la potencia computacional disponible. Un enfoque prometedor hoy en da parece ser el basado en el Anlisis de Escenarios [53]. La definicin de un rbol representativo de escenarios puede hacerse de diferentes maneras, entre otras haciendo: 21
Que el usuario defina todos los escenarios Que el usuario defina el conjunto de escenarios, pero un mtodo estadstico los seleccione. Que el usuario defina un escenario bsico y la variabilidad de los parmetros, y el sistema informtico cree el rbol de escenarios El esquema que se propone en el estudio favorece la utilizacin del segundo mtodo, dado el gran nmero de escenarios. Se puede hacer firente a las incertidumbres de una manera ms "determinista". Este abordaje tiene distintos nombres tales como "modelacin de escenarios", "modelacin determinista", "anlisis de sensibilidad" y "anlisis de estabilidad". La idea es generar, de manera subjetiva, una lista ordenada de incertidumbres im^portantes que supuestamente podran tener un mayor impacto sobre el resultado final. Esto se lleva a cabo antes de focalizarse en los detalles de cualquier escenario o modelo. La evaluacin de la probabilidad no es ms que la cuanticacin de la incertidumbre. La cuanticacin de la incertidumbre permite comunicar sta entre los nodos, hasta obtener el modelo de escenarios con su probabilidad asociada. Se deben identificar las posibles relaciones entre los distintos parmetros inciertos. Tambin es fundamental hacer un estudio de sensibilidad frente a cada una de las incertidumbres, para eliminar las que no afectan en demasa a las estrategias, y as limitar el tamao del problema a resolver. La dificultad de esta manera de planificacin con incertidumbre es que las fimciones resultantes de la modelacin completa del problema son enormemente grandes. Etapas: 1. Descripcin del problema original: el problema debe ser resuelto de manera completa, considerando todas las variables involucradas. 22 2. Definicin del espacio de solucin del problema y los valores lmites de las variables: se debe definir claramente la regin de inters para la solucin del problema y el rango de valores que cada variable puede adquirir. 3. Proceso de resolucin. 3.1.1 Incertidumbre en el escenario Taxonoma de la incertidumbre En vm anlisis de riesgo (o en cualquier modelacin cuantitativa de un problema) la incertidumbre puede considerarse a tres niveles: Incertidumbre en el entorno del proceso. Incertidumbre debida a la ausencia de cierta informacin requerida para definir completamente el anlisis, como son las previsiones de precios y demandas. o Incertidumbre en los parmetros. Incertidumbre acerca del valor verdadero de los parmetros, de tipo tecnolgico, usados en el anlisis. Incertidumbre en el modelo. Incertidumbre acerca del modelo apropiado para representar la realidad. Incertidumbre debida a la ausencia de cierta informacin requerida para definir completamente el anlisis: Errores de agregacin al combinar aproximaciones. Errores de juicio profesional al definir los escenarios. Anlisis incompleto. Esta es una de las ms difciles de eliminar, y es esencialmente no cuantificable (no podemos cuantifcar lo que no hemos considerado). Sin embargo, puede ser de las ms importantes. 23 La definicin de escenarios debe ser justificada cualitativamente para permitir formarse ua juicio acerca de la validez de las conclusiones usadas para considerar o descartar escenarios. 3.2 Planteamiento del modelo El problema de optimizacin se basa en una integracin de la programacin por objetivos, con una descripcin de los datos del problema basada en escenarios posibles. Gon esto se generan una serie de soluciones que progresivamente se convierten menos sensibles a las posibles realizaciones de los diferentes escenarios. Para poder plantear un modelo de optimizacin en un entorno de incertidumbre, definimos dos grupos de variables: 1. XgR"', Xg {0,1} que representan las variables de decisin cuyos valores ptimos no estn condicionados por la realizacin de la incertidumbre de los parmetros. 2. YCR"^, Ye {O, 1} que representan el vector de variables que estn sujetas al ajuste una vez se ha observado la incertidumbre de los parmetros. Su valor ptimo depende tanto de la realizacin del escenario como del valor ptimo de las variables de decisin. Funcin objetivo El valor esperado (funcin objetivo) se calcula ponderando las utilidades (ingresos - costos) por las probabilidades de ocurrencia para cada imo de los escenarios y luego sumando cada uno de estos resultados. Este es el criterio de uso ms difundido, debido a que en el valor representativo de cada alternativa se tom en cuenta el comportamiento frente a cada uno de los escenarios. Lo limitante es que este mtodo requiere estimar la probabilidad de ocurrencia de cada escenario. Bsicamente existen en la literatura tres opciones para estimar dichos valores. El primero basado ntegramente en la informacin histrica, el segundo basado en el juicio subjetivo de expertos que conozcan bien el comportamiento de las incertidumbres relevantes, y por ltimo el mtodo bayasiano, donde una estimacin inicial basada en el juicio del planificador se va actualizando a medida que se cuenta con observaciones fidedignas. 24 Se desea optimizar una fimcin que depende de factores inciertos, que se pueden modelar por un vector ^ (g) e S que representa el conjunto de escenarios (g = ,g = 2, ...,g'= G) con sus probabilidades asociadas co^, k = 1, 2, ...G.Se quiere escoger el vector de variables de decisin jc, perteneciente al conjunto factible, que maximice una funcin objetivo z que tambin depende de <B. De esta manera el problema estocstico se puede modelar como MaxE[z{x,y,^{g))] xeX yeY sujeto a h{x,y,^)<0 Para poder escoger una estrategia dominante para todos los escenarios es necesario ponderar cada una de sus soluciones por ima probabilidad de ocurrencia. En la Fig. 3.2 se muestra un esquema del modelo descrito. ALGORITMOS GENTICOS Escenari o g=1 - a>2 - Escenari o g=2 *- o^o -*[ Escenario 6 Probabilidad de cada escenario c =^ Z = Zj + w/ z , +a>2*2j + . . . + I [ Func. Objeti' Fig. 3.2 Optimizacin a travs de escenarios 25 Se reduce a,\mproblema determinista equivalente [67]. 3.3 Paralelizacin El tiempo d resolucin de problemas de grandes dimensiones puede ser mejorado por la aplicacin de la paralelizacin. Sistemas con determinadas estructUTis pueden descomponerse en varios de menor tamao, que tras varias iteraciones dan el mismo resultado que el original pero en un tiempo mucho ms reducido. Los tipos de modelos de optimizacin estocstica responden a estas estructuras y son paralelizables. Para la paralelizacin y solucin de problemas deterministas multietapa se emplea la descomposicin anidada. Geoffi-ion unifica los dos conceptos fundamentales utilizados en optimizacin matemtica a gran escala: manipulacin del problema y estrategia de solucin. El primero significa expresar el problema de forma alternativa esencialmente equivalente pero ms fcilmente solucionable. La manipulacin del problema tiene tres objetivos: inducir separacin entre problemas, inducir linealidad en un problema parcialmente no lineal y aislar estructuras especiales para utilizar algoritmos ms eficientes. El segundo supone la reduccin del problema de optimizacin a una secuencia de problemas ms sencillos. La conjuncin de tcnicas de paralelizacin mediante descomposicin y simulacin fie propuesta ya por Dantzig [16], permitiendo resolver problemas de gran tamao. Estas tcnicas hacen que el uso de procesamiento paralelo o distribuido sea muy conveniente. Con ellas la solucin repetida de los diferentes problemas se puede efectuar en paralelo entre los diferentes procesadores disponibles [22]. El clculo distribuido (mltiples ordenadores trabajando en colaboracin) da lugar a reducciones de tiempo de clculo de manera sustancial con respecto a la solucin en ordenador convencional. En los problemas de planificacin dinmica debemos proporcionar decisiones ptimas para momentos discretos del iiQm^Q {problemas lineales multietapa PL-P). Un problema de planificacin esttica (para un momento fijo en el tiempo) se formula jfrecuentemente como minimizacin de una funcin objetivo suma de costes totales de inversin y explotacin sujeta a restricciones 26 propias de inversin y de explotacin. La estructara habitual de la matriz de restricciones es diagonal por bloques ^^ variables, restricciones o ambas que se complican respectivamente. En principio sern bloques independientes excepto por la presencia de estos bloques adicionales de complicacin que unen los dems. La estructura de matriz de restricciones tiene variables que se complican y se pueden reorganizar para inducir separabilidad en las restricciones especficas. En el caso de un problema multidivisional existen restricciones que pueden eliminarse P^^ inducir separabilidad. Desde im punto de vista matemtico se analizar: la idoneidad algortmica en funcin de los resultados (tiempo de resolucin y nmero de iteraciones previsibles) tamaos de los respectivos subproblemas y adaptacin a los principios bsicos de las descomposiciones potenciales problemas de infactibilidad La descomposicin anidada consiste en aplicar de forma reciursiva el principio de descomposicin. Se divide el problema en etapas: la etapa 1 es el problema maestro y las etapas 2,..., P los subproblemas. Para solucionar los subproblemas se aplica de nuevo el principio de descomposicin siendo la etapa 2 el problema maestro y las etapas 3 , . . . , P el subproblema. Se aplica descomposicin hasta llegar a la etapa P-1 como problema maestro y la etapa P como subproblema. En cada momento slo se necesita resolver im problema correspondiente a una etapa, como problema maestro para las etapas p=l , . . . , P-1 o como subproblema para la etapa P. Este mtodo resuelve repetidamente una secuencia de problemas lineales de menor tamao para solucionar el problema multietapa.. La paralelizacin mediante el uso de tcnicas de descomposicin, se justifica por la estructura especial que presenta la matriz de restricciones del problema completo. Los subproblemas son separables para cada escenario. En los mtodos de descomposicin es importante el uso de tcnicas que permitan reducciones significativas de tiempo de clculo. Las mismas tcnicas de descomposicin estn orientadas a resolver ms eficazmente problemas de 27 muy gran tamao. Tambin se deben utilizar como punto de partida las bases de soluciones previas de los subproblemas (estrategia denominada trickling ^ hunching) [80]- El uso de un mtodo u otro depender de la interfaz con el optimizador que a su vez puede estar condicionada por el lenguaje utilizado en su codificacin. Se deben tener en cuenta los tiempos de creacin y de interfaz adems del tiempo propio de optimizacin. Antes de resolver el problema estocstico descompuesto es conveniente la resolucin del problema determinista con el valor esperado de u otro valor determinista cualquiera. Esto permite disponer de una informacin doble: una solucin inicial para cada etapa y valores iniciales para todas las variables. El protocolo de barrido de los subproblemas define el orden en que stos son resueltos. 28 4. METODOLOG A PARA LA OPTIMIZACION DEL DISEO DE UN PROCESO 4.1 Objetivo En este Captulo se tratan cuestiones metodolgicas relacionadas con el diseo de plantas de procesos qumicos, abarcando desde la definicin de los esquemas de proceso hasta el establecimiento de las condiciones ptimas de operacin de los mismos y su anlisis bajo condiciones de incertidumbre. La metodologa se basa en el desarrollo de diversas etapas, segn se muestra en la Fig. 4.1. Las etapas se describen a continuacin. Prediseo ^ Modelizacn Anlisis de escenarios Optimizacin 1 . Determinista 2. Estocstica Fig. 4.1 Etapas de metodologa 4.2 Etapa de prediseo En primer lugar es necesaria la definicin del problema a optimizar. En la etapa de prediseo se deben llevar a cabo las siguientes acciones: Definir entradas y salidas del sistema, en base a estudios de procesos existentes y de otras alternativas posibles, y a reacciones qumicas y separaciones de compuestos Establecer las especificaciones de materias primas y productos deseados. Se debe prever la posibilidad de que la planta a disear sea multiproducto, es decir, que pueda fabricar ms de un producto. Definir la estructura de los procesos que se requieren para llevar a cabo la transformacin deseada de materias primas a productos. Desarrollo del caso base. 29 Estudio de alternativas de diseo. A partir de los procesos existentes se analizan las posibilidades de rediseo de la planta. Anlisis Econmico. Es necesario establecer las hiptesis bsicas para la evaluacin econmica de un proceso. Establecimiento de la superestructura. Diseo de la superestructura que servir de base para la optimizacin del diseo de proceso o planta objeto de estudio. 4.3 Etapa de modelizacin Una vez definidas las materias primas, necesidades de salida y el diagrama de flujo del proceso, es necesaria la modelizacin del proceso. La modelizacin se lleva a cabo en varias subetapas: Definir reacciones involucradas. Es necesario estudiar las condiciones de la reaccin, uso posible de catalizadores, grados de conversin etc. Debe quedar definida la cintica de todas las reacciones que intervienen. Establecer la distribucin de ios compuestos. Proporciona las necesidades de separacin de componentes. Modelizar los reactores qumicos. Modelizar los sistemas de separacin. Definir columnas de destilacin, extraccin, etc. 30 n este punto se deben considerar los sistemas complejos de separacin, como por ejemplo la destilacin reactiva. El diseo de estas unidades puede requerir del desarrollo de algoritmos que complementen la modelizacin bsica tradicional. Modelizar los sistemas con integracin de energa. Adaptacin y diseo de los sistemas de transferencia de energa. Simulacin del modelo. Una vez definido el sistema se plantea la resolucin del modelo por simulacin y el anlisis de las respuestas obtenidas. En este punto se impone la utilizacin de un paquete comercial de software de simulacin, si est disponible, frente a un desarrollo especfico. En los modelos de simulacin se incorporan los mecanismos fsico- qumicos necesarios para la resolucin del modelo. Pruebas del modelo viable. Simulacin. Obtencin de un diseo que satisface todas las restricciones y sus variables se encuentran dentro de los lmites establecidos. Un diseo viable puede ser o no el diseo ptimo. Anlisis de sensibilidad. El anlisis de sensibilidad ofrece las siguientes ventajas adicionales: Permite ver cmo el modelo es sensible a ciertas variables de diseo. Obtener grficos de variacin de cualquier resultado del anlisis fi-ente a las variables de diseo. Un estudio de sensibilidad permite conocer la variacin de una respuesta al cambiar una variable de diseo. As, podremos conocer mediante grficas de respuesta x-y la variacin, al modificar el valor de 31 las variables de diseo introducidos mediante una tabla, o indicando el valor rnnMo y mximo e intervalos de variacin. Est anlisis puede, a veces, recomendar la mdificacih de algxinas de las hiptesis bsicas. 4.4 Etapa de anlisis de escenarios Un estudio histrico de las variables y parmetros del proceso conduce a la necesidad de la consideracin de la incertidumbre. La introduccin d sta se realiza siguiendo una serie de pasos: Anlisis de incertidumbre. Seleccin del modelo para introducir la incertidumbre en el estudio. Se plantea el ilisis mediante un rbol de escenarios. Definicin de escenarios. Se hace uso de escenarios para representar la entrada de datos con incertidumbre en el modelo de decisin. La generacin de los escenarios requiere de un estudio estadstico de las variables, para la determinacin de sus valores y probabilidades de ocurrencia. 4.5 Etapa de optimlzacin La resolucin del problema propuesto se realiza mediante tcnicas de optimizacin; cada punto de bsqueda del proceso de optimizacin puede implicar la simulacin del proceso bajo ese diseo y conjunto de condiciones de operacin. Se emplea una potente fimcionalidad de optimizacin que convierte el proceso de diseo en una tarea mucho ms eficiente. En lugar de crear manualmente estudios y ejecutar los diferentes tipos de anlisis y verificar resultados, el sistema diseado busca automatizar la bsqueda de ima solucin ptima. 32 4.5.1 Tcnica de optimizacin La etapa de optimizacin requiere en primer lugar del establecimiento de la tcnica adecuada para llevarla a cabo. La implementacin se consigue en varias etapas: Seleccin de tcnicas metaheursticas. Como tcnGE de optimizacin se emplean los Algoritmos Genticos. La seleccin de la herramienta se produce en base a criterios computacionales y de eficacia. Desarrollo de mecanismos de cooperacin entre modelizacin y optimizacin. El entorno matemtico en el que'se implanta la tcnica metaheurstica proporciona las herramientas para la conexin y posterior cooperacin. Es necesario que el algoritmo de optimizacin comunique eficazmente con el algoritmo de resolucin del modelo del proceso. El lenguaje de computacin permite esta interconexin. Adicionalmente, en este punto se desarrollan los algoritmos necesarios para lograr un alto rendimiento del conjunto. La cooperacin entre tcnicas permite la implementacin de mdulos adicionales en las partes criticas del sistema, que actan en el sentido de mejorar la resolucin del modelo. Estudio de la tcnica de optimizacin. Se resuelven mediante optimizacin determinista casos sencillos obtenidos de la bibliografa. El estudio de estos problemas propuestos permite comprobar la bondad de la solucin obtenida y la robustez del mtodo ensayado. Se realiza la optimizacin determinista de unidades sencillas de nuestro caso de estudio. Esta optimizacin se lleva a cabo para los equipos principales, como colunmas de separacin y reactores. El anlisis de los resultados obtenidos debe permitir la determinacin precisa de los parmetros principales del algoritmo de optimizacin. En el 33 caso dlos Algoritmos Genticos s presta speda atencin v; . Poblacin Inicial; 2. Nmero de Generaciones; 3. Parmetro de friutacin; 4. Parmetro de cruzamiento. s importante sealar que est etapa representa slo un pas pirevio. Su finalidad es contrastar y mejorar los modelos de las unidade. 4.5.2 ptimizacin determinista Antes de realizar la ptimizacin considerando los aspectos relacionados con la incertidmnbre se lleva a cabo la ptimizacin determinista del proceso completo, segn una serie de etapas. El anlisis de cada escenario por separado sirve para terminar de establecer las hiptesis bsicas para la ptimizacin estcstica y para comprobar el correcto fimcionamiento de los modelos. Establecimiento de las variables de ptimizacin. Seleccin de las variables principales del modelo del sistema. Cualquier parmetro puede ser definido como una variable de diseo. Determinacin del rango de las variables. Es necesario especificar un valor mnimo y mximo, as como la tolerancia. Al especificar los lmites de las variables hay que asegurarse que el modelo pueda resolverse en todas sus combinaciones. Definicin a funcin objetivo. La mcin objetivo es un valor que el usuario busca minimizar o maximizar. La ftincin objetivo debe ser una fimcin de las variables de diseo y funcionamiento. Un diseo ptimo es un diseo viable que maximiza o minimiza la fimcin objetivo. Aplicacin de tcnicas de paralelizacin. Si el problema formulado es de gran tamao se procede a la 34 descomposicin del caso base en subproblemas. Esta descomposicin se realiza teniendo en consideracin las variables implicadas y la funcin objetivo que se persigue. Los subproblemas se establecen siguiendo criterios de semejanza entre las variables. Cada subproblema se resuelve y optimiza. Posteriormente los valores se emplean para la optimizacin del problema completo. La propia estructura de las tcnicas metaheursticas facilita la paralelizacin. El entorno de programacin facilita la conexin entre los distintos subproblemas de manera que intercambian informacin entre s durante el proceso de optimizacin. Resolucin del modelo. Anlisis de resultados. 4.5.3 Optimizacin estocstica Elaboracin del modelo de optimizacin con escenarios. Muestreo de escenarios. Si el nmero de casos que hay que evaluar es muy elevado es necesario reducirlo. Para ello se procede a un muestreo de los mismos. Se determina la funcin de probabilidad acumulada y se procede al muestreo. El muestreo se realiza por el mtodo de Montecarlo. La fimcin objetivo final se detemiina empleando el mtodo de la aproximacin media de muestra. Anlisis de los resultados. Determinacin de tamao de muestra mnimo para obtener una solucin fiable. Anlisis de la solucin y diseo final del proceso. 35 36 5. HERRAMIENTAS La metodologa propuesta conlleva la seleccin de herramientas adecuadas, suficientemente potentes para poder llevar a cabo el procedimiento propuesto, y con unas caractersticas de flexibilidad que permitan el desarrollo del modelo. 5.1 Entorno de desarrollo Se plante como objetivo buscar xm entorno de desarrollo en el que se pudiera implementar el algoritmo de optimizacin, y que fuera flexible para permitir la cooperacin con tcnicas de simulacin. Mediante la programacin de rutinas especficas, tambin se busca aumentar las prestaciones tanto de mecanismo de optimizacin como de la tcnica de simulacin. Para el desarrollo de nuestra tcnica hemos buscado una herramienta de alto nivel, que facilite la utilizacin de algoritmos de clculo y las conexiones con otros sistemas tales como simuladores comerciales, algoritmos de optimizacin, basados en programacin matemtica y metaheursticos, y bases de datos, y que presente una interfase grfica de usuario suficientemente potente. 5.2 Algoritmos Genticos El desarrollo en los ltimos aos de las tcnicas de optimizacin por aplicacin de tcnicas evolutivas ha provocado la aparicin de distintos programas, que se pueden implementar en distintos entornos. En la Tabla 5.1 se recogen los principales paquetes y bibUotecas de GA existentes. 5.3 Simulador de operaciones unitarias y procesos Desde hace bastantes aos se han impuesto los paquetes de software comerciales fi^ente a los desarrollos especficos de cada empresa. 37 Noni hi c GALOPPS GAGS FORTRAN GA Galio GAOT GAS GECO GPdata: GpJPP GP Kernel lil-gp Tabla 5.1 Paquetes de GA disponibles ( unictensticjs Es muy flexible. Puede ser encontrado en GARAGe. Su dueccin primaria en Internet es GARAGe. cps . msu. e d u / s o f t wa r e / s o f t w r e - ^ n d e x . ht ml , y su direccin para descargarlo va FTP es g a r a g e . c p s . ms u . e d u / p u b / GA/ g a l o p p s / '. Generador de aplicaciones basadas en GA, escrito en C++. Desarrollado por' el grupo de JJ. Melero. Su direccin Web es k a l - e l . u g r . e s / g a g s . ht ml , y su direccin para descargarlo va FTP es k a l - e l . u g r . e s / GAGS / . Desarrollo d GA para Fortran. Su direccin Web es www. s t a f f . u i u c . e d u / - c a r r o l l / g a . h t ml . Biblioteca de GA de Mathew. Conjunto de clases en C++ de GA. Su direccin Web es lancet. m t . edu/ga/, y su direccin para descargarlo va FTP es lancet.mt.edu/pub/ga/. Se puede registrar en http://lancet .mit.edu/ga/Register. html. Genetic Algorthms for Opimization Toolbox. Biblioteca de GA d Matlb. Paquete paxa desarrollar aplicaciones de GA en Pyton. Su direccin Web es s t a r s h i p . s k y p o r t . n e t / c r e w/ g a n d a l f , y su direccin para descargarlo va FTP es f t p . c o e . u g a . e d u / u s e r s / j a e / a i . Conjxmto de herramientas para Lisp. Su direccin para descargarlo va FTP es f t p : / / f t p . a i c . n r l . n a v y . m i l / p u b / g a l i s t / s r c / . Para desarrollar GA en C++. Su direccin para descargarlo va FTP es f t p . e s . b h a m. a c . u k / p u b / a u t h o r s / W. B. La n g d o n / g p - c o d e / , y su documentacin - GPd a t a - i c g a - 9 5. ps - se puede encontrar en el site de Internet e s . u c l . ae . u k / g e n e t i c / p a p e r s / . Bibliotecas de clases para desarrollar GA en Java. Su direccin Web es WWW.turbDpower.eom/~ k i mk / g p j p p . a s p . Biblioteca de clases para programacin gentica en C++. Su direccin Web es www. emk. e - t e c h n i k . t h - d a r ms t a d t . d e / ~ t homas w/ gp. ht ml . Herramientas para programacin gentica en C. Su direccin Web es i s l . ms u . e d u / GA/ s o f t wa r e / l i l - g p / i n d e x . h t ml j y s u direccin para descargarlo va FTP es i s l . cps . msu. e d u / p u b / GA/ l i l g p / . Se pueden encontrar los parches para Linux en www. e s .umd. e d u / u s e r s / s e a n l / p a t c h e d - gp- 38 Tabla 5.1 Paquetes de GA disponibles ' Nombie PGAPack Sugal ADATE GPsys Caractersticas Parallel Genetic Algorithm Library Parallel Genetic Algorhm Library. Biblioteca de GA paralelos. Se puede encontrar en la direccin de Internet con un navegador en www.mes . a n l . gov/ home/ l evi ne/ PGAPACK/ i ndex. ht ml , y su direccin para descargarlo va FTP es f t p . me s . a n l . g o v / p u b / p g a p a c k / . Sunderland Genetic Algorithm system. Para hacer experimentos con GA. Se puede encontrar en la direccin de Internet con el navegador en www. t r a j a n - s o f t wa r e . d e mo n . c o . u k / s u g a l . h t m. Automatic Design ofAlgorithms Through Evolution. Programacin evolutiva. Su direccin Web es www-ia. hi of , no/ ~ r o l a n d o / a d a t e i n t r o . h t ml . Sistema de programacin gentica en Java. Se puede encontrar en la direccin de Internet www. e s . u c l . a c . u k / s t a f f / A. Qu r e s h i / g p s y s . h t ml Dentro de stos la tendencia general es apostar por los entornos Windows (NT, XP) y los sistemas interoperables (independientes de la plataforma). Desde el punto de vista de vista del paquete en s, se ha consolidado la tendencia hacia lenguajes de programacin orientados a objetos (C-H-) y hacia un sistema hbrido en la resolucin de ecuaciones, alternante segn convenga entre los mtodos secuenciales y los de resolucin simultnea. Los entornos de desarrollo son los utilizados por aquellos paquetes de software para el desarrollo de modelos. Se pueden distinguir: 1. Simuladores para aplicaciones especficas, de plantas de proceso continuo, discontinuo o discreto, como ASPEN PLUS, PROII, etc., concebidos todos ellos para facilitar las labores de desarrollo del modelo sin exigir conocimientos especficos en lenguaje de programacin. Estos entornos utilizan objetos o mdulos predefinidos, a base de cuya combinacin se va configurando cada proceso, cuyas subrutinas de comportamiento se encuentran ya elaboradas y requieren simplemente la introduccin mediante mens de los parmetros caractersticos del proceso o caso a estudiar. 2. Simuladores de propsito general, como EcosimPro. sta es una herramienta de modelado y simulacin que mediante un lenguaje de fcil 39 aprendizaje (llamado EL), permite al modelador crear y reutilizar libreras de componentes (por gemplo vlvulas, intercambiaJdores de calor, etc.). Tabla 5.2 Paquetes d software para simulacin de procesos 1 Simuladni t-iiipiesa ' 1 Estacionario Aspen Plus BioPro/SuperPro CHEMCAD Hyprotech.Process (Hysys) Pro/II PROSIM ProSimPlus AspenTech Intelligei Chemstations Hyprotech (AspenTech) Smisci BR&E Prosim Dinmico 1 Aspen Dynamics gPROMS Hyprotech.Plant (Hysys) EcosimPro AspenTech BR&E Hyprotecli (AspenTech) Empresarios Agrupados 5.4 Seleccin de herramientas Como entorno de desarrollo se ha elegido Matlab, que es una herramienta para la ejecucin de la computacin numrica de alto nivel: integra anlisis numrico, computacin matricial y un entorno de grficos fcil de utilizar. Las fimciones definidas son simplemente filas de texto o instrucciones interpretadas. De esta forma, son completamente transportables a otras arquitecturas de hardware. Matlab tiene implementado ima herramienta de optimizacin, que permite la resolucin de problemas de optimizacin de pequeo y medio tamao mediante la aplicacin de las tcnicas tradicionales*. ' En detalle se recoge en el manual Opimization Toolbox For Use with MATLAB. 40 La versin de Matlab empleada en el estudio es la 5.1. [98] Matlab proporciona \m entorno de desarrollo flexible, permitiendo su interconexin con otras tcnicas de simulacin y programacin. Los GA han sido implementados como una herramienta de Matlab, una arquitectura de fimciones llamadas GAOT, Genetic Algorithmfor Optimization Toolbox. Cada mdulo del algoritmo es implementado empleando ima mcin de Matlab [35]. La versin utilizada es GA0Tv5. La implementacin en Matlab implica una serie de ventajas: proporciona un entorno flexible para la modificacin de fimciones auxiliares empleadas en optimizacin, es completamente transportable, y presenta un entorno de computacin numrica muy eficiente. El simulador seleccionado ha sido Hysys. Hysys fie diseado por AEA Technology Engineering Software Products, que es un distribuidor de software de ingeniera y soluciones al sector de la Industria Qumica, cuyo representante es Hyprotech [37]. La versin empleada en el estudio es Hysys.Plant v2.1.1 El software de simulacin empleado posee una amplia base de datos, y permite la estimacin rigurosa de propiedades. Hysys opera siguiendo una estrategia modular secuencial para la simulacin de procesos en estado estacionario. 5.4.1 Tcnicas de cooperacin entre simulacin y optimizacin con GA Una de las ventajas de emplear un simulador de procesos comercial como Hysys, y un paquete de optimizacin implementado en Matlab es la posibilidad de conectar ambos programas y la flexibilidad de esta conexin. Hysys se ha integrado con Matlab, de manera que las prestaciones sofisticadas de ste ltimo se puedan integrar con las prestaciones de simulacin avanzada de Hysys. La comunicacin entre Hysys y Matlab se realiza mediante comandos OLE. Esencialmente esta interaccin consiste en que Matlab desarrolla los parmetros de control, que son trasladados a Hysys. Hysys responde a stos parmetros realizando la simulacin y enviando los valores de variables de proceso de vuelta a Matlab. Las rutinas principales de Matlab para la interconexin se muestran en la Tabla 41 5.3. Tabla 5.3 Rutinas de conexin Entorno de prbgramacin-Siiitiuldr Parmetro Hyconnect Hyspread Hycell Hyvlue I Hyunits 1 Hyset Hyhold Hystart Hyissolving Descripcin Conecta con Hysys como un controlador acftVeX Conecta con la hoja de clculo (spreadls'Ae) Conecta con las celdas de la hoja de clculo Lee el valor de la celda de la hoja de clcuto Lee las unidades (tipo de variable) de la celda correspondiente Cambia el valor de la celda de la hoja de clculo Desactiva Hysys (oW ffjo/e) Activa Hysys {solver mode) Comprueba si Hysys est calculando 5.4.2 Descripcin bsica del paquete de GA Se describen a continuacin brevemente las funciones principales de GAOT. La funcin bsica es la funcin ga, que lleva a cabo la evolucin simulada. La llamada a la funcin ga es dada por el siguiente comando de Matlab: [x, endPop, bPop, tracelnfo] = ga(bounds, evalFN, evalParams, startPop, params, termFN, termParams, selectFN, selecParams, xOverFNs, xOverParams, mutFNs, mtitParams) Parmetros de salida: definen los resultados obtenidos. Tabla 5.4 Parmetros de salida de GAOT r.ii:iiiu-li() X endPop bPop tracelnfo \ . ilor opcional opcional opcional Di sri i pci on mejor solucin poblacin final matriz de las mejores soluciones y la correspondiente generacin donde se encontraron matriz de los mximos y de los valores medios de las poblaciones para cada generacin 42 Parmetros de entrada: fijan los trminos necesarios para llevar a cabo la optimizacin. Tabla 5.5 Parmetros de entrada de GAOT l'aiumctro \alnr IK'sciipciii Bounds evalFN evalParams startPop params termFN termParams selectFN selectParams xOverFNs xOverParams mutFNs muParams opcional opcional opcional opcional opcional opcional opcional opcional opcional opcional opcional matriz de los lmites superior e inferior de las variables j funcin de evaluacin I matriz de cxxalquier parmetro de la funcin de evaluacin matriz de soluciones y sus respectivos valores fimcionales.' | vector de opciones nombre de la funcin de terminacin matriz de parmetros nombre de la funcin de seleccin cadena de nombres de las funciones de seleccin cadena de nombres de las funciones de cruce matriz de los parmetros de cruce cadena de los operadores de mutacin matriz de los parmetros de mutacin En la Fig. 5.1 se muestra im diagrama de funcionamiento general de los GA. GA ejecuta la evolucin simulada empleando evalFN para determinar la idoneidad de la solucin. GA utiliza xOverFNs y mutFNs para alterar la cadena de soluciones durante la bsqueda. El sistema mantiene un alto grado de modularidad y flexibilidad como resultado de ejecutar la seleccin, evaluacin y funciones de terminacin, as como una lista de operadores genticos. As los GA son capaces de ejecutar una evolucin utilizando una combinacin de seleccin, cruce, mutacin, evaluacin y funciones de terminacin conformes con las especificaciones fimcionales determinadas. ' La poblacin inicial se crea al alzar con el comando inizializega 43 Poblacin Inicial iinitPop] v Poblacin [bounds] Operadores [xOverFNs, mutFNs] V Evaluacin [Evaim] Seleccin [selectFN] \j^ Poblacin Final [termFN\ Fig. 5.1 Algoritmo Gentico bsico Funcin de Evaluacin La fimcin de evaluacin se ejecuta para determinar la bondad de la solucin generada durante la bsqueda. La combinacin de algoritmos matemticos y simulacin permite la utilizacin de ftmciones de evaluacin complejas/*^ Funciones Operacionales Los operadores nos dan los mecanismos de bsqueda de los GA. Los operadores son utilizados para crear nuevas soluciones basadas en soluciones existentes en la poblacin. Hay dos tipos bsicos de operadores: cruce y mutacin. El cruce toma dos individuos y produce dos individuos diferentes mientras que la mutacin altera un individuo para producir una nueva solucin. La fimcin ga llama a cada uno de los operadores para producir ' Se desarrolla en el Captulo 5 44 nuevas soluciones. ^' Funciones de Seleccin La fimcin de seleccin determina cules de los individuos sobrevivir y continuarn en la siguiente generacin. La fimcin ga llama a la funcin de seleccin en cada generacin para que, una vez que hayan sido evaluados todos los individuos, se cree ima nueva generacin. Funciones de Iniciacin y Terminacin Para iniciar una poblacin se utilizan generalmente cadenas al azar dentro del espacio de bsqueda. Sin embargo, tambin se puede hacer de otra forma utilizando el parmetro startPop, el cual genera una poblacin inicial. Las mciones de terminacin determinan cundo debe detenerse la optimizacin y devolver el resultado de la poblacin. La fimcin ga llama a la fimcin de terminacin ima vez en cada generacin despus de que se han aplicado todas las funciones operacionales y la funcin de evaluacin. Existen otras funciones caractersticas de la fimcin de GA, implementado en Matlab. [35]'^ " Estas funciones se estudian en el Captulo 6 '^ Houck y col. muestran un manual sobre la utilizacin de GA, indicando las fimciones complementarias. 45 mMm 46 6. ESTUDIO DE PARMETROS DE ALGORITMOS GENTICOS APLICADOS A LA OPTIMIZACIN DE PROCESOS GA es una bsqueda paramtricamente robusta. Con tasas razonables va a converger en xma solucin razonablemente buena si la representacin es la adecuada. GA es el algoritmo que hace una barrida ms efectiva al subespacio de posibles soluciones vlidas, y con diferencia. Para el mismo nmero de soluciones analizadas obtiene mejores soluciones. Por ello es de todos los algoritmos de optimizacin estocsticos el ms exploratorio. A continuacin se describen las funciones fimdamentales necesarias para la ejecucin de los GA. Se van a estudiar las funciones empleadas, y que se hallan implementadas en la biblioteca utilizada. Finalmente se van a analizar los parmetros de cada una de estas funciones de GA mediante la realizacin de estudios de optimizacin aplicados a distintos casos. El establecimiento correcto de los valores de operacin de los parmetros es fundamental para realizar una optimizacin fiable y con tiempos de computacin reducidos. Los casos estudiados se obtienen de la bibliografa, o bien son casos desarrollados a partir de los ya analizados, y tienen como objetivo el poder realizar un anlisis especfico de los parmetros. Conviene recordar la importancia de disponer de un entorno de desarrollo flexible, que permita la modelacin matemtica de unidades y la implementacin de rutinas para la optimizacin. El trabajo realizado ser til, adems, para la puesta a punto de las tcnicas empleadas y la cooperacin entre ellas. Estos casos analizados contienen unidades y presentan dificultades semejantes al caso base de estudio, si bien carecen de la complejidad de ste. Los resultados obtenidos sern extrapolables al caso final de estudio, y sern la base para el desarrollo de las rutinas necesarias para llevar a cabo la optimizacin de forma efectiva. Estos aspectos se tratarn en profundidad en los siguientes captulos. 47 6.1 Funciones bsicas 6.1.1 Iniciacin La tarea fundamental de la funcin de iniciacin es la generacin de una Poblacin Inicial, que sirva como pvmto de partida para el proceso de optimizacin. La tcnica principal, elegida como base para el estudio, es la generacin aleatoria de esta primera poblacin. Existe una tcnica alternativa que consiste en alimentar la poblacin inicial, en SU totalidad o en parte, con una poblacin ya estudiada. Esta ltima tcnica presenta una serie de inconvenientes y ventajas que se analizarn en detalle en el Captulo 9. " El parmetro bsico de la funcin de iniciacin es el tamao de la poblacin inicial. El objetivo ahora es analizar la eficacia de los GA en funcin del tamao de la poblacin inicial seleccionada. La eficacia se estudia en base a la capacidad de obtener un valor final cercano al ptimo, y al tiempo de computacin necesario. Para ello se plantean distintos casos base, y se analiza la influencia en el resultado final. Una seleccin adecuada permite obtener una serie de conclusiones que pueden ser extrapoladas a casos semejantes. Estudios de poblacin inicial ya se recogen en distintas publicaciones. [112] Este estudio se realiza en paralelo con el anlisis del nmero de generaciones ptimo para alcanzar el resultado final. 6.1.2 Terminacin El parmetro bsico de la funcin de terminacin es el tamao del Nmero de '^ Esta tcnica permitira establecer una metodologa alternativa a la estudiada. 48 Generaciones. El criterio de terminacin empleado es el nmero de generaciones mximo. El algoritmo no se detiene hasta que se alcanza un nmero de generaciones establecido. Un nmero bajo de generaciones, podra conducir a una solucin lejana del ptimo. Por otro lado, xm nmero alto podra provocar soluciones redxmdantes, y un tiempo de procesado excesivamente alto y poco efectivo en su etapa final. El nmero de generaciones ptimo y el tamao de poblacin inicial presentan, adems, una alta correlacin entre ellos. El estudio tambin trata de lograr una relacin general que permita una combinacin ptima de ambos parmetros. La principal aportacin del estudio consiste en el diseo y anlisis experimental de una estrategia que permite incorporar este conocimiento al estudio del sistema final. 6.1.3 Evaluacin y seleccin Una vez evaluada la calidad, se tiene que crear la nueva poblacin teniendo en cuenta que los buenos rasgos de los mejores se transmitan a esta. Para ello, hay que seleccionar a una serie de individuos encargados de ello. Esta seleccin, y la consiguiente reproduccin, se puede hacer de tres formas principales, que se explican en la Tabla 6.1. La funcin empleada en el estudio es la de seleccin por rango. El rango numrico se asigna mediante una normalizacin geomtrica^'*. 6.1.4 Mutacin El parmetro fundamental para las funciones de mutacin es el que determina la firecuencia de sta dentro de cada generacin. Este parmetro se fija para cada tipo de mutacin. ''' El mtodo se denomina Rango por normalizacin geomtrica. 49 Tabla 6.1 Funciones de evaluacin y seleccin 15 llIiK'iOIlCS Descripeiii Rango Rueda de ruleta Torneo A cada individuo de la poblacin se le asigna uri valor numrico basado en su calidad, crendose im rango por orden de calidad. La seleccin se basa en esta clasificacin numrica. Los individuos con mayor calidad, tendrn ms posibilidades de seleccin, de manera que los de menos calidad son eliminados y sustituidos por reproduccin}^ de alguno de los mejores con algn otro individuo de la poblacin La probabilidad de que un individuo sea seleccionado es proporcional a la diferencia entre su calidad y la de sus competidores. Se eligen subgrupos de individuos de la poblacin, y los miembros de cada subgrupo compiten entre ellos; el que tiene puntuacin mayor se reproduce, sustituyendo su descendencia al que tiene menor puntuacin. Slo se elige a un individuo de cada subgrupo para la reproduccin. Un nmero bajo de frecuencia de mutacin puede originar el enquistamiento de la solucin dentro de un mximo local. Un nmero elevado de frecuencia de mutacin disminuye el riesgo de alcanzar ptimos locales, pero puede originar un excesivo nmero de soluciones posibles que deben evaluarse, dando lugar a un tiempo de computacin inaceptable, as como generando una redundancia de soluciones. En la Tabla 6.2 se recogen las cuatro funciones de mutacin principales. 6.1.5 Cruzamiento El parmetro fimdamental para las funciones de cruzamiento es el que determina la frecuencia de ste dentro de cada generacin. Este parmetro se '^ Se reflejan laicamente las funciones principales recogidas en la herramienta de optimizacin empleada. '* Por mutacin y/o cruzamiento 50 fija para cada tipo de cruzamiento. Tabla 6.2 Funciones de mutacin 1 uniionis Mutacin en lmites (JBoundary Mutation) Dosiiipcion Cambia xuia de las variables padre. El nuevo valor es el lmite superior o inferior de dicha variable. Mutacin mltiple no uniforme (Multi-Non-Uniform Mutation) Cambia todas las variables de la solucin padre. Los nuevos valores se obtienen a partir de rma distribucin de probabilidad no uniforme. La distribucin gaussiana, empieza en xm intervalo amplio, que se estrecha a medida que la optimizacin se acerca al nmero mximo de generaciones. Mutacin no uniforme {Non-Uniform Mutation) Cambia una de las variables padre. El nuevo valor se obtiene a partir de una distribucin de probabilidad no uniforme. La distribucin gaussiana, empieza en un intervalo amplio, que se estrecha a medida que la optimizacin se acerca al nmero mximo de generaciones. Mutacin uniforme {Uniform Mutation) Cambia una de las variables padre. El nuevo valor se obtiene a partir de una distribucin de probabilidad uiforme. El valor de frecuencia de cruzamiento en el rendimiento de los GA no es tan importante como el relativo a la mutacin, debido a la propia naturaleza evolutiva de los GA. Debe fijarse un valor mnimo que garantice una exploracin en todo el espacio de soluciones. En la Tabla 6.3 se describen las tres fimciones de cruzamiento principales, que se emplearn en el estudio de optimizacin. El establecimiento de los parmetros adecuados requiere de un estudio previo sobre distintos casos reales. 51 Tabla 6.3 Funciones de crttziiento p Fu liciones Cruzamiento aritmtico (Arithfnetic Crossover) Cruzamiento heurstico (Heuristic Crossover): Cruzamiento simple (Simple Crossover): Descripcin Toma los dos padres y obtiene la solucin hijo mediante una interpolacin en rt que forman las dos soluciones padre. Toma los dos padres, y obtiene la solucin hijo realizando una extrapolacin en la recta que forman las dos soluciones padre en la direccin de la sohicinpadre ms robusta. Toma los dos padres y obtiene la solucin ^z/o mediante el establecimiento de un pimto simple de cruzamiento. 6.2 Estudi de p armet ros: poblacin inicial y nmero de generaciones Mediante el desarrollo de casos prcticos se realizan dos estudios en paralelo: Tamao de poblacin inicial (/wzPop) Nmero de generaciones (N Generaciones) El anlisis simultneo de los dos parmetros permite deducir las interacciones entre ellos, a la vez que se estudia cada uno de manera individual. En la Tabla 6.4 y en la Tabla 6.5 se muestra una descripcin esquemtica de los casos estudiados. Se indican las variables estudiadas y la fimcin objetivo. La descripcin detallada de los sistemas, se encuentra en la bibliografa. Un estudio de optimizacin de estos casos permite obtener informacin til para el ajuste de los parmetros. Los casos de la Tabla 6.4 se han modelizado dentro del entorno matemtico empleado. Las ecuaciones se han desarrollado, logrndose una interaccin efectiva con los GA. 52 Tabla 6.4 Casos prcticos en entorno matemtico para estudio de parmetros ( jso estudiado Red de intercambiadores de calor'^ Reactor biolgico'^ Colunma destilacin multicomponente '* Planta metanol \ ai iahles de optimi/acion Temperaturas de salida Disposicin intercambiadores Volumen del reactor Caudal Tiempo de operacin Caudal de cabeza Relacin de reflujo Nmero de platos Alimentacin Conversin C02 Conversin CO Reflujo Fraccin C02 en alimentacin Relacin C0/C02 en alimentacin 1 uncin oh jolino Coste total Rendimiento Produccin Beneficio En la Tabla 6.5 se recogen casos cuya modelizacin se ha efectuado mediante simulacin de procesos. El estudio de optimizacin de estos casos, permite una puesta a punto de la tcnica. Las dificultades que aparecen, relativas a interaccin entre los programas, comunicacin y posibles pimtos crticos, se analizan, permitiendo adoptar soluciones tiles para el estudio final del caso base representativo^". El intervalo de variacin de los parmetros en cada caso de estudio se muestra en la Tabla 6.6. Resultados Una vez realizada la optimizacin se obtienen unos resultados que se muestran en la Fig. 6.1. Las grficas obtenidas permiten analizar los intervalos ptimos de los parmetros, y muestran las posibles dificultades de convergencia. A partir de la observacin de estas grficas se pueden obtener una serie de conclusiones. " Se recoge en la bibliografa [79] '^Bibliografa [11] '"Bibliografa [41] ^^ Captulo 7 53 im i Tabla 6.5 Casos prcticos en simulacin para estudio de parinetros i (:iso estudiarlo \ ui iiibk-s do oplinii/.icicMi j I uncin ubjeii\ o Columna destilacin con extracciones laterales^' Planta de produccin de cloruro de etlo^^ Reflujo Relacin caudal cabeza/alimentacin Relacin caudal corriente lateral 1 / alimentacin Relacin caudal corriente lateral 2 / alimentacin Caudal de purga Caudal de alimentacin . y Caudal total d salida Beneficio Tabla 6.6 Intervalos de estudio de parmetros ( <isn csl i i di i ul n Red de intercambiadores de calor Reactor biolgico Colimina destilacin multicomponente Planta metanol Columna destilacin con extracciones laterales Columna destilacin multicomponente Pohlu ion ini tal 5-55 5- 55 5-105 5-105 5 - 5 5 5-105 1 \ '(il'ItCttt'ioiU'S 5-25 5-55. -: 5 - 5 5 . ; . 5- 55, .; 5 - 5 5 . 5 - 5 5 Conclusiones La primera conclusin es la determinacin de la relacin entre el nmero de variables de optimizacin y el tamao de poblacin inicial y nmero de generaciones, para alcanzar el ptimo final dentro de tolerancias aceptables. Respecto a cada parmetro se obtienen las siguientes conclusiones: Poblacin inicial: un tamao bajo de poblacin inicial produce una disminucin de calidad en la obtencin del ptimo. ^' Bibliografa [88] 2^ Bibliografa [88] 54 Fig. 6*1 Estudio de poblacin inicial y nmero de generaciones Red ialerouzbi^res de ealor ArOeneas^anex s d Reactor lMgtco ''eenetocSKSM 5-55 Clunma. <le destilacitinulticompoiiaite 3ffOT3 a, W* OCTWKSWeS Planta Metanol Jtf* SKWiatccj S-S5 ? Qei:ra!S>T!W 5f^5 Coiiumia de destLadon c^at extracciones laterales tf tZwaftO'sn i-r Flauta de produccin de domro de elila SfSfftsJ-S. AP nar-sffiaws iVijifer3:''0ra &-25 El tamao de poblacin inicial no influye significativamente en el tiempo 55 -23 de computacin , pero puede provocar una disminucin d la calidad del ptimo. Nmero de generaciones: el nmero de generaciones dlj sel' suficientemente alto para proporcionar una respuesta robusta. Un ntir de generaciones excesivo puede prVC tui bilsunio de tiempo por encima del necesario, sin alcanzar iriejdras en la Polucin. En la Tabla 6.7 se resumen los aspectos principales que deben considerarse en el anlisis de los parmetros estudiados. Tabla 6.7 Tabla resumen: poblacin inicial, nmero de generaciones P.11.11110110 I .imano niiiiiiiii 1 iiiLifio i i i axi i i i i ) Poblacin inicial N Generaciones No explora todo el espacio de soluciones No alcanza solucin robusta Redundancia de soluciones Tiempo de computacin excesivo 6.3 Estudio de parmetros: mutacin y cruzamiento Debido a la extensin del estudio que se realiza se escoge un nico caso. Analizando nmero y tipo de variables, tiempo de computacin y dificultad de convergencia, se selecciona el caso Planta de meanof' , con el que ya se trabaj anteriormente. El caso base Planta de metanol proporciona unos resultados que originan criterios generales respecto a la optimizacin de plantas con mltiples variables. El estudio se facilita debido a la rpida convergencia de la optimizacin, lo que proporciona tiempos de computacin aceptables para el estudio que se persigue. ^^ En la bibliografa se recogen tcnicas que permiten la adaptacin estratgica de este parmetro, para casos en los que es crtico. ''Tabla 6.4 56 6.3,1 Estudio de mutacin Segn se recoge en la Tabla 6.2 existen cuatro funciones de mutacin. El parmetro para cada funcin de mutacin es el que determina la frecuencia de sta dentro de cada generacin. La frecuencia es el nmero de veces que se aplica dicha funcin. Para el anlisis de estas funciones se realizan dos ensayos: 1. A partir de un caso inicial, un tamao de poblacin inicial y nmero de generaciones fijo, se varan las frecuencias de las funciones de mutacin. De esta manera se puede analizar la influencia de cada tipo de mutacin y su frecuencia. 2. Se fija una frecuencia de las funciones de mutacin, y se analiza la influencia de la variacin del tamao de poblacin inicial y nmero de generaciones. Este anlisis se repite para distintas frecuencias de mutacin, permitiendo un estudio de las interacciones entre todos los parmetros. En la Tabla 6.8 se recogen las dos propuestas. Tabla 6.8 Cuadro de ensayos Parmetros Tipo y frecuencia de mutacin Frecuencia de mutacin Tamao poblacin inicial Nmero de generaciones Cuso base Poblacin inicial: 50 N Generaciones: 50 Frecuencia de mutacin: 17 En ia Fig. 6.2 se muestran las grficas con los resultados obtenidos para el estudio del tipo y frecuencia de mutacin. Las frecuencias de mutacin varan de O a 10, esta variacin se realiza de una manera alemativa segn el tipo de funcin. El anlisis de los resultados refleja la influencia del tipo de funcin de mutacin y su frecuencia en la velocidad de obtencin del ptimo. Existen unos valores mnimos de las frecuencias por debajo de las cuales no se obtienen resultados fiables. 57 Fig. 6.2 Estudio de tipo y frecuencia de mutacin Sait4=i nastS: B-iB mt: B-1S EsteSs awtl & m4; ii2^; iBt3i=Q EslMis nsifi Si s3; w=S & wsg4^ i t 3: i-IS ml: 0- S X f Estacis at2 Si mS; mi=S. & wat4=2 nt3: 8-16 g I i3l32: iS-lO 58 Fg. 6.2 Estudio de tpo y frecuencia de mutacin iwt3:S-l9 jwst2:0-10 mtitZ: 0-ia Estudio imut2St mu4; mut1=2; tnut3=2 x1:f Estud mut2& mut4; mut1=4; :mut3=4 Bi4:C-1 5 1 EKS-t: Q-ia o 1 59 La nomenclatura utilizada, empleada en las grficas de resultados, es la que se indica a continuacin. Tipos de mutacin Funcin En lmites Mltiple o uniforme No uniforme Uniforme Nni br iutl mut2 mutS mut4 Fig. 6.3 Estudio frecuencia de mutacin 1 1 iSB^F. i &sa ?SSC 1S-S5! a=afi; 10-5> iS=3p: 1*a 60 Las grficas de la Fig. 6.3 muestran los resultados del segundo estudio. La frecuencia de mutacin es la misma para las cuatro funciones , vanndose el tamao de poblacin inicial y nmero de generaciones. Se analizarn cuatro casos base, para frecuencias de mutacin de 1,3,5 y 7. La conclusin ms importante de este estudio es el reflejo de que a partir de un valor de la frecuencia, los resultados obtenidos no se ven afectados significativamente. No obstante, el tiempo de computacin s se incrementa significativamente a medida que aimientamos la fi^ecuencia de las fimciones de mutacin. Es necesario buscar un compromiso del valor de la frecuencia de cada fimcin, que pennita obtener una solucin fiable, pero con tiempos de computacin aceptables. 6.3.2 Estudio de cruzamiento Segn se recoge en la Tabla 6.3 existen tres fimciones de cruzamiento. El parmetro fimdamental para cada fimcin de cruzamiento es el que determina la frecuencia de sta dentro de cada generacin. Para el anlisis de estas fimciones se realizan tres ensayos: 1. A partir de un caso inicial, un tamao de poblacin inicial y nmero de generaciones fijo, se varan las frecuencias de las fimciones de cruzamiento. De esta manera se pueden analizar la influencia de cada tipo de cruzamiento y su frecuencia. 2. Se fija un valor de nmero de generaciones y se analiza la influencia de la variacin de la frecuencia de cruzamiento, comn para las tres fimciones, y tamao de poblacin inicial. Este anlisis se repite para distintos valores de nmero de generaciones, permitiendo un estudio de las interacciones entre todos los parmetros. 3. Se fija tm valor de tamao de poblacin inicial y se analiza la influencia de la variacin de la fi-ecuencia de cruzamiento, comn para las tres fimciones, y nmero de generaciones. Este anlisis se repite para distintos valores del 25 La nomenclatura utilizada en las figuras es: FrecMut = mutl = mut2 = mut3 = mut4. 61 tamao de poblacin inicial, permitiendo xm estudio de las interacciones entre todos los parmetros. Tabla 6.9 Cuadro de ensayos V.iii.ibks ( :iso base Tipo y frecuencia de cruzamiento Frecuencia de cruzamiento Tamao poblacin inicial Nmero de generaciones Frecuencia de cruzamiento Tamao poblacin inicial 1 Nmero de generaciones Poblacin Inicial: 50 N Generaciones: 50 N Generaciones: 10 - 70 Poblacin Inicial: 10 50 En la Fig. 6.4 se muestran las grficas con los resultados obtenidos para el estudio de tipo y frecuencia de cruzamiento. Las frecuencias de cruzamiento varan de O a 4, esta variacin se realiza de manera simultnea agrupando los tipos de funcin. La nomenclatura utilizada para indicar el tipo de funcin es la que se indica a continuacin- Tipos de cruzamiento Funcin Aritmtico Heurstico Simple Nombre Crosl Cros2 Cros3 Para indicar el tipo y frecuencia de cruzamiento se emplea la siguiente notacin. Nomenclatura Fig. 6.4: Grfica i-j i Tipo de funcin de cnizaniiento estudiada i=: Crosl i = 2: Crosl i = 3: CrosS 62 j Valor de frecuencia de cruzamiento j = 1: frecuencia = 0 j = 2: frecuencia = 2 j = 3: frecuencia = 4 Fig. 6.4 Estudio tipo y frecuencia de cruzamiento ctouo^ ^ ^ CrotCKt < 1 Ct5M50-* " * CrosO-J- ^ 1 El anlisis de los resultados refleja la influencia del tipo de funcin de cruzamiento y su frecuencia en la velocidad de obtencin del ptimo. Existen unos valores de las frecuencias crticos que imposibilitan la obtencin de 63 resultados fiables. Las grficais de la Fig. 6.5 muestran los resultados del segundo y tercer estudio. La frecuencia de cruzamiento es la misma para las cuatro funciones , variaiidc) entre! y 10. Fig. 6.5 Estudio frecuencia de cruzameuto i a- i } : i r si 5=i 3 fTecCrcs: i-^ g" IS-1S! OpgiTJs Hasfesfe; MS; tS'ep: t S-I U; W ^ #=38 frsc&ss: 1-10 S 3 Wt Pc^ 1 MM Oftfflsorzairsstc. S-'J, SffltPi^ t3-?^,GBr=B freoKss: 1-t8 ^ fj sCi os: t - S ^ '* MF ^: S3-S S3-S C^jimo WKZsnKento; 1-10 J^ Gsn-.1^I2*S: iis^s-p^S Xl P" ;fEsCt;. t=Gsr,. i : - : S Octrs ona^3ias3to t-O M" Saxt S- t M; l!KPa<)=S GaB; 18-l SS ' La nomenclatura utilizada es: FrecCros = Crosl = Cros2 = Cros3. 64 El anlisis de los resultados demuestra que para un nmero de generaciones suficientemente elevado, la respuesta del sistema es bastante fiable, incluso para valores bajos de frecuencia de cruzamiento y tamao de poblacin inicial. La misma conclusin podra deducirse respecto al estudio del tamao de poblacin inicial frente a la frecuencia de mutacin y numero de generaciones. 6.3.3 Conclusiones De la observacin y anlisis de todos los resultados anteriores se deducen unos valores recomendados para los parmetros que determinan la frecuencia de mutacin y cruzamiento. Estos valores sern el punto de partida para el estudio final de optimizacin del caso representativo. El objetivo es ajustar estos valores para no perder fiabilidad en la respuesta, pero reduciendo en paralelo el nmero de casos que se deben evaluar. La matriz de valores propuesta, es la que se ha estimado ms robusta, teniendo en consideracin las caractersticas de cada caso particular estudiado, y del tipo de sistema que se pretende optimizar. Mutacin: 1. Mutacin en lmites: debe tener un valor mnimo de 2 en cualquier caso. 2. Respecto al resto de funciones de mutacin, las respuestas en los distintos casos son menos sensibles. Introduciendo el valor mnimo del parmetro que seala la frecuencia se asegura la introduccin de un espectro de variacin suficiente. Cruzamiento: 1. Cruzamiento aritmtico: su influencia sobre la respuesta es poco significativa. Se introduce un valor mnimo del parmetro de fi-ecuencia. 2. Cruzamiento heurstico y Cruzamiento simple: el valor del parmetro de fi"ecuencia debe ser menor de 3, ya que valores superiores producen 65 incrementos en el tiempo de computacin necesario para alcamzar el ptimo, sin lograr mejoras del valor alcanzado. Finalmente se adopta el criterio recogido en la Tabla 6.10. Tabla 6.10 Valores finales mutacin y cruzitiiiit l ' j i i i i h n o Mutacin Cruzamiento En lmites Mltiple no uniforme No uniforme Uniforme En lmites Mltiple no uniforme No uniforme \ IIMI 3 1 .. - , , .1; ... -. 1 ' , . . . : . : . i; : . ; 2 . 2 La matriz de parmetros para la fimcin ga se formular fij ando estos valores Funcin bsica para la implementacin de la optimizacin por GA mediante el entorno matemtico. Captulo 5. 66 7. ELECCIN DE UN PROCESO REPRESENTATIVO: SNTESIS MTBE 7.1 Introduccin La eleccin del caso base es fundamental para el desarrollo de una metodologa y del software necesario para la optimizacin bajo incertidumbre del diseo, y fimcionamiento de un proceso qumico. El proceso de MTBE presenta todos los aspectos necesarios para el desarrollo de esta tcnica. Es un proceso suficientemente complejo cuya modelizacin est en constante evolucin, en especial los conceptos relativos a la destilacin reactiva. Est compuesto por distintas unidades de proceso: reactores qumicos, intercambiadores de calor, unidades de separacin, bombas; el estudio del proceso global y de estas unidades por separado, permitir crear un modelo de optimizacin y una metodologa fcilmente exportables y aplicables a otro tipo de procesos. Existen, adems, distintas alternativas de diseo, lo que flexibiliza el estudio, y apoya un estudio de optimizacin. Las caractersticas del MTBE, tanto desde el punto de vista econmico como de diseo, introducen incertidumbre en varios de sus parmetros^^. Este aspecto induce al estudio de optimizacin bajo incertidumbre. Finalmente, la simulacin del proceso presenta dificultades adicionales inherentes a la propia naturaleza del proceso. Mediante la combinacin de tcnicas de simulacin existentes con algoritmos matemticos y con tcnicas de optimizacin metaheurstica, se pueden lograr mejoras tanto en los aspectos relativos a la simulacin del proceso, como mediante reducciones en el tiempo final de computacin para la simulacin y optimizacin. La metodologa y modelos algortmicos sern aplicables a otros procesos. 7.2 Procesos existentes de obtencin de MTBE: descripcin Todos estos aspectos se tratan a continuacin. 67 El MTBE ha tenido un gran auge en la ltima dcada. Se produc por simple reaccin de adicin de isobutileno con metanol en presencia de n proniotor cido. Es la mejor forma de utilizar el metanol cono gasolina. Su uSo piara incrementar elndice de octano de las gasolinas ha dado lugar a un fuerte crecimiento de la demanda. Puede utilizarse como agente de formulacin directamente en la refinera y tambin ser exportado y distribuido por los canales oportunos gracias a su fcil manejo sin tener en cuenta las precauciones necesarias del metanol. Gracias a sus buenas caractersticas como agente de formulacin se utiliza como sustituto del tolueno en la gasolina, liberando a ste ltimo para aplicaciones petroqumicas. Es especialmente atractivo p^a los refinadores con poca capacidad de reformado. Su economa es ms favorable que la de otros agentes incrementadores del octanaje. En Europa, la demanda es aproximadamente igual a la capacidad de produccin, es decir alrededor de tres millones de toneladas. En los ltimos aflos en Europa la produccin de MTBE se ha incrementado (como producto final o mezclado en gasolina), pero con la puesta en prctica de requisitos de calidad ms restrictivos (nueva normativa), las evidencias de riesgo de contaminacin y la lnea de actuacin europea en lo referente a biocombustibles (reflejada en el libro blanco) se espera que el consumo de MTBE en los prximos aos experimente un descenso. Los distintos procesos para la produccin de MTBE no difieren demasiado unos de otros. Por lo general todos utilizan reactores de lecho fijo en los que se desarrolla la reaccin, un catalizador cido y una columna de destilacin para separar el producto final. Esto ocurre en todos los procesos, aunque unos utilizan xm nmero de reactores variable. El proceso que propone una novedad tecnolgica con respecto a los dems es el proceso Ethermax de UOP, en el cul slo se utiliza un reactor de lecho fijo, al que le sigue una columna de destilacin cataltica, que acta como un segundo reactor y que adems acta como sistema purificador del producto final. La simulacin y optimizacin del proceso de MTBE Ethermax implica el desarrollo de modelo de operaciones unitarias interesantes y que pueden emplearse para la simulacin de otros procesos. Este proceso combina el proceso de eterificacin en lecho jo Hls con xma 68 v29 destilacin cataltica de tecnologa avanzada RWD de Koch Engineering Company, Inc [17]. La tecnologa combinada supera las limitaciones inherentes del equilibrio de la reaccin en un proceso de eterificacin de lecho fijo convencional. Tabla 7.1 Procesos de produccin de MTBE l'lIKfMI l l u l s ] tlui nux 11.11.nuil Licenciado por Materias primas Catalizador Reaccin Reactor UOP Harandi,etal Metanol + isobutileno Metanol + isobutileno Resina acida Zeolita acida Hls & UOP Metanol + isobutileno Resina sulfnica intercambio inico CH2=C(CH3)2 + CH3OH -H^(CH3)3C-C-0-CH3 2 Lechos fijos adiabticos Lecho fijo adiabtico 3 Lechos fijos adiabticos + 1 lecho fluidizado Sistema purificacin Destilacin Destilacin cataltica Destilacin i ' l l Kl M) IvDskl l UII 1'lllt.l.SII tf l l l SIlllUI Kl l l l l l l l l l l . l l . l l l / . l l l l >l Licenciado por Koskiaen, et al Materias primas Metanol + isobutileno Metanol + isobutileno + otros CVs Catalizador Resina intercambio inico o zeolitas cido sulfrico Reaccin CH2=C(CH3)2 + CH3OH -^ (CH3)3C-C-0-CH3 Reactor 3 Lechos fijos adiabticos 2 Lechos fijos Sistema purificacin Destilacin Destilacin En el proceso Ethermax reaccionan olefinas terciarias, como isobutileno e isoamileno, sobre una resina acida en presencia de un alcohol para formar un ter. La reaccin qumica y las condiciones de operacin de la unidad son bsicamente las mismas que las de im proceso de eterificacin convencional, como el proceso Hls de MTBE, excepto que el relleno KataMax ha sido aadido para incrementar la conversin global. El relleno KataMax representa el logro nico, y patentado, de exponer un catalizador sUdo a una corriente lquida dentro de una columna de destilacin. La zona de destilacin reactiva de la columna utiliza relleno KataMax para superar la limitacin del equilibrio de reaccin, que continuamente fi-acciona el ter producido por los componentes de partida sin reaccionar. Como el ter producido es destilado fiera, la mezcla de reaccin no alcanza el equilibrio. Reactive With Distillation 69 As, el fraccionamiento n presencia del catalizador favorece una conversin adicional de los reactantes. Conversiones de isobtileno de 99 y 97%, respectivainente, para MTBE y ETBE (etil ter-butil ter) son comunes, y conversiones de isoamilen por encima del 94% se pueden lograr econmicamente con este proceso. Estas especificaciones de diseo son comunes para la formvilacin de mezclas de gasolinas; sin embargo, el diseo de una unidad para proveer las necesidades individuales de una refinera no toma como obj etivo prcticamente ninguna conversin de olefinas. Por ejemplo, el proceso Ethermax se puede disear para convertir ms del 99,9% de isobtileno cuando la produccin de 1-buteno es el objetivo de diseo. La flexibilidad del proceso Ethermax proporciona muchos caminos para aumentar el nivel de oxigenacin o el n(ce de octano en ol pool de gasolina. Las unidades de MTBE pueden convertirse en plantas de produccin de TME (ter-amil metil ter) o ETBE. Aumentos en el rendimiento y en la conversin de olefinas son posibles en tina unidad de teres existente transformndolas al proceso Ethermax. La renovacin aumenta el nivel de oxigenacin de la mezcla (pool) de gasolina, y:el resultado de mejorar el ndice de octano da l refino la flexibilidad de optimizar la produccin de gasolina de otros procesos de la refinera. Diagrama de flujo El diagrama de flujo para el proceso Ethermax se muestra en la Fig. 7.1. La mayor parte de la reaccin se lleva a cabo en un reactor adiabtico simple de lecho fijo. La corriente de salida de este reactor alimenta la columna de destilacin reactiva, donde los teres se separan de los componentes de la alimentacin sin reaccionar. Los productos de cola de la columna son el MTBE, ETBE o TAME. Los componentes sin reaccionar ascienden por la columna y entran en la seccin de catalizador de la columna de fraccionamiento para una conversin adicional. La seccin de catalizador de la columna lleva relleno KataMax, provocando la reaccin simultnea de los componentes de la alimentacin y fraccionando el ter, as se logran superar las limitaciones del equilibrio de reaccin. Despus de salir por la cabeza de la columna se pasa a la seccin de recuperacin de alcoholes (metanol o etanol). Aqu se usa agua para separar el alcohol. El alcohol recuperado se recicla a la seccin del reactor. El refinado de 70 hidrocarburos generalmente se manda corriente abajo a una unidad de alquilacin en el caso de C4, o a una formulacin de mezclas de gasolinas en el caso de C5. Fig. 7.1 Proceso Ethermax (^(^ gastado 7" lliI1BE,EIGE I OAME 7.2.1 Estudio econmico Los clculos relativos al estudio econmico se han reahzado sobre una produccin de 100.000 Tm/ao, en una planta de MTBE segn el proceso UOP Ethermax. En Tabla 7.2 y Tabla 7.3 se muestran los datos econmicos ms importantes. Su observacin permite realizar una estimacin de los puntos principales del proceso desde el punto de vista econmico. En el estudio final de optimizacin 71 se realizarn las simplificaciones oportunas en base a estas consideracioneis. Tabla 7-2 Resumen econmico del INMOVILIZADO (I) VENTAMTBE(V) Capital inmovilizado Capital Gircdante CAPITAL TOTAL (P) Materias primas Mano de obra directa Patentes Mano de obra indirecta Servicios generales Siuninistros Conservacin/mantenimiento Laboratorio Envasado Expedicin Directivos y tcnicos Amortizacin Alquileres Impuestos Seguros COSTES DE FABRICACIN (M) Gastos comerciales Gastos de gerencia Gastos financieros Gastos de iavestigacin y servicios tcnicos GASTOS GENERALES (G) COSTE DE PRODUCCIN (C) proceso MTBE 12,82 MM 50,31 MM 14,43 5,03 19,43 MM 23,28 1,44 2,52 0,22 0,63 0,03 0,87 0,14 - - 0,14 1,31 - 0,07 0,14 30,79 MM/ao 1.54 0,92 0,41 1,26 4,31 MM/ao 35,10 MM/ao Fuente: Hydrocarbon Processing Nota: MM = millones Tabla 7.3 ndices estudio econmico I lid ico r\pi'osioii \ nIor Beneficio bruto Impuestos Beneficio neto Rentabilidad bruta Rentabilidad neta Flujo de caja Tiempo de amortizacin Amortizacin Tiempo de recuperacin del capital inmovilizado Bb = V-C U = 35%Bb B = V - C - U Bbp =(Bb/P).100 Bp = (B,/P).100 F.G.O.=B + A A = I/11 T = (I-R)/F.G.O. 15,21 MMe 5,32 MM 9,89 MM 78,28 % 50,90 % 11,06 MMe 11 aos 1,17 MM 0,71 aos 72 Tabla 7.3 ndices estudio econmico Indici Lxpii'siuii \ J1I Inters de riesgo (imin = 3%) ir = Bp-inn 47,90% Tasa de rentabilidad interna TRI 48,09% Fuente: Hydrocarbon Processing 7.2.2 Estudios alternativos: posibilidad de rediseo Una de las caractersticas de la planta de MTBE es su multifuncionalidad [111]. A medida que la industria qumica de procesos incrementa sus niveles de exigencia en cuanto a la reduccin de contaminantes y al incremento en los niveles de produccin, las plantas se redisean para tener un papel ms activo en procesos simultneos de separacin. [68] Mediante el uso de membranas, catalizadores y esquemas alternativos para el aprovechamiento energtico, los ltimos diseos fimcionales reducen los costos y tiempos requeridos para efectuar diversas transformaciones mejorando la conversin de la reaccin, el rendimiento y la selectividad. [50] La modelizacin computacional y la simulacin as como el desarrollo de nuevo software de control permiten visualizar un futuro muy dinmico en este campo. El proceso Ethermax, patentado exclusivamente por UOP, puede usarse para producir metil terc-butil metil ter (MTBE), metil terc-amil ter (TAME), o etil terc-butil ter (ETBE). La Tabla 7.4 muestras los ndices econmicos - financieros ms relevantes para realizar una comparacin econmica. El estudio est realizado sobre una produccin para cada compuesto de 100.000 Tm/ao. 7.3 Modelizacin y simulacin del proceso Una vez seleccionado un proceso bsico de produccin de MTBE, es necesaria su modelizacin y simulacin para su estudio de optimizacin. 73 Tabla 7.4 ndices estudio econmico (ompariatvo^^ Mi i i i - I iiii- I wi i : " I O' Mhi mi ax l' OP Flliiriiiax l Ol ' Ki l i mnax Benefici bito (MM 6) Beneficio neto (MM ) Rentabilidad bruta (%) Rentabilidad neta (%) CashFlow(MM) Amortizacin (MM 6) Tiempo de recuperacin del capital inmovilizado (aos) Inters de riesgo (imm = 3%) (%) Valor Actual neto: VAN (10%) (MM 6) ndice d deseabilidad Tasa interna de retomo 15,21 9,89 78,28 50,90 11,06 1,17 0,71 47,90 53,83 4,05 48,09 5,32 3,46 26,99 17,55 4,77 1,31 1,63 14,55 14,89 1,83 23,14 12,00 7,80 60,52 39,34 9,11 1,31: 0,85 36,34 37,00 3,06 36,89 El diseo final del caso que se va a considerar en el estudio consta de dos unidades principales: un reactor heterogneo y utla columna de destilacin reactiva (cataltica). La Fig. 7.2 muestra el diagrama de la superestructura de la planta. Est compuesta por diversas unidades. La superestructura incluye una pluralidad de diseos del proceso , en ella se incluyen un segundo reactor, intercambiadores de calor a la entrada de cada unidad, y bombas en las distintas corrientes. En algunas partes de la superestructura, se omitieron elementos, tales como bombas, para simplificar la representacin. En todos estos casos se asxxmi una cada de presin calculada de acuerdo a mtodos matemticos generales [108]. La unidad de recuperacin de metanol se sita a continuacin de la corriente de cabeza de la columna de destilacin. Como hiptesis de diseo se establece con 39 un rendi mi ent o de recuperaci n de met anol del 9 7 % . ^ Valores medios estimados en base a la bibliografa consultada ^' Recogidos en Tabla 7.1. Procesos de produccin de MTBE ^^ Dato obtenido a partir de bibliografa [74] 74 C4s * alimentacin MeOH ^ ftlimeiuacin I t MgOH Rscuperjido Fig. 7.2 Superestructura planta MTBE ^Ti -y/- ^rr -i:^ * - *-/ A- ^0->? Qcon -Hl-^-^ |5" I I cond I cond CDR MTBE UNIDAD f^CUPSRaON METAHOL Desde el punto de vista de diseo y mcionamiento existen una serie de corrientes que tienen xma importancia relevante en el estudio de optimizacin que se va a realizar. La informacin sobre los valores tpicos de estas corrientes recoge en la Tabla 7.5. El consumo energtico de la planta se focaliza en una serie de corrientes, segn se muestra en la Tabla 7.6. Existen otros parmetros de diseo importantes, que presentan irnos valores tpicos que se fijan como datos del proceso: Tiempo de residencia en el reactor 3270 seg.^^ Cada de presin en intercambiadores de calor Despreciable El estudio de la planta pone de manifiesto distintas variables de decisin. 33 Dato obtenido a partir de bibliografa [82] 75 Tabla 7.5 Corrientes principales planta MTBE Corrien<c Dcsfripciii C4s alimentacin MeOH alimentacin MeOH Recuperado MTBE Alimentacin de isobutileno. El isobutileno se alimenta en imia comente de hidrocarburos C4, proveniente de una unidad de craqueo cataltico. La composicin tpica de esta comente es: Isobutileno 20% i-butano 21,5% n-butano 13,5% trans 2-buteno 16% cis 2-buteno 16% l-butenol3% Alimentacin de metanol. Es una corriente de composicin 100%metanol. En la unidad de recuperacin de metanol se recupera un 97% del metanol que sale por la corriente de cabeza de la colxmma de destilacin. MTBE producido. Se fija como especificacin del producto iia composicin de 0,985. Tabla 7.6 Elementos de la planta de MTBE que consumen energa 1 n (ludes bl , b2, b3, b4 QRxl QCDR Cond Reb Di'se ipcioii Bombas Intercambiador de calor Intercambiador de calor Condensador columna destilacin Reboiler columna destilacin Caractersticas de la simulacin del proceso de MTBE Se Utilizan procedimientos recogidos en la biblioteca del simulador de procesos para el clculo de propiedades, tales como temperatura de burbuja, densidad molar de lquido y de vapor, constantes de equilibrio. Entre los modelos que proporcionan buenas estimaciones est el de UNODFAC- DORTMUND. Este modelo presenta buenas predicciones del sistema metanol - MTBE que gobierna el equilibrio lquido-vapor del sistema multicomponente en la 76 columna de destilacin [13]. Su existencia en la biblioteca del simulador evita la necesidad de su programacin. Se desarrollaron modelos para ciertos equipos de la planta, cuya finalidad es optimizar la simulacin de la planta, complementando los algoritmos existentes. 7.3.1 Estudio de la cintica La microcintica de formacin heterognea de MTBE en fase lquida catalizada por ima resina de intercambio inico [115] viene dada por la ecuacin de Rehfinger y Hoffmann [82]. En las expresiones se introducen las actividades de los componentes entre la fase lquida y la fase gel del catalizador. CH2=C(CH3)2+ CH3OH ^ (CH3)3C-C-0-CH3 ^MTBE ~ '^MTBE * ^MeOH ^a,MTBE ^PMeOH J Ka,MTBE es la constante de equilibrio basada en la actividad de la reaccin de formacin del MTBE. La modelizacin de la reaccin qumica es compleja [74]. Se establece el siguiente modelo: con rjB Velocidad de reaccin de isobutileno (mol/cm ) XiB Fraccin molar isobutileno XMCOH Fraccin molar metanol XMTBE Fraccin molar MTBE La Tabla 7.7 recoge los valores de los distintos parmetros de esta expresin. 77 Tabla 7.7 Reaccin de sntesis de MTBE. Valores de los parmetros ' l' i-i iiiiiwi Dff i i i i -i i i Ai El A2 E2 Factor preexponencial Energa de activacin Factor preexponencial Energa de activacin 8,6*10'*kJ/kmol 1,3*10'' l,3*O^kjycmol Reacciones secundarias Junto con la reaccin principal se producen otras reacciones secundarias que provocan la desaparicin de los reactivos para producir compuestos que no intervienen en el proceso. Las reacciones secimdarias ms significativas se recogen en la Tabla 7.8. Tabla 7.8 Reacdones secundarias sntesis MTBE KiMiri 1(111 I l u J i Hi n Dimerizacin del isobutileno a disobutileno (DIB) Formacin alcohol terbutlico (TBA) Formacin dimetil ter 2CH2=qCH3) 2^ (CH3)3C - CH2- q CHs ) = CH2 + (CH3)3C - CH2 = CCHs) = CH2 CH2=C (CH3)2 ^ (CH3)3C - OH CH3OH + CH3OH -* CH3 - O - CH3 + H2O Las reacciones secundarias producen un efecto casi despreciable sobre la conversin en el reactor. Un estudio a fondo teniendo en cuenta las condiciones de operacin y los ensayos ya realizados^'*, conduce a simplificar este conjunto de reacciones. A efectos de diseo y condiciones de fiincionamiento, slo se considera relevante en el estudio de optimizacin y simulacin la reaccin de formacin de dimetil ter^^. Basado en el estudio realizado por J. B. Malean & col. [66] Esta simplificacin adquiere gran importancia posteriormente, los tiempos de computacin de la simulacin se reducen de manera apreciable. 78 La velocidad de reaccin de formacin de dimetil ter se representa por la siguiente expresin: donde r M e O H Velocidad de reaccin de metanol (mol/cm ) Xue O H Fraccin molar metanol Los valores de los distintos parmetros se recogen en la Tabla 7.9. Tabla 7.9 Valores de los parmetros de reaccin de sntesis dimetil ter li-iiiiiii(i IK-riiiioiii \ aloi Al Factor preexponencial 1,5*10 El Energa de activacin 7,9*10'* kJ/kmol Catalizador Es una resina de intercambio inico macroreticular, fiertemente acida. Las condiciones de funcionamiento son [82]: Porosidad 74% Temperatura mxima (desactivacin) 120C 7.3.2 Modelo de reactor qumico La modelizacin del reactor qumico s ha realizado siguiendo el modelo propuesto por C.I. Ochoa & M.L Llano [7]. La modelizacin bsica del reactor se basa en dividir ste en segmentos, suponiendo que en cada uno el comportamiento es de tipo flujo pistn. Los segmentos se determinan a partir de la divisin de la longitud total en un nmero de tramos fijo. Para calcular la conversin final del reactor se ha empleado el mtodo del gradiente axial de temperatura y composicin. El 79 esquema bsico de clculo se muestra en la Fig. 7.3. Este mtodo se basa en el clculo de una temperatura y velocidad media de reaccin para cada segmento dado, para posteriormente calcular la conversin en la seccin de reaccin prefijada. Dado que el valor de la longitud de cada segmento depende de la seccin, se b diseado el programa de clculo para obtener una longitud, rea extema y volumen mnimo de reactor manteniendo ima relacin longitud total dimetro del reactor entre cuatro y cinco, la cual origina el mnimo coste de construccin La temperatura mxima de operacin en el reactor es de 120C, dado que el catalizador pierde sus propiedades mecnicas akededor de esta temperatura. N segmentos To' ' 0 Fi.i Ti ' j , i+1 THI Hi+1 = Hj "Rxn 1 1 1 1 j 1 ^N> ' N F: fluj o molar r: velocidad de reaccin H: entalpia V: volumen de cada subvolumen (N segmentos) Fig. 7.3 Esquema de clculo de reactor tubular La longitud necesaria finalmente calculada, se realiza empleando un 10% ms de catalizador para prevenir la desactivacin del mismo debido a envenenamientos por sustancias presentes en pequea proporcin dentro de la alimentacin. Las hiptesis de diseo, que sern datos en el estudio son: 80 Longitud 12,192 m Dimetro 2,438 m 7.3.3 Modelo de columna de destilacin reactiva La columna de destilacin reactiva cataltica (CDR a partir de ahora) se caracteriza por llevar a cabo dos operaciones dentro de una misma unidad. Segn se muestra en la Fig. 7.4, la CDR se puede dividir en tres zonas: la de enriquecimiento, la de agotamiento, y una zona con catalizador donde se lleva a cabo la reaccin qumica. La aparicin de esta zona reactiva axunenta en gran medida la flexibilidad de esta operacin, disminuyndose as el capital inmovilizado, al reducirse el tamao y nmero de unidades, y los costes de funcionamiento. Combina el fraccionamiento de una columna de destilacin convencional con la reaccin de formacin del producto a medida que fluye la corriente con los hidrocarburos C4 no reaccionados en el primer reactor junto con el metanol libre que se encuentra en el efluente. Se superan las limitaciones concernientes al equilibrio [61,105] y se favorece la cintica a travs del aumento de temperatura (sin incidir negativamente en la conversin de equilibrio). En la destilacin cataltica se aprecia de manera clara como, aprovechando el desplazamiento del equilibrio causado por la transferencia de masa en presencia de la reaccin qumica, se logra que el proceso y las caractersticas propias del catalizador (niveles de conversin, selectividad, rendimientos y vida til) se combinen de una manera muy estrecha, para obtener en conjunto una eficiencia global superior a la que puede esperarse de los procesos convencionales. Entre los efectos negativos del equilibrio termodinmico est la formacin de azetropos reactivos^^ [26]. Para evitar su aparicin es necesario un ajuste preciso de las condiciones del sistema. En un azetropo reactivo el intercambio de materia entre las fases lquida y vapor y la generacin (o consumo) de cada especie se compensa, de manera que no cambia la composicin de ninguna fase. Fig. 7.4 Esquema columna de destilacin reactiva Enriquecimiento Destilacin reactiva Agotamiento En la Fig. 7.5 se muestra el diagrama del sistema temario MTBE/metanol/isobutileno. En este diagrama se dibujan las curvas de residuo. Estas curvas se obtienen mediante la representacin del cambio en la composicin en mezclas lquidas perfectamente mezcladas, en unidades de destilacin batch de etapa simple con respecto al tiempo. Su estudi permite determinar los lmites de destilacin [26]. La aparicin de azetropos reactivos se produce cuando la variacin de concentracin por destilacin se compensa completamente con la correspondiente variacin debida a la reaccin. La direccin del cambio de concentracin por destilacin viene representada por las tangentes a las curvas de residuo. La direccin del cambio de concentracin debido a la reaccin qumica est dada por las rectas estequiomtricas. As, la condicin necesaria para la existencia de im azetropo reactivo es que la recta 82 estequiomtrica coincida con la tangente a la curva de residuo. Para la simulacin de la CDR se presentan distintas alternativas en la literatura. Por un lado puede emplearse el concepto de multi-etapas, cmo una columna de platos (y la altura equivalente a un plato terico, en el caso de columnas de relleno), o reconocer la continuidad de la columna rellena. Otro aspecto de relevancia es el modo de incorporar la interaccin entre las fases vapor y lquida entre s y con el catalizador. A este fin se emplea desde la suposicin de equilibrio qumico y de fases hasta la consideracin pormenorizada de los procesos cinticos de interfase y reaccin qumica. En el captulo correspondiente a las ecuaciones de la modelizacin se recoge el modelo definitivo empleado, y las ecuaciones correspondientes. El algoritmo de clculo original y que se implementa en el simulador presenta defectos. Para corregirlos se ha desarrollado im algoritmo que complementa al existente. La implementacin de este algoritmo adicional es factible gracias a la flexibilidad del entorno de programacin empleado, aspecto ya tratado en detalle. isobutileno Curvas de residuo Lnea de posibles azetropos reactivos MTBE MeOH Fig. 7.5 Curvas de residuo y azetropos reactivos MTBE/metanol/isobutileno 83 7.3.4 Desarrollo de un algoritmo para mejorar la cotvergenci del modelo La compleja modelizacin matemtica de la destilacin reactiva origina que bajo determinadas condiciones de funcionamiento sea difcil la convergencia matemtica. En el estudio que se est realizando, hay que calcular como funcionar la columna de destilacin reactiva bajo distintas condiciones de funcionamiento. En cierto modo, estas condiciones son casi aleatorias [2]. Los algoritmos de clculo de los simuladores existentes, no son suficientemente potentes para hacer frente a distintos casos bajo intervalos amplios de fimcionamiento. En muchos casos, los algoritmos no convergen o no alcanzan una solucin factible [19]. El algoritmo de clculo del simulador provoca en ocasiones la prdida de informacin til, por la no convergencia en el proceso de clculo debido a la aparicin de azetropos, lo que origina fuertes no convexidades en el modelo. Algoritmo de convergencia de la columna de destilacin Los principales parmetros que utilizamos para controlar la convergencia de los algoritnos de clculo de la colunma son los que se indican en la Tabla 7.10. El mtodo de clculo es el de Newton Raphson Inside-Out. ste es un mtodo general que permite la resolucin de sistemas de ecuaciones no lineales. Es ampliamente utilizado en la modelizacin de columnas de destilacin con o sin reaccin qumica. La Fig. 7.6 muestra el algoritmo de clculo bsico. En cada iteracin se resuelve el lazo interno. A continuacin se resuelve el lazo extemo, si no se satisfacen las condiciones de tolerancia (segn se definen en la Tabla 7.10), se reinicia el clculo del lazo interno. Una vez lograda la respuesta de estos dos lazos, el siguiente paso es verificar el cumplimiento de las tolerancias de las especificaciones. Si se satisfacen, el algoritmo converge y la columna se resuelve, en caso contrario se vuelve a iniciar el proceso. 84 Tabla 7.10 Parmetros de algoritmo de convergencia de CDR l'.ii.imctio N mximo de iteraciones Tolerancia balance de calor/especificaciones (error) Tolerancia de equilibrio (error) Tolerancias especificaciones Dcsciipcion Mientras los errores exceden las tolerancias el algoritmo de clculo sigue progresando. El proceso de convergencia de la colxmma terminar cuando se alcance el nmero mximo de iteraciones. El error en las ecuaciones de balance de calor y especificaciones es la suma de los valores absolutos de los errores en los balances de energa y errores en las especificaciones, a lo largo de cada etapa de la columna. Este valor total se divide por el nmero total de ecuaciones correspondientes al lazo interno de clculo. El error de balance de calor se calcula como la diferencia en el balance de energa en cada etapa dividido por el flujo medio de calor en la etapa. El error en la especificacin se calcula como la suma del error individual de cada especificacin respecto su tolerancia especfica, divido por im factor apropiado de normalizacin. El error de balance de calor/especifcacin debe ser menor que el valor de tolerancia cuando el algoritmo converge. Representa el error en la composicin molar calculada de la fase vapor. El error en cada etapa se calcula como uno menos la suma de todas las fracciones molares en fase vapor. El error de equilibrio es la suma del cuadrado todos estos valores a lo largo de la columna. Este valor debe ser menor que el de la tolerancia de equilibrio cuando la columna converja. Para cada especificacin se proporciona ma tolerancia de clculo. El valor de la especificacin, el cual trata de ser alcanzado por el algoritmo de convergencia, es fijado por el usuario. Este valor se compara con el calculado por el simulador, calculndose el error. Si para cualquier especificacin el error es mayor que la tolerancia, el algoritmo no converge y se vuelve a iniciar el proceso. Como ya se ha ant i ci pado este mecani smo bsi co no es en muchas ocasi ones suficiente para l ograr l a si mul aci n adecuada de bajo ciertas condi ci ones de funcionamiento. Mediante la implementacin de nuevos mtodos se puede mejorar la velocidad de convergencia de la CDR, haciendo ms robustos ios 85 algoritmos de clculo. Iter=l Lazointamo CALOR/ESPECIFICAaN Lazo extemo EQUILIBRIO Nocofva-gencia Itr=>3umsro mjnio EvaiuEidn ESPEamCACIONES Iter=Iter+l Convergencia Solucin final Fig. 7.6 Esquema algoritmo de convergencia El modelo que se ha implementado persigue un doble objetivo: alimentar la velocidad de convergencia, evitar las regiones no factibles de valores de variables, o en cualquier caso evitar la finalizacin del proceso de simulacin y optimizacin sin llegar a ninguna solucin [5]. En la Fig. 7.7 se muestra el algoritmo de convergencia que se ha desarrollado. Consiste en la creacin de un nuevo lazo interno que para ios casos ms complicados adapta progresivamente las tolerancias ms restrictivas {tolerancia de balance de calor/especificaciones), hasta alcanzar el valor final. Esta variacin progresiva de las tolerancias de convergencia, permite identificar ios puntos no factibles del sistema con mayor fiabilidad, reduciendo el porcentaje de soluciones tiles que se podran perder potencialmente durante 86 el proceso de optimizacin. No Convergencia Aumentar tolerancia calor/especiticacones Clculo columna destilacin reactiva Reducir tolerancia calor/especificaciones Caso Inestable Fig. 7.7 Algoritmo propuesto de clculo de columna de destilacin reactiva La aparicin en el proceso de clculo de un caso de no convergencia provoca la aplicacin automtica del algoritmo. En primer lugar se produce un incremento inicial de las tolerancias (tolerancia de balance de calor/especificaciones), lo que disminuye decisivamente las dificultades de convergencia. Inicialmente esta tcnica deriva a la obtencin de soluciones menos precisas. Para cumplir con las tolerancias del modelo, se realiza una reduccin progresiva de las mismas, aumentando la precisin de la respuesta, hasta alcanzar el valor final deseado. Los ensayos realizados con este algoritmo han demostrado que es muy robusto, y que es muy fiable su acoplamiento a las tcnicas empleadas en el estudio, 87 conduciendo a una reduccin en el tiempo de computacin. Finalmente, es importante destacar que este algoritmo es portable, pudindose emplear en otras unidades que presenten ecuaciones de complejidad matemtica similar a las que aparecen en los modelos de CDR. 7.4 Seleccin de variables y parmetros En esta seccin se van a describir las variables ms significativas de la planta de MTBE. El objetivo es seleccionar las variables que van a intervenir en el estudio de optimizacin. A continuacin se realizar un anlisis de las mismas a travs del cual se determinarn sus intervalos y lmites de variacin. Relacin de alimentacin a la planta: es la relacin metanol-isobutileno en la entrada al sistema. La cantidad de MTBE recuperado debe aumentar a medida que se incrementa este valor; sin embargo, debido a la formacin de azetropo entre metanol y MTBE se puede dificultar la separacin^?. Reactor de eterificacin Efecto de la temperatura: el control de temperatura es importante para mantener el compromiso entre los aspectos termodinmicos y la cintica de la reaccin. Relacin de alimentacin al reactor, la manipulacin del grado de recirculacin de entrada en el reactor permite controlar la composicin y el caudal del reactor. Columna de destilacin reactiva Efecto de la presin: en las columnas convencionales de destilacin, la presin de operacin se fija, dentro de ciertos lmites dependientes de las volatilidades de los compuestos a separar, mediante un estudio econmico que contempla los costes de energa consumida y la calidad de producto obtenida. Sin embargo, en la CDR, la eleccin de la presin de operacin es ms complicada por el efecto indirecto de la presin en el equilibrio de las reacciones por cambios en las temperaturas de equilibrios de fase (aumentando la presin aumenta la temperatura de la zona de reaccin y "Ver Fi g. 7.4 disminuye la constante de equilibrio de reaccin de las reacciones exotrmicas como es el caso de las reacciones de formacin de los teres). Efecto del nmero total de etapas: formalmente el nmero total de etapas en la columna influye en el grado de separacin que se logra en la misma. Efecto de las etapas de reaccin: cuantas ms etapas reactivas tenga la CDR mayor ser el grado de conversin obtenido. Aimientando el nmero de etapas por encima del ptimo se produce una interaccin entre el equilibrio de fases y el equilibrio qumico que hace que se produzca la descomposicin del ter formado en las etapas de reaccin inferiores en la columna. Un excesivo nmero de etapas puede favorecer tambin a las reacciones laterales y hacer que aumente la concentracin de impurezas en el ter producto. Durante la vida del catalizador, el sitio donde tiene lugar la reaccin principal puede cambiar y cambiar as el nmero de etapas de rectificacin y agotamiento, y por tanto cambiar la conversin y la pureza previstas para la columna. Plato de alimentacin: la localizacin del plato de alimentacin influir tanto en la separacin de los productos como en el consumo energtico. Efecto de la relacin de reflujo: en una CDR, el aumento del reflujo no slo incrementa la separacin de los productos, sino que al recircular los reactivos no reaccionados a la zona de reaccin aumenta la conversin del isobutileno. En un medio industrial, una alta relacin de reflujo es poco atractiva econmicamente debido al aumento del tamao de los equipos y a los elevados requerimientos de energa. Cuando utilizamos el simulador como herramienta, es necesario que el usuario fije irnos parmetros. En base a estos criterios, y a consideraciones propias del diseo de la planta y del simulador de procesos, se establecen las variables para el estudio final de optimizacin. Estas variables se recogen en la Tabla 7.11. Efecto del nmero de etapas totales en la CDR Este factor no se incluir como variable en el estudio de optimizacin debido fimdamentalmente a dos aspectos: La presencia de etapas reactivas, que provoca que el efecto del nmero total de etapas necesarias para alcanzar una separacin determinada se 89 reduzca. El sistema ser poco sensible a dicho valor, frente a otras variables relativas a la coluima, como el nmero de etapas reactivas y su localizacin dentro de la columna. Los ensayos de simulacin y optimizcin realizados en los Captulos posteriores se han enfrentado a problemas matemticos y operativos derivados de la inclusin de esta variable. Tabla 7.11 Variables para optimizcin Relacin Metanol a: Isobutileno en la corriente de entrada al sisteria. El netnol se alimenta puro, el isobutileno se alimenta como una mezcla de C4S. Temperatura de entrada al reactor Presin de entrada al reactor Grado de recirculacin al reactor (respecto corriente de sada del mismo) Temperatura de entrada a CDR Presin en CDR (la cada de P en la columna depende de n" de platos) Relacin de reflujo en CDR Plato de ahmentacin a CDR Numero de platos totales en CDR N de platos reactivos en CDR Localizacin platos reactivos en CDR (1 plato reactivo) El anlisis de la informacin obtenida y el estudio de valores tpicos de esta variable permiten adoptar como hiptesis de diseo: N total de etapas 40 (ver bibliografa) Eficacia de etapa 1 Clculo de los lmites superior e inferior de las variables de optimizcin El establecimiento de los lmites superior e inferior de las variables en el estudio de optimizcin se determina mediante la consideracin de factores como: 90 limitaciones constructivas, estabilidad de los compuestos, lmites de las reacciones temperatura mxima y mnima,.., regiones para las que no son vlidas las hiptesis en las que se basa el modelo. y mediante un anlisis de sensibilidad de la planta simulada frente a las variables de estudio. La respuesta del sistema frente a la variacin de las variables de decisin, proporciona una informacin til que se utilizar en las siguientes etapas de trabajo. En la Tabla 7.12 se muestran los lmites e intervalos de variacin de las variables. Estos valores se fijaron como punto de partida, a partir de la informacin bibliogrfica y un estudio preliminar de la planta [102]. Tabla 7.12 Estudio de sensibilidad de variables para optimizacin Variable Lmites variacin Funcin Relacin de alimentacin Metanol/Isobutileno 0,182 - 0,2 Conversin global isobutileno Grado de recirculacin al reactor Temperatura de reaccin Presin de reaccin Columna Destilacin Reactiva Relacin de reflujo Temperatura alimentacin Presin en columna Etapa de alimentacin Localizacin primera etapa reactiva Nmero de etapas reactivas 0,15-0,6 40-80C 1100-2000 kPa 0,8-4,7 40-l l OT 900-1700 kPa 11-33 1-17 3-29 Conversin por paso de isobutileno Coste operacional de columna de destilacin MTBE recuperado por cola 91 Con la finalidad de realizar un estudio ms detallado de las distintas unidades de proceso, y para obtener una informacin que posteriormente nos facilite la descomposicin del problema inicial en subproblemas, se establece una funcin objeto de estudio para cada variable de decisin en base a criterios de diseo y econmicos. La descomposicin del problema constituir posteriomiente uno de los aspectos findamentales en la optimizacin del proceso^^, permitiendo la paralelizacin del estudio, y logrando xma reduccin significativa en el tiempo de computacin. A partir de un escenario inicial se obtienen una serie de gjrficas, que se presentan en la Fig. 7.8. El anlisis de los resultados conduce a las siguientes conclusiones: 1. Relacin de alimentacin Metanol/Isobutileno: presenta una gran influencia sobre la funcin objetivo; para relaciones elevadas s alcanzan valores de la conversin global cercanos al 98%. La relacin de alimentacin influye sobre la posterior aparicin de azetropos. 2. Grado de recirculacin al reactor: La conversin en el reactor toma valores entre 70 y 82%. La elevada conversin va ligada a una disminucin de produccin (bajo caudal de salida). 3. Temperatura de reaccin: afecta a la conversin en el reactor; para el escenario de partida la conversin vara entre 69 y 79%^^. 4. Presin de reaccin: presenta poca influencia sobre el grado de conversin (variaciones inferiores al 1%). 5. Relacin de reflujo: su aumento provoca un mayor gasto energtico, y un incremento de la funcin objetivo. Su influencia en los valores obtenidos es muy elevada. 6. Presin CDR: su influencia en el valor de la funcin objetivo es menos significativo que la relacin de reflujo. No obstante, su importancia radica en la influencia sobre la aparicin de puntos crticos en la CDR. 38 Se estudia en detalle en captulos posteriores. ^^ El valor medio de esta conversin es ligeramente inferior al que muestra la bibliografa. Una vez realizado el estudio de optimizacin, el valor final de conversin obtenido se corresponder con los valores reflejados en otros estudios. 92 Fig. 7.8 Estudio de sensibilidad. Grficas RUcin d* A)lmnuI4n v Conif. Ototial l*dbutllna Raclrcutln at Rctorv ConvralnRMClor laobutHno Pr**l6iiCeluiiinaDaatMSGl6ii [KPa) PlatoAllmenUcln Columna Destilacin vs KTSE Recuptndo PUto Alimitacln 93 Fig. 7.8 Estudio de sensibilidad. Grficas TBpratun R*ctor v'aCsnvanlAn ItaaetarlvabvtlIaaB TinpvrUiifa Kaicloi' fC) :t(tel*B Casi * CokiIiiiitaOas'tHikCiait prMraCatuiiiiiOa>tlluUnrC} Raflol Col gmn* 0a*1IlacI4ii v Cost* Col una OaittIacUa Pratln Reactor vs canvrsln Rtsctor taabuUUno iftuja Cohinaa DaMiHcUn Pf*aldnitaetar(l;Pa] 94 Fig. 7.8 Estudio de sensibilidad. Grficas NMM Pbtoa Ittactlws HTl i r*CHpa4 LacaKia<Ual*liUllact va HTI l ncipmn** 7. Temperatura CDR: su influencia en el valor de la funcin objetivo es menos significativo que la relacin de reflujo. El consumo energtico de la CDR, disminuye a medida que aumenta la temperatura de alimentacin. Tambin presenta influencia en la aparicin de puntos crticos. 8. Numero de etapas reactivas, localizacin de etapas reactivas: su influencia sobre el grado de recuperacin deMTBE es elevada. La aparicin de zonas reactivas en la columna provoca grados de recuperacin por encima de 1. 9. Etapa de alimentacin: presenta una elevada influencia sobre la fincin objetivo. La aparicin de etapas reactivas eleva su importancia. La etapa de alimentacin y el nmero y localizacin de las etapas reactivas estn ntimamente relacionados entre s, por lo que se ha estimado necesario realizar un estudio de optimizacin individual de la columna de destilacin reactiva, aspecto que ser tratado en el siguiente captulo. Este estudio es la base para el establecimiento de los lmites de variacin y para el ajuste del modelo final de optimizacin. Los estudios de sensibilidad son importantes, pero con ellos no est garantizado llegar al ptimo global. El mtodo de obtencin de im modelo robusto y fiable se desarrollar en el Captulo 9. 95 96 8. ECUACIONES MODELIZACION En este captulo se adjuntaa los sistemas de ecuaciones que modelizan el caso representativo, base para el estudio de optimizacin realizado. El estudio y descripcin de la planta se realiz en el Captulo 7. En las unidades ms complejas se adjuntan las estrategias de resolucin e hiptesis simplificativas. Clculo del reactor El volumen total del reactor se divide en subvolmenes, en cada sbvolumen la velocidad de reaccin se considera uniforme. Realizando un balance molar a cada sbvolumen j : F;,F,+ I r.dV = Ecuacin general balance sbvolumen j ' ' h ' dt En condiciones estacionarias y debido a la consideracin de reaccin uniforme en cada sbvolumen, la ecuacin se simplifica a: dNj = o Proceso estacionario dt Tabla 8.1 Flujo molar (sbvolumen j) . Reaccin principal. Formacin MTBE Ecuacin Nombre FueOHj = FMeOH,M ' rMeOH./j ^^^ ^^^^ etanol ^hBj = ^isBj-i - ^sBj ^j F"JO "^olar Isobutileno Tabla 8.2 Flujo molar (sbvolumen j) . Reaccin secundaria. Formacin dimetl-ter Ecuacin Nombre F^, r.r, FL or , 2rt, u -V- Flujo molar metanol MeOHj MeOH,j-l MeOHj j > FME,j ^ P'mEj-i + rMEjVj Fl^Jo "^""^^^ ^^^^^ ^^^^ 97 Tabla 83 Fraccin molar Ecuacin Nombre X.=F.-i-F'./{F..+Ff.) Fraccin molar F'. = YF.'. Flujo molar total reaccin principal Flujo molar total reaccin secundaria La expresin de las velocidades de reaccin es la descrita en 7.3.1. Tabla 8.4 Expresin velocidades de reaccin risB =A*^-^v{-EjRT)*{xj^Jx^^j)-A^*cip{-EjRT)*{x^Jxli^) principS rLoH =A* e xp ( - E, /RT) * x^^^j secmdaria Tabla 8.5 Valores de coeficientes de velocidad de reaccin Trmino AI El A2 E2 As Es Valor 3,7*10" 8,6*10"* kJ/kmol 1,3*10^* 1,3*10' kJ/kmol 1,5*10' 7,9*10" kJ/kmol Cl cul o del bal ance de energa: Tabla 8.6 Balance de energa Ecuacin Nombre i \ i J balance de energa Reactor adiabtico Clculo entalpia Las entalpias de reaccin se calculan a partir de las entalpias de formacin. 98 Tabla 8.7 Entalpias de formacin Compuesto Metanol Isobutileno MTBE Dimetil ter H2O Entalpia de formacin (25C) [kJ/kmol] -2,0129e+5 -I,6909e+4 -2,9309e+5 -l,8419e+5 -2,4100e+5 Tabla 8.8 Coeficientes para la capacidad calorfica molar '"* C,=a Compuesto Isobutileno Metanol MTBE Isobutano 1-buteno n-butano 1,3-butadieno trans 2-buteno cis 2-buteno A 3,544e+4 7,696e+3 5,34 le+4 2,287e+5 l,3589e+5 2,906e+5 l,2886e+5 l,1276e+5 l,2668e+5 B 802,0 161,7 733,5 -2850,5 -477,39 -3003,6 -323,1 -104,7 -65,47 C -3,124 0,2058 -1,625 21,722 2,1835 18,266 1,015 0,5214 -0,640 D 5,045e-3 2,874e-4 2,152e-3 -6,633e-2 -2,223e-3 -4,7125e-2 3,20e-5 0,0 2,912e-3 E 0,0 0,0 0,0 7,4164e-5 0,0 4,704e-5 0,0 0,0 0,0 Tabla 8.9 Clculo cada de presin en reactor qumico Ecuacin Nombre AP = L ! (l-eY , ^ , v' (l-e) 150v// r-^^r^+1,75 ^ ^ ^ Di D. Cada de presin en el reactor Clculo columna de destilacin Para la columna de destilacin se desarrollaron el modelo del plato de alimentacin, el modelo de un plato reactivo, y el modelo de otro plato cualquiera. Tambin se desarrollaron el modelo del condensador y rehervidor. El modelo matemtico combina el equilibrio de fases con la cintica de la reaccin. El conjunto de ecuaciones, ecuaciones MESH, incluye la relacin de equilibrio de fases de cada componente en cada etapa, sin asumir que la reaccin ha alcanzado el equilibrio qumico. Se utilizan las expresiones 'Ref. [115,37] 99 cinticas para describir el avance de las reacciones, en lugar de involucrar el concepto de equilibrio qumico. La cada de presin a travs de la columna se asume lineal, constante en cada etapa. Tabla 8.10 Ecuaciones para el plato de alimentacin Ecuacin Nombre F^jim + L j + F_^j -L -V =0 Balance de matem total Balance de materia de componente Fv hv +L ,h ,+V M , - L h -V =0 Balance de energa ^ alim"fllun ' ^p-\"^p~\ ' p+\^^ p-\ p p P P Pyi=riXii llyi,p = 1 p _ py Relacin de equilibrio d J^^yi-Ti^i^i fases Restricciones estequiomtricas Z- = F , . IF Ecuacin auxiliar rrrV rpL Ecuaciones auxiliares Tabla 8.11 Ecuaciones para plato no reactivo Ecuacin Nombre ,^_, 4- F j L V O Balance de materia total Lp_iX. p_i + Vp_^,^y p^i - LpX p - Vpyp = O Balance de materia de componente Lr,,h,+ V^,H,, - Lh - VH = O Balance de energa p-i p-i p+i p+i p p p p Py. = y.xP^ Relacin de equilibrio de fases /^ y- = 1 Restricciones estequiomtricas rjnV rjiL P^P- Ecuaciones auxiliares Tabla 8.12 Ecuaciones para plato reactivo Ecuacin Nombre ^p-i + ^p+i "Lp ~Vp + X! ^ ^^^t ~^ Balance de materia total ^MTBB ~ ~^MeOH ~ ~^IsB ^ . , . . Reacciones quuiucas ^ s O ^ ^ 100 Ecuacin L p - x \ p - i + V p , x y i , p ^ x - L p \ p - ^ p y , P + n + r ; = o Pyi^Ti^iPi rpV rpL Nombre Balance de materia de conq)onente Balance de energa Relacin de equilibrio de fases Restricciones estequiomtricas Ecuaciones auxiliares Tabla 8.13 Ecuaciones para el modelo del condensador total Ecuacin L , - L , = 0 MJ'/.O -^0^1,0 ^d^i,d ~ o Qa=Fa4X^dT QcQa Nombre Balance de materia total Balance de materia de componente Balance de energa para el sistema de proceso Balance de energa para el agua de enfriamiento Ecuaciones auxiliares Tabla 8.14 Ecuaciones para el modelo del caldern K - K-Lr- Ln^nJ - Ky,, L n k a = a = K r Z y r = p=- -VAr Ecuacin = 0 - . ^, >=o -LX+Qr = -imm^F^m^^^^^ -a ^yr^r . =1 ryL F"" 0 Nombre Balance de materia total Balance de materia de componente Balance de energa para el sistema de proceso Balance de energa para el vapor calefactor Ecuacin auxiliar Relacin de equilibrio de fases Restricciones estequiomtricas Ecuaciones auxiliares 101 Tabla 8.15 Clculo de entalpias Ecuacin Nombre H = ^y.H. Clculo entalpia fase vapor h = ^xh- Clcxdo entalpia fase lquida Modelizacn bomba Tabla 8.16 Ecuaciones para el modelo de bomba centrfuga Ecuacin Nombre Po = -^^-^ ^-^ Ecuacin general bomba centrfuga PVb n, = 0,75 Eficacia nominal de la bomba Modelizacn intercambiador de calor La ecuacin de los enfriadores/calentadores se simplifica a: Tabla 8.17 Ecuaciones para el modelo de enfriador/calentador Ecuacin Nombre 2c = ^s {TS )-H^{T^) Ecuacin calentador Qj. = H{ ( T ; ) - Hf ( r, ) Ecuacin enfriador H.-H,= Y.(H,,-HJ Clculo entalpia total componentes ^i,s i^s)- H,e i^e )=^i l^p.i^^ Clculo incremento de entalpias e pe _ pe Balance presin en calentador P^ = P^ Balance presin en enfriador Existen tres ecuaciones complementarias en los mezcladores y divisores de flujo: 102 corrientes entrada Tabla S.18 Ecuaciones para el modelo de mezclador/divisor de flujo Ecuacin Nombre e " s Mezclador: balance de materia componente i F^ = ce ^F ^ Vs = 1: total corrientes Divisor de flujo: balance total de materia xf^ = A:,-* Divisor de flujo: igualdades estequiomtricas T^" ^ = Tf Balance de energa divisor de flujo P^" " =P^ Balance de presin mezclador P^" ^ = P^ Balance de presin divisor de flujo Nomenclatura c. D, F H h K. L pv Pot, Qc Qf Q. fi K T V V Capacidad calorfica molar Dimetro de partcula catalizador Flujo molar Entalpia molar fase lquida Entalpia molar fase vapor Constante de distribucin lquido-vapor Longitud del reactor Presin de vapor Potencia consumida por la bomba Energa del calentador Energa del enfriador Energa del reactor qumico Velocidad de reaccin de compuesto i Reflujo columna destilacin Temperatura fase vapor columna destilacin ("C) Volumen del reactor Velocidad de paso 103 w... Peso molecular vapor calefactor (caldern) Fraccin molar i z a Y s Vb y ^ P ^l Subndices: 0 A Alim D dME E H2O IsB MeOH MTBE P R S W Superndices: rraccion moiar en ei aumenio a la coiumna Fraccin flujo total Actividad de un compuesto Densidad lecho Eficacia de la bomba Viscosidad Grado de avance de la reaccin Densidad del lquido Entalpia de reaccin En la corriente de reflujo (columna de destilacin) Agua de refrigeracin (condensador) Referido a la corriente de alimentacin En la corriente de salida (columna de destilacin) Dimetil ter A la entrada de un equipo Agua Isobutileno Metanol Metil terc-butil ter Plato p de la columna de destilacin En el caldern (columna de destilacin) A la salida de un equipo Agua de calefaccin (caldern) 104 L Fase lquida M Mezclador iS" Reaccin secundaria. Formacin de dimetil ter Te Divisor de flujo V Fase vapor 105 106 9. OPTIMIZACION DETERMINISTA MEDIANTE ALGORITMOS GENTICOS 9.1 Desarrollo del modelo El objetivo en este Captulo es realizar la optimizacin determinista de la planta de MTBE, empleando GA. La obtencin ahora de un modelo efectivo permitir afrontar la optimizacin estocstica posterior. La cooperacin entre las tcnicas de simulacin y los algoritmos de optimizacin presenta con frecuencia problemas operativos derivados de la complejidad matemtica del problema y de aspectos propios del modelo planteado. Antes de poder concluir el estudio de optimizacin determinista es necesario realizar una serie de ensayos sobre el sistema planteado que permitan depurar el modelo. Esta caracterstica de precisin se presenta como mdamental en el empleo de tcnicas metaheursticas, ms an en procesos como el que se presenta en este estudio [85]. El desarrollo del modelo final se realiza siguiendo ima serie de etapas: 1. Optimizacin de las unidades de proceso ms importantes: columna de destilacin reactiva y reactor. 2. Seleccin de la funcin objetivo. 3. Optimizacin simplificada sobre la planta completa con conj untos reducidos de variables. 4. Establecimiento definitivo de variables de optimizacin y sus lmites. 5. Introduccin de la paralelizacin del problema. En paralelo con este estudio se realizan adems: Anlisis de las distintas alternativas de seleccin de Poblacin Inicial en el problema de optimizacin con GA. Anlisis comparativo de la tcnica metaheurstica propuesta con otras 107 tcnicas de optimizaein. El caso base para todo este estudio es el proceso Ethermax, licenciado por UOP^\ Los valores de referencia de variables y parmetros jpara la optimiz^in determinista se obtienen del captulo correspondiente al estudio del proceso de MTBE'*'^. En la Tabla 9.1 se recogen las variables de optimizaein seleccionadas y los cdigos empleados para nombrarlas. Tabla 9.1 Cdigos de variables de optimizaein Localizacin 1 plato reactivo Nmero de platos reactivos Plato de alimentacin Reflujo columna Temperatura de alimentacin a columna Presin en cabeza de la colurona Temperatura alimentacin al reactor Presin del reactor Recirculacin al reactor Relacin alimentacin (kmol/h) Metanol/Isobutileno 1PR N^PR Plato Alim Reflujo Tra Col P Col TraRxl PRxl RecRxl MeOH/Ish 9.2 Optimizaein simplificada: unidades de proceso Tal y como ya se explic, previo a la optimizaein final de la planta se van a realizar estudios de optimizaein determinista de cada unidad de forma independiente. Esto permite realizar un ajuste ms preciso del modelo, a la vez que un anlisis detallado de la sensibilidad respecto al mtodo de optimizaein. Adems se analizarn las variables asociadas a cada vmidad, as como sus Desarrollado en el Captulo 7 Captulo 7 108 lmites de variacin. A continuacin se presentan los casos ms significativos, que han suministi-ado informacin til. De los muchos casos analizados mostramos aqu slo los ms relevantes, de acuerdo con la finalidad de la Tesis. En cualquier caso en 9.3.1 se realiza una seleccin de variables y lmites en base a toda la informacin obtenida. 9.2.1 Optimizacin de la columna de destilacin reactiva En la siguiente tabla se resimien las principales caractersticas del estudio de optimizacin. Unidad Columna de destilacin reactiva (CDR) Variables 1. Reflujo de la columna de destilacin (Reflujo) 2. Nmero de platos reactivos de la columna (NPR) Funcin objetivo Maximizar caudal de MTBE por cola Parmetros de GA 1. Tamao Poblacin Inicial: 3 2. Nmero de Generaciones: 5 En la Tabla 9.2 se muestran los intervalos de variacin de las variables de estudio. Tabla 9.2 Variables de optimizacin de CDR Variables Reflujo NPR Lmites 1,8-3,2 1 3 - 7 En la Tabla 9.3 se recogen los resultados de la optimizacin. 109 Tabla 9.3 Resultados optmizacin CDR ( . i i ur . i i 11111 1 RtfIfM \'-PK 1 ' 1 2 i ^ 1 ^ 2,5282 2,9487 2,5863 2,5863 7 5 7 7 M 1 lil [ttt cftl 1 (kiuiil h) 209,6909 209,7026 209,7214 209,7214 Conclusiones: ^ Mediante el ajuste de parmetros significativos de la columna se consigue alcanzar una rpida convergencia. "^ El estudio del comportamiento de la columna fi^ente a optmizacin, permite depurar el modelo final implementado mediante rutinas matemticas, en especial en lo relativo a la convergencia de la columna. Se han realizado ms ajustes del modelo matemtico propuesto"^^. Como ya se coment, la simulacin de la columna de destilacin reactiva representa uno de los puntos crticos del estudio. Con este ltimo anlisis se da por finalizado el ajuste de sus parmetros de convergencia. 9.2.2 Optmizacin del reactor Para el estudio del reactor se realiza inicialmente xin anlisis del comportamiento fi-ente a la variacin de sus variables ms significativas. Unidad Dos reactores de flujo pistn en serie Variables 1. Temperatura de entrada al primer reactor {Tra Rxl). 2. Recirculacin de la corriente de salida del primer reactor a la salida del mismo (Rec. Rxl). 3. Presin en el primer reactor (PRxl). Fxmcin objetivo Maximizar conversin global del isobutileno (Conv. Global) DesanoUado anteriormente. Ver 7.3.4 110 Parmetros de GA 1. tamao Poblacin Inicial: 3 2. Nmero de Generaciones: 5 Con este anlisis se persiguen dos objetivos: ^ Estudiar los intervalos de variables de optimizacin relativas al reactor. ** Estudiar la posibilidad de inclusin de un segundo reactor de flujo pistn en serie con el primero. En la Tabla 9.4 se recogen los intervalos de variacin de las variables de optimizacin. Tabla 9.4 Variables de optmizacn de reactor \ nriiihles 1 imites TraRxl RecRxl PRxl 20 - lOCC 0, 6-0, 98 1100-2000 kPa | En la Tabla 9.5 se muestran los resultados obtenidos. Tabla 9.5 Resultados optimizacin reactor liLiit'iaLiiiii 1 4 5 Rn R\l 0,735 0,735 0,733 iaR\I 46,21 40 43,05 l'Rxl 1433,42 1731,66 1749,62 oiix. lilobal 0,891 1 0,895 0,897 1 Conclusiones: ^ El ptimo se alcanza con un nmero bajo de generaciones. A partir de un cierto valor, un incremento en el nmero de generaciones no provoca mejoras en la solucin obtenida. "^ Se obtiene informacin til relativa al comportamiento del reactor frente a la optimizacin. Las caractersticas particulares de la cintica ya se trataron m anteriormente. '^ El anlisis de los resultados descarta la utilizacin de un segundo reactor, en serie con el primero. El modelo final slo incluir un reactor (a partir de ahoraiFP). 9.3 Optimizacin determinista de la planta En primer lugar se definen los lmites superior e inferior de las variables que intervienen en la optimizacin. En segundo lugar se define l fimcin objetivo. Posteriormente se realiza una optimizacin simplificada, con un nmero reducido de variables. Finalmente se realiza la optimizacin completa, incluyendo todas las variables, e introduciendo todas las consideraciones de diseo obtenidas de todos los anlisis previos que se han realizado. 9.3.1 Variables y lmites En base a los dos estudios anteriores, y a aspectos derivados de todos los anlisis realizados, se seleccionan las variables y sus lmites superior e inferior. En la Tabla 9.6 se muestran estos valores. 9.3.2 Funcin objetivo La fincin objetivo que se va a emplear para todo el estudio es la utilidad operacional, similar al beneficio, definida como la diferencia entre el valor de lo productos y los costes de las materias primas y de los servicios, como electricidad, agua de refiigeracin y vapor. Para considerar las cargas de capital en la funcin objetivo se incluye, adems, un trmino correspondiente a la inversin en inmovilizado relativo a la columna de destilacin reactiva y sus costes de mantenimiento. Para esta primera fase del estudio se emplearon precios y costes medios [65]. La consideracin de la incertidumbre respecto a varios de estos parmetros constituir la base para el posterior estudio de optimizacin bajo 112 incertidumbre . Tabla 9.6 Variables y lmites 1 \ \ i i iahic ( odi(>o 1 . ., Localizacin 1 plato reactivo Nmero de platos reactivos Plato de alimentacin Reflujo colimina Temperatura de alimentacin a columna Presin en cabeza de la columna Temperatura alimentacin al reactor Presin del reactor Recirculacin al reactor Relacin alimentacin (kmol/h) Metanol/Isobutileno l'PR N'PR Plato Alim Reflujo Tra Col PCol TraRxl PRxl RecRxl MeOH/Isb 1 imites 2-12 3-17 12-28 0,7-2,8 30-80T 1 800-1100 kPa 1 30-80"C 1100-2000 kPa 0,4-0,8 0,182-0,195 Las corrientes principales de la planta se recogieron en la Tabla 7.5. Los focos de consumo de energa se recogieron en la Tabla 7.6. Los coeficientes correspondientes para los trminos son los reflejados en la bibliografa [108, 65] y se muestran en la Tabla 9.7. La forma final de la fimcin es como sigue: ^ ( % ~ j - 7 2 1 4 , 4 x [ 5 ^ ^ -{PueOH+PlsB)-{Prapor + ^r + P ^ refrigeracin electricidad Jl CDR )]-^c. El valor de cada trmino se recoge en la Tabla 9.7. En la Tabla 9.8 se muestra la definicin de cada variable. '^ Captulo 10. 113 Tabl a 9.7 Trminos de la funcin objetivo ndice Beneficio MTBE producto Coste metanol materia prima Coste comente isobutileno materia prima"*^ Coste vapor calefaccin Coste agua rejBrigeracin Coste electricidad Coste inmovilizado 1 crniiiio BMTBE PMCOH PlsB p vapor ^refrigeracin ^electricidad PCDR \ aloi 494,2xMTBxlO-^ l43xMeOHxlO-^ 233x755x10-^x0,2 1,5 X Vapor xl0-*/3600 3,SxEnfrxlO-^/3600 0,OSx Elect/3600 9, 2X[ MTBEXWX7214, 4/ 60000) ' ' ' xl O' Tabla 9.8 Variables de la funcin objetivo I VI l i l i l Di 'l l i i i i 'i di i MTBE MeOH IsB Vapor Enfr Elect MTBE producido (kg/h) Metanol materia prima (kg/h) Corriente de isobutileno materia prima (kg/h) Energa de calefaccin necesaria (kJ/h) Energa de enfriamiento necesaria (kJ/h) Energa elctrica necesaria (kJ/h) 45 Slo se considera un 20% del coste total de la comente de isobutileno, debido a que la corriente de isobutileno se obtiene en su mayor parte de procesos integrados con el de MTBE. 114 9.3.3 Optimizacin smplifcada: ensayos con nmero reducido de variables La etapa anterior a la optimizacin determinista de la planta considerando las 10 variables seleccionadas, es la optimizacin con conjuntos reducidos de estas variables. Este estudio persigue un doble objetivo: depurar el modelo, terminando de ajustar ciertos parmetros de la tcnica, y anticipar informacin sobre los resultados que se obtendrn en la optimizacin completa, de manera que se podrn analizar los resultados finales con una mayor fiabilidad. Se optimiza \m caso representativo, con el modelo y los lmites de variables propuestos. En primer lugar se va a realizar una optimizacin simplificada de la planta considerando conjuntos de tres variables. Una vez analizada la respuesta, se realizar la optimizacin con todas las variables. Los parmetros de GA toman los valores indicados en el Captulo 6. No obstante se modifican algunos de estos valores segn se indica a continuacin. Parmetros de GA tamao poblacin inicial: 8 nmero de generaciones (criterio de terminacin): 5 En las siguientes tablas se muestran los valores que toman las variables en las distintas iteraciones, as como el valor de la mcin objetivo. Para completar la informacin tambin se adjunta el valor correspondiente al MTBE producido (MTBEProd). Se han analizado varios casos. Se presentan los resultados de aquellos que permitieron obtener una informacin til para la optimizacin completa que se realiza posteriormente. Caso I: Variables 1. Relacin metanol/isobutileno en la alimentacin. 2. Recirculacin a RFP. 3. Temperatura de entrada a RFP. Los resultados obtenidos se muestran en la Tabla 9.9. 115 Tabla 9.9 Primera optmizacin MTBE con tres variables I (. . T. " y 2 3 " = \}. 1 >.' h 1) 1^"" I) l ' i 0,1838~ 0,1869 0,1896 0,1896 0,1898 0~5826 0,4074 0,7048 0,5712 0,5634 H' ^ i'i ^ 63, 75 " 67,65 58,46 45,52 45,13 1 ti- :i 17,208 17,3698 17,675 17,6975 17,7252 Hk'IK'tUlil In't- .i.> 33,4 33,8 34,8 34,9 35,0 En funcin de los datos obtenidos se reajustan nuevamente los lmites de las variables, para analizar la sensibilidad del sistema frente a estos cambios. Los resultados de esta nueva optmizacin se muestran e la Tabla 9.10. Tabla 9.10 Segunda optmizacin MTBE con tres variables I l ' . 1 1 2 3 4 5 | . \ti-. II ] i i 4 0,1930 0,1926 0,1926 0,1925 0,1925 1 1 / i h 1 0,6165 0,6147 0,6145 0,6148 0,6157 } l | ! < ) 1 54,59 48,64 48,81 40,34 48,07 im;- 17,9114 17,9377 17,9554 18,0160 18,0539 l'l 1- .i' 35,5 35,6 35,7 35,9 36,1 Conclusiones: "^ Se observa una mayor rapidez en la convergencia en el segundo caso. As como un mejor valor del ptimo. *^ La seleccin de irnos lmites ms ajustados, siempre que estn bien elegidos, permitir una evolucin mejor en la optimizacin. Estas optimizaciones se realizan aplicando unos parmetros de GA, tamao poblacin inicial y nmero mximo de generaciones de un tamao reducido. El objetivo en los casos estudiados es, segn se ha indicado, un anlisis y mejor 46 Generacin en la que se ha producido la respuesta 116 puesta a punto del modelo. Caso ir. Variables 1. Temperatura de entrada CDR. 2. Presin en cabeza CDR. 3. Presin en RFP. Una vez resuelto el sistema se obtienen una serie de resultados, reflejados en la Tabla 9.11. Tabla 9.11 Optmizacin MTBE con tres variables II 11 II 1 2 3 4 5 MI i mi \ 59,29 79,35 37,3 47,06 100 1500 956 883 955 941 PRx 1100-2000 kPa 1600 2000 1100 2000 1760 MB/T/" : Im/h 17,703 17,945 17,977 18,098 18,120 1! I K' KI I I 1U t- j l . 34,8 35,7 35,8 36,2 36,3 9.3.4 Optimizacin completa Se optimiza la fimcin beneficio en funcin de 10 variables. Variables y lmites: son los indicados en Tabla 9.6. Se van a contemplar dos alternativas, que se analizan a continuacin. 9.3.4.1 Con Poblacin Inicial aleatoria Se realiza la optimizacin sin niiguna consideracin respecto a la poblacin inicial, que es seleccionada por la rutina implementada en el algoritmo de optimizacin, de ima manera aleatoria. Una vez realizado el proceso de optimizacin, se observa que si bien la solucin obtenida est prxima a la solucin recomendada, se requiere un 117 elevado tiempo de computacin. Los resultados obtenidos presentan una cierta dispersin, encontrndose varias soluciones propuestas que presentan problemas desde el punto de vista de la convergencia del modelo de simulacin de la planta. Esto es debido a tires factores: La naturaleza de los GA provoca que se analice todo el espacio posible de soluciones, lo que origina que las ecuaciones de modelizacin se resuelvan en valores extremos de las variables, dificultando en ocasiones la convergencia del sistema. El empleo de la tcnica de cooperacin con un simiador de procesos, ha permitido reducir la influencia de este factor. La naturaleza de la destilacin reactiva. La modelizacin de estas unidades presenta una elevada complejidad matemtica. La naturaleza de la cintica de sntesis de MTBE. En el ltim.o apartado del captulo se muestran los resultados obtenidos aplicando esta tcnica de seleccin de una poblacin inicial. Se muestran tambin las soluciones propuestas no factibles, aquellas que se sitan fuera del espacio de convergencia de la planta. Estas soluciones propuestas permiten obtener informacin til para posteriores anlisis. La Tabla 9.12, que se presenta a continuacin, recoge un muestreo selectivo de todos estos resultados. Del anlisis estadstico de estos resultados se pueden obtener las siguientes conclusiones: *^ Permite delimitar con mayor precisin el rango de las variables, a partir del estudio de los casos con no convergencia. *^ Crea una poblacin inicial de partida para una optimizacin posterior. Esta poblacin inicial aumentar la rapidez del clculo, disminuyendo el nmero de generaciones necesarias para alcanzar el ptimo final. 118 Tabla 9.12 Muestra resultados optimizacin Poblacin Inicial aleatoria 47 \aii.ibk's I I iiiiti.s ( asos rPR N''PR PlatoAlim Reflujo Tra Col PCol TraRxl RecRxl MeOH/hb PRxl Beneficio 10^ e/ao 2-12 3-17 12-28 0,7-2,8 30-80 C 800-1100 kPa 30-80 C 0,4-0,7 0,182-0,195 1100-2000 kPa 6 7 23 1,81 52 1015 39 0,45 0,1901 1733 35,0 4 13 28 1,89 40 1003 60 0,54 0,1891 1841 34,5 2 9 12 2,27 64 929 65 0,59 0,186 1659 34,0 3 14 12 2,09 57 892 53 0,63 0,1835 1779 33,5 " 6 14 1,88 60 1003 I 34 0,55 0,1948 1241 No Converg."* Finalmente, se vuelve a obtener un nuevo intervalo de variacin de las variables de optimizacin, que se muestra en la Tabla 9.13. Tabla 9.13 Lmites por anlisis de una Poblacin Inicial aleatoria 47 Ver nomenclatura en Tabla 9.1 \ ai i abk' s rpR N'PR Plato Alim Reflujo Tra Col PCol TraRxl RecRxl MeOH/Isb PRxl 1.imites 2-12 3-17 20-28 0,7-2,8 40- 80 C 800-1100 kPa 30-80 C 0,4-0,7 0, 19-0, 195 1500-2000 kPa 48 No convergencia. El proceso de optimizacin se detiene sin alcanzar la convergencia. 119 9.3.4.2 Con Poblacin Inicial determinada por mustfb Se propone un nuevo mtodo para depurar el modelo: se emplea la informacin suministrada por la optimizacin con poblacin inicial aleatoria para realizar una seleccin de la poblacin inicial para una posterior optimizacin. Esta seleccin se llevar a cabo de manera manual, pero es un procedimiento que se podra realizar mediante la implementacin de rutinas, para ejecutarse de una manera automtica [30]. El objetivo es estudiar la bondad de la optimizacin cuando la Poblacin Inicial es alimentada con soluciones ya estudiadas. Estas soluciones son las obtenidas mediante una optimizacin mediante GA previa. Se introduce la Poblacin Inicial y lmites obtenidos en el estudio anterior. Finalmente, se obtienen xmos resultados semejantes a los recomendados. Tambin se observa ima disminucin en el tiempo de computacin. Parmetros de GAOT Tamao Poblacin Inicial: 10 Nmero de generaciones: 15 En el ltimo apartado se muestran todos los resultados obtenidos, La Tabla 9.14 recoge wx muestreo selectivo de todos estos resultados. 9.3.4.3 Comparacin y conclusiones ^ Mediante la optimizacin determinista por GA se logran alcanzar resultados fiables. *^ Para aiunentar el rendimiento del algoritmo de optimizacin es positiva la inclusin de una poblacin inicial. ^ La propia naturaleza de los GA favorece este estudio y seleccin por muestro de una poblacin inicial. Se plantea la posibilidad de generar un algoritmo matemtico que realice esta seleccin automticamente. ^ La seleccin de una poblacin inicial poco significativa, que no sea 120 suficientemente representativa, provoca desviaciones en la respuesta final respecto al ptimo. Tabla 9.14 Muestra resultados optimizacia Poblac. Inicial por muestreo'*? \ ai Libios Generacin'" rPR N^PR PlatoAlim Reflujo Tra Col PCol TraRxl RecRxl MeOH/Isb PRxl Beneficio lO^e/ao KosiiltHdus cuii\ L1 f>eiici.) 1 6 7 23 1,81 52 1015 39 0,45 0,1901 1733 3,50E+07 5 6 13 27 1,5 41 936 47 0,66 0,1938 1698 3,58E+07 9 5 15 26 1,17 51 817 40 0,61 0,194 1731 3,63E+07 14 10 14 28 1,13 49 1020 46 0,62 0,1935 1740 3,68E+07 V Junto con la seleccin de la poblacin inicial, el anlisis de los datos permite un estudio de los lmites de las variables. >y Estudios posteriores con otras tcnicas de optimizacin demostrarn las ventajas de utilizar este mtodo frente otros algoritmos convencionales. 9.4 Anlisis comparativo con otras tcnicas de optimizacin Una vez fijadas las variables binarias, mediante la optimizacin por GA, el objetivo es ahora la realizacin de xm estudio comparativo entre distintos mtodos de optimizacin de procesos para variables continuas (variables de proceso: consumo de materias primas, temperaturas, presiones, etc.). Las distintas tcnicas se ejecutan sobre el proceso qumico en planta industrial, para '*' Nomenclatura Tabla 9.1. ^^ Generacin en la que se lee la respuesta. 121 conseguir los objetivos de produccin preestablecidos, con el mnimo coste posible, utilizando los medios materiales y tecnolgicos disponibles. Se va a realizar la optimizacin mediante otras tcnicas convencionales, de naturaleza no estocstica. Estas tcnicas de optimizacin propuestas, se encuentran implemetdas en el mdulo de optimizacin del simulador de procesos, por lo que se conseguir un doble objetivo: realizar una comparacin desde el punto de vista matemtico entre GA y otras tcnicas de optimizacin tradicionales, comprobar la fiabilidad de la aplicacin de la tcnica de GA a una planta simulada. A la vez se confirman las ventajas de la utilizacin combinada de dos modelos, imo de simulacin y otro que permite el desarrollo de modelos complementarios y rutinas, con el objetivo de mejorar las propias tcnicas de simulacin y optimizacin^i. Presenta una gran utilidad el empleo de una tcnica de optimizacin combinada de tcnicas metaheursticas y basadas en gradientes, de manera que los GA localizaran los mximos locales, y las tcnicas convencionales trabajaran en el entorno de esos mximos. El paso previo antes de iniciar el estudio es analizar la bondad del modelo de simulacin frente a las tcnicas de optimizacin propuestas. Este anlisis conduce a la siguiente seleccin de variables de optimizacin: Variables 1. Relacin metanol/isobutileno en alimentacin 2. Temperatura entrada RFP 3. Presin entrada RFP 4. Grado de recirculacin RFP 5. Temperatura de entrada CDR 6. Presin en CDR 7. Relacin de reflujo en CDR Respecto a las tres variables relativas a la CDR ' Este ltimo punto se estudi en profundidad en el apartado Desarrollo de un algoritmo para optimizar la convergencia del modelo {7.3 A) 122 plato de alimentacin, nmero de platos (etapas) reactivos, local2acin primer plato reactivo, que se incluan en el estudio de la optimizacin mediante GA, ahora van a adoptar un valor fijo. La informacin proporcionada en el proceso de optimizacin anterior genera informacin til para establecer estos valores. Esta simplificacin persigue dos objetivos: 1. favorecer la convergencia, reduciendo el nmero de variables, y 2. mejorar las prestaciones de los algoritmos de optimizacin programados en combinacin con el simulador de procesos, debido a la complejidad de la simulacin de la columna de destilacin reactiva. Debido a la influencia del escenario inicial de partida en el valor ptimo final alcanzado, para los mtodos propuestos, es necesario realizar un amplio estudio de las condiciones iniciales. La informacin para este estudio la van a proporcionar otra vez los resultados obtenidos mediante la optimizacin por GA. Seleccin de condiciones iniciales Para el establecimiento de estos valores iniciales, se va a emplear la informacin suministrada en el estudio de optimizacin mediante GA. La tcnica de GA realiza un muestro en todo el espacio de soluciones, y permite, con im nmero reducido de casos, obtener intervalos fiables de variacin de las distintas variables estudiadas. Tambin permite obtener un valor inicial que minimiza el efecto de operar en un mximo local. Esta combinacin de tcnicas de optimizacin metaheurstica y basadas en gradientes permite, para el caso considerado, mejorar los resultados obtenidos. Para estudiar la sensibilidad de las distintas tcnicas a los lmites de las variables y al valor inicial de partida se realiza el estudio de optimizacin a partir de tres escenarios distintos de partida. Las condiciones de operacin iniciales y de diseo son las del caso base^^. La informacin relativa a estos escenarios y el desarrollo de los mismos se recoge en la Tabla 9.21. Tambin se estudiaron parmetros propios de los distintos mtodos de optimizacin para analizar su influencia sobre la solucin. 52 Estudiado en profindidad en el apartado anterior 123 Mtodos de optimizacin empleados^^ a. Fletcher Reeves b. Quasi Newton c. BOX d. SQP e. Mtodo mixto (BOX + SQP) Resultados y conclusiones Los valores iniciales de la funcin objetivo, mximo beneficio, para cada escenario de partida son: Escenario inicial Fxmcin objetivo (10 /ao) Escenario (1) 36,09 Escenario (2) 35,98 Escenario (3) 34,00 En la Tabla 9.15 se muestran los valores del ptimo alcanzado segn los distintos mtodos y los distintos escenarios. Tambin se incluye el valor obtenido mediante la optimizacin por GA. El anlisis de los resultados conduce a las siguientes conclusiones: 1. El escenario inicial es decisivo en la obtencin del valor ptimo final, frente a la tcnica de GA, cuyo valor final es independiente del escenario. Esto viene a confirmar la robustez de la tcnica GA para sistemas de mltiples variables, con mltiples opciones. 2. Slo mediante la aplicacin de la tcnica de optimizacin BOX, se alcanzan valores finales de optimizacin del mismo orden de los obtenidos mediante GA. La bondad de este mtodo, BOX, depende del valor inicial de partida, as como de los lmites de las variables. '^ En la bibliografa se recogen distintos ejemplos de aplicacin de estos mtodos [29, 75,25, 87,52,114] 124 3. Las otras tcnicas propuestas no mejoran la solucin inicial propuesta, o lo hacen minimamente. Se demuestra la baja fiabilidad de estos mtodos para este tipo de problemas. 4. La propuesta de una tcnica de optimizacin alternativa a las tcnicas tradicionales con las que trabaja el simulador de procesos, proporciona ima herramienta muy til para lograr mejoras sobre la solucin ptima. La combinacin de esta tcnica metaheurstica con algoritmos de convergencia, tambin proporciona mejoras en la convergencia y solucin final alcanzada, permitiendo el estudio de variables de optimizacin, cuya inclusin no sera factible mediante la aplicacin de los mtodos propuestos por el simulador. Tabla 9.15 Resultados optimizacin MTBE comparativa Mtofio Fletcher- Reeves Quasi- Newt on BOX SQP Mixto AG * Se alcanza el i 1 StVIl.llIO l l l KI. l l '* (1) (2) (3) (1) (2) (3) (1) (2) (3) (1) (2) (3) (1) (2) (3) lmero mximo de eva N' I- valiMiioiKs 29 15 15 19 15 15 100" 500^ 300" 9 9 9 8 19 8 280 uaciones 1 iiiiiinn i>li|olivii (lU' < 36,25 35,98 34,00 36,17 35,98 34,00 36,71 36,23 36,78 No'' No" No' 36,09 36,13 34,46 36,78 .i) ' El sistema no converge, el mtodo no es aplicable ' Ver Tabla 9.21 125 9.5 Introduccin de la paralelizacin La necesidad del planteamiento de un modelo de paralelizacin surge como consecuencia, principalmente, de tres factores:
l elevado coste computacional observado mediante anlisis de los porcentajes de tiempo de ejecucin requeridos en cada uno de los pasos de losGA. La introduccin de la incertidiunbre en el problema, lo que implica la creacin de un modelo en el que se multiplican el nmero de casos que se van a evaluar. La necesidad de crear un modelo flexible, no sujeto a los inconvenientes operativos propios de la red de PCs con la que se realizaron los estudios de esta Tesis. La paralelizacin permite un tratamiento de la informacin obtenida ms estructurado, de manera que las soluciones que se vari obteniendo se almacenan de manera independiente, permitiendo interrupciones en el proceso de optimizacin. En funcin de la estrategia ms apropiada se va a realizar el desarrollo de un modelo. La realizacin de nuevo de la optimizacin determinista, servir para depurar el sistema y comprobar la robustez de las soluciones obtenidas. Verificado el modelo, en el Captulo siguiente se realizar la optimizacin estocstica. 9.5.1 Estrategia de modelo en bloques anidados La paralelizacin se va a realizar siguiendo im modelo de bloques anidados, la optimizacin se realizar en distintas unidades o bloques, de manera sucesiva o en paralelo. Los valores resultantes se emplean en ima optimizacin a nivel superior, mediante la interconexin de los distintos bloques para formar una super-estructura. El desarrollo del modelo se efecta segn dos criterios: 126 Definiendo los bloques segn el tipo de variable: diseo y funcionamiento. Dentro de estos dos tipos, se distinguirn variables segn su situcin y relevancia en la simulacin, Definiendo los bloques segn la unidad de proceso. El modelo de paralelizacin se plantea a dos niveles, segn se muestra en la Fig. 9.1. En un primer nivel se realiza la optimizacin de los distintos bloques de una manera independiente. Con la solucin propuesta de estos bloques (z^, segn la figura) se realiza la optimizacin de la estructura completa, obteniendo el ptimo (z^). AG variables de diseo variables de funcionamiento Simulacin - Evaluacin V. diseo V. funcionamiento Otras variables Simulacin - Evaluacin r'T =z (~"diseo -|- pfuncionamiento z-' = C Fig. 9.1 Esquema general bloques anidados La tcnica de paralelizacin propuesta permite extender los GA al caso en que se requiera localizar y mantener mltiples soluciones dentro de ima poblacin. La comunicacin entre los distintos bloques del modelo se realiza mediante la implementacin de algoritmos especficos. Estas rutinas persiguen lograr una transferencia eficaz de los datos. El sistema ha desarrollado: 127 Mecanismos de sincronizacin entre los distintos bloques. Una estructura de almacenamiento de datos, permitiendo tener acceso a los mismos durante el proceso de optimizacin. Los ordenadores se han conectado mediante una red local. 9.5.2 Teora de paralelizacin El modelo de paralelizacin empleado se basa en que la optimizacin se realizar en distintas unidades o bloques, de manera sucesiva o en paralelo, segn las necesidades del modelo. Los valores resultantes se emplean en ima optimizacin a nivel superior, mediante la interconexin de los distintos bloques para formar una super-estructura. Los GA son intrnsecamente paralelos [71]. Esto significa que, independientemente de que lo hayamos implementado de forma paralela o no, buscan en distintos puntos del espacio de soluciones de forma paralela. Ese paralehsmo intrnseco permite que sean fcilmente paralelizables, es decir, que sea fcil modificar el cdigo para que se ejecute simultneamente en varios procesadores. La modelizacin mediante bloques anidados facilita el desarrollo de una solucin paralela, que se trata en un captulo posterior [16]. Existen dos enfoques generales parapralelizar GA: maestro-esclavo y de grano grueso o fino [76]. La arquitectura maestro-esclavo suele emplearse cuando la funcin de aptitud (que determina la calidad de cada solucin individual) es el operador ms costoso. La funcin de evaluacin se distribuye entre un nmero determinado de procesadores esclavos y todas las operaciones restantes (mutacin, cruzamiento y seleccin) se realizan en el procesador maestro. En los GA en paralelo de grano fino o de grano grueso, la poblacin se divide en subpoblaciones organizadas en una red. Todos los operadores se ejecutan por un elemento de procesamiento separado que contiene a la subpoblacin. Las diferentes subpoblaciones pueden comunicarse por medio de distintas topologas de red y patrones de comunicacin. 128 Para hacer la implementacin a un nmero de ordenadores paralelos diferentes, desde superordenadores a clusters de PCs, pueden ajustarse dinmicamente muchos atributos de la implementacin al especificar diferentes parmetros de entrada. 9.5.3 Aplicacin a planta de MTBE En funcin de los criterios anteriores se realiza la particin del problema principal en cuatro subproblemas. Cada subproblema constituye un bloque de optimizacin y opera con un conjunto de variables de decisin. La particin se realiza en base a criterios de diseo y funcionalidad. Los distintos bloques intercambian informacin, de manera que la optimizacin de la planta completa no se ejecuta hasta que se obtiene la respuesta de cada uno. La Tabla 9.16 recoge la divisin en bloques propuesta, y las unidades asociadas a las variables. Tabla 9.16 Agrupacin de variables segn modelo de paralelizacin Bloque 1 Bloque A Bloque B Bloque C Bloque D >'ariablcs de optimizacin asociadas Localizacin primer plato reactivo (l'PR) Nmero de platos reactivos (NPR) Plato de alimentacin (Plato Alim) Reflujo columna {Reflujo) Temperatura alimentacin a columna (Tra Col) Presin en cabeza de la columna (P Col) Relacin de alimentacin al sistema (Metanol/Isobutileno) {MeOH/hb) Temperatura alimentacin al reactor {Tra Rxl) Presin de trabajo en el reactor {P Rxl) Recirculacin al reactor {Rec Rxl) Unidad Columna destilacin reactiva Columna destilacin reactiva Planta Reactor 129 A partir de esta asociacin de variables s proponen tres estrategias para la resolucin del problema general, basadas en la descomposicin en bloques anidados (Tabla 9.17). Tabla 9.17 Niveles de agrupacin de variables segn bloques anidados 1 Modelo MI M2 M3 1 nivel: 2 nivel: 1" nivel: 2 nivel CDR^: 2nivelRFP'': 3" nivel RFP": 1 nivel RFP'': 2mvel RFP^ r nivel CDr : 2 nivel CDR^ Sisteni.1 de <iiiid:K'ioii de \ariahlos 1. N" platos reactivos; 2. Localizacin 1 plato reactivo; 3. Plato de alimentacin (bloque A) ^ 1. Reflujo columna; 2. Presin cabeza columna; 3. Temperatura de entrada a columna; 4. Relacin alimentacin; 5. Recirculacin al reactor; 6. Presin de entrada al reactor; 7. Temperatura de entrada al reactor (bloques B,C,D) 1. N platos reactivos; 2. Localizacin 1 plato reactivo; 3. Plato de alimentacin (bloque A) 1. Reflujo columna; 2. Presin cabeza columna; 3. Temperatura de entrada a columna (bloque B) 1. Relacin alimentacin (bloque C) 1. Recirculacin al reactor; 2. Presin de entrada al reactor; 3. Temperatura de entrada al reactor (bloque D) 1. Relacin alimentacin (bloque C) 1. Recirculacin al reactor; 2. Presin de entrada al reactor; 3. Temperatura de entrada al reactor (bloque D) 1. N platos reactivos; 2. Localizacin 1 plato reactivo; 3. Plato de alimentacin (bloque A) 1. Reflujo columna; 2. Presin cabeza columna; 3. Temperatura de entrada a columna (bloque B) " Columna de destilacin reactiva ' Reactor de flujo pistn Los modelos planteados para este estudio establecen distintos niveles de optimizacin. La optimizacin de cada bloque se realiza mediante dos mecanismos: 130 Secuencialmente, respecto a un bloque superior. Caracterizado por el nivel. Transversalmente, los bloques se optimizan en paralelo. Caracterizado por el tipo de unidad. Se presentan en la Fig. 9.2 los diagramas de flujo correspondientes para cada modelo. En el modelo MI se propone la optimizacin a dos niveles. En una primera etapa se resuelven en paralelo los subproblemas asociados los bloques B, C y D. Secuenciahnente se resuelve el problema general, a partir de una solucin propuesta de las variables del bloque A. En el modelo M2 se resuelven secuenciahnente los subproblemas asociados a los bloques B y C. El subproblema asociado al bloque D se resuelve a partir de la solucin obtenida de esta optimizacin previa, y de la solucin propuesta de las variables del bloque A. El modelo M3 propone una metodologa de solucin del problema general basada en la resolucin secuencial de los bloques B, C, A y D. La evaluacin de los tres modelos permite analizar cada una de las tres estrategias de resolucin propuestas y su compatibilidad con la metodologa general. La tcnica de optimizacin mediante GA facilita el desarrollo de los modelos y la resolucin del caso propuesto. Adems, mediante la combinacin de tcnicas se obtiene infoimacin sobre la progresin de los resultados, lo que permite analizar con ms detalle la bondad del modelo propuesto. Resultados: En los tres modelos evaluados, el valor de la lincin objetivo final obtenida se encuentra dentro de un intervalo aceptable, encontrndose prximo al valor recomendado y al que se obtena en el anterior estudio de optimizacin. Un anlisis detallado de las estrategias de optimizacin propuestas, conduce a concluir una serie de ventajas e inconvenientes. 131 Fig. 9.2 Modelos de bloques anidados Modelo MI A( A ( ^ ( ^ > n 1 <^,c.o^> L^ ^ B,C.D \ . ^ ^ Modelo M3 AG AG s.,^ C ptimo _/ cb <[ ' B. C ptimo J >~ AG < ? > AG CO - . D p t i mo ^ A,B,C,D ptimo 132 Ventajas: Favorecen la implantacin de modelos vlidos para la optimizacin de la planta, cuando se considera la incertidumbre asociada a sta. En el siguiente captulo se tratarn todos los aspectos relativos a procesos sometidos a incertidumbre, y se realizar na estudio de optimizacin de la planta teniendo en cuenta el nuevo escenario. Es conveniente, pues, disear un modelo que nos permita este estudio posterior. Se efecta ima barrida mayor al subespacio de posibles soluciones vlidas, incrementando, en consecuencia, la robustez de la solucin obtenida. La agrupacin de variables en los modelos mediante bloques anidados, permite un estudio ms riguroso dentro de los lmites de variacin. La combinacin de soluciones para los distintos bloques, amplia el espectro de soluciones. Permiten un ajuste mucho ms riguroso de los parmetros propios de los GA. En el Captulo 6 se estudiaban los parmetros caractersticos de la optimizacin mediante GA. Una determinacin precisa de estos parmetros conduce a ima solucin ptima con unos tamaos de poblacin ajustados. El modelo de bloques anidados permite realizar el ajuste de estos parmetros de manera independiente en cada bloque. Segn el conjimto de variables, y las caracteristicas de la unidad simulada, se determinan los valores propios de estos parmetros. Esto logra reducir el tiempo de convergencia, al optimizar el tamao de las poblaciones que se evalan en cada bloque. La bibliografa presenta mtodos que permiten realizar este ajuste de una manera automtica, mediante la combinacin de las tcnicas de GA con otras tcnicas.
Favorecen la paralelizacin de los GA. Los GA son intrinsecamente paralelos. 133 Inconvenientes: Se incrementa el nmero de casos estudiados, con el riesgo de redundancia respecto a las soluciones propuestas. El tiempo de computacin aumenta debido a este incremento de casos estudiados/^ 9.5.4 Planteamiento final del modelo El planteamiento final del modelo se propone con la finalidad de establecer una estrategia de paralelizacin que recoja las ventajas de los modelos anteriores y elimine sus inconvenientes. En la Tabla 9.18 se recoge el modelo final. En la Fig. 9.3 se desarrolla el esquema propuesto. Los cuatro bloques de variables, se agrupan en dos conjuntos: variables asociadas al reactor, variables asociadas a la columna de destilacin reactiva, ambos conjuntos se agrupan para formar la estructura final. As en ima primera etapa se optimizan las dos imidades independientes: Reactor (i?FP) Coluinna destilacin reactiva {CDK) La optimizacin de ambas unidades se realiza de manera paralela. El escenario inicial de partida es idntico en los cuatro bloques. Para obtener el ptimo en cada unidad se trabaja con cada uno de sus dos bloques correspondientes, de manera que intercambian informacin entre s, variando los escenarios de partida cuando es necesario. Una vez obtenido el ptimo en cada unidad, se obtiene la solucin para la estructura completa. El anlisis de esta solucin determina si se debe redefinir el escenario inicial para la optimizacin de los dos conjuntos de partida. 55 Este problema se minimizar mediante la paralelizacin. 134 AG AG B, OP D, OP A^] B ^D D > < C, OP ^PLANTA <^j^ A, B, C, D PTIMO Fg. 9.3 Esquema modelo fnal El escenario inicial influye en el ptimo final de cada unidad. El objetivo es obtener una solucin robusta, de manera que el proceso de optimizacin de cada unidad y su correspondiente aplicacin a la estructura completa se repite hasta cumplir con el criterio de terminacin. ste se alcanza cuando no se 135 mejora la solucin final. Tabla 9.18 Modelo final bloques anidados L'nidad ' CDR \ ariables 1. N" platos reactivos; 2. Localizacin 1" plato reactivo; 3. Plato de alimentacin 1. Reflujo coluiima; 2. Presin cabeza columna; 3. Temperatura de entrada a colimma liloque Bloque A Bloque B RFP 1. Relacin alimentacin 1. Recirculacin al reactor; 2. Presin de entrada al reactor; 3. Temperatura de entrada al reactor Bloque C Bloque D 9.5.5 Resultados y conclusiones El anlisis de los distintos modelos de descomposicin propuestos refleja una clara influencia de stos en la velocidad de convergencia del algoritmo gentico. El estudio realizado ha permitido seleccionar el mtodo ms eficaz. En apartados anteriores se analiz la influencia en la optimizacin de la introduccin de una poblacin inicial, frente a la seleccin aleatoria de sta. El modelo de descomposicin seleccionado no es compatible con la tcnica de introduccin de una poblacin inicial previa, pero los resultados obtenidos son igual de eficaces.^^ Si bien el valor ptimo final obtenido no se mejora significativamente mediante la descomposicin en bloques, lo cual ya esperbamos, s se producen grandes reducciones en el tiempo de computacin. El modelo de descomposicin permite que en cada bloque se puedan establecer distintos valores de los parmetros caractersticos de GA. De esta manera se logra aumentar el rendimiento del mecanismo de optimizacin. ' Resultados de la Tabla 9.14 136 Un anlisis del modelo permite concluir que la paralelizacin se puede impementar con gran eficacia en sistemas con incertidxmbre basados en escenarios. La etapa siguiente en el estudio es la optimizacin estocstica de la planta. Para realizar esta optimizacin se emplear el modelo de descomposicin final ya ensayado, y las tcnicas de paralelizacin, mediante una red local de PCs. 9.6 Anexo de resultados Se incluyen resultados obtenidos, que no se han incluido en su apartado correspondiente, debido al volumen de datos, y con la finalidad de mantener claridad en la exposicin. La nomenclatura utilizada es: / " PR Posicin primer plato reactivo de columna de destilacin reactiva N" PR Nmero de platos reactivos PlatoAlim Posicin del plato de alimentacin en columna destilacin reactiva Reflujo Reflujo en cabeza de columna destilacin reactiva Tra Col Temperatura de la alimentacin a la columna destilacin reactiva P Col Presin en cabeza de la columna de destilacin reactiva Tra Rxl Temperatura de entrada al reactor P Rxl Presin de entrada al reactor Rec Rxl Relacin de recirculacin de la salida del reactor MeOH/Isb Relacin de alimentacin al sistema Isobutileno/Metanol Optimizacin caso base con Poblacin Inicial aleatora^^y obtenida mediante tcnicas metaheursticas . En las Tabla 9.19 y Tabla 9.20 se recogen todos los resultados obtenidos al realizar la optimizacin determinista mediante GA del caso representativo "Ref. 9.3.4.1 ^^ Ref. 9.3.4.2 137 elegido. La Tabla 9.19 muestra el caso en el que la Poblacin Inicial es obtenida por tcnicas que originan una seleccin aleatoria. En la Tabla 9.20, el estudio y detennincin de la Poblacin Inicial se realiz mediante la utilizacin de tcnicas de muestreo. El anlisis en profindidad de estos resultados ya se llev a cabo en los Captulos correspondientes . Tabla 9.19 Resultados optimizacn con Poblacin Inicial aleatoria \ .11 iahles FPR NPR PlatoAlim Reflujo Tra Col PCol TraRxl RecRxl MeOH/Isb PRxl Beneficio 10* e/ao I lliiiUs 2-12 3-17 12-28 0,7-2,8 30-80 C 800-1100 kPa 30-80 "C 0,4-0,7 0,182-0,195 1100-2000 kPa 6 7 23 1,81 52 1015 39 0,45 0,1901 1733 35 10 7 20 2,34 72 933 46 0,55 0,1894 1429 35 4 13 28 1,89 40 1003 60 0,54 0,1891 1841 34,5 ( Jsos 11 9 19 2,3 43 989 39 0,45 0,1868- 1826 34,4 8 . 12 19 1,11 53 1004 40 0,66 0,1864 1433 34,11 , 2 9 12 2,27 64 929 65 0,59 0,186 1659 34 4 11 24 0,81 59 966 73 0,4 0,1871 1153 33,6 59 Ref. 9.3.4.3. Comparacin y conclusiones. 138 Tabla 9.19 (Cont.) ri Va i i abl c s rpR N'PR PlatoAlim Reflujo Tra Col PCol TraRxl RecRxl MeOH/Isb PRxl Beneficio 10*/ao 3 14 12 2,09 57 892 53 0,63 0,1835 1779 33,5 3 6 25 1,14 64 825 52 0,53 0,1845 1203 33,5 3 5 15 1,67 37 846 50 0,54 0,185 1610 33,4 11 6 14 1,88 60 1003 34 0,55 0,1948 1241 No Converg. Ca s o s 3 10 12 1,21 63 1063 34 0,42 0,1885 1210 No Converg. 3 7 17 2,43 39 804 31 0,46 0,1943 1786 No Converg. 11 16 28 2,3 39 1034 56 0,48 0,1939 1686 No Converg. 11 16 13 1,27 72 1046 45 0,55 0,1864 1592 No Converg. 1 1 7 14 26 1,97 51 914 64 0,58 0,1858 1732 No Converg. \ a i i . i hl i s 1PR NPR PlatoAlim Reflujo Tra Col PCol TraRxl RecRxl MeOH/Isb PRxl Beneficio 10*/ao 10 13 18 1,11 56 951 57 0,67 0,1889 1500 No Converg. 2 9 12 2,23 64 929 65 0,59 0,186 1650 No Converg. Tabl a 9. 19 ( C ont ) 12 3 20 0,99 51 935 36 0,68 0,1859 1665 No Converg. 4 13 26 0,72 45 813 53 0,48 0,1826 1729 No Converg. .isos 8 9 25 2,58 74 808 66 0,45 0,191 1457 No Converg. 7 16 22 1,12 31 894 75 0,66 0,1905 1472 No Converg. 11 10 25 1,33 68 804 44 0,47 0,1948 1690 No Converg. 10 9 23 2,09 79 915 43 0,59 0,1892 1854 No Converg. 7 15 17 1,3 80 1005 73 0,69 0,1872 1434 No Converg. ' No convergencia. El proceso de optimizacin se detiene sin alcanzar la convergencia. 139 Tabla 9.20 Resultados optimizacin con Poblacin Inicial por muestreo I \iiriiiblos Resultados Lll^ er<>eiii:i:i Generacin rPR NPR PlatoAlim Reflujo Tra Col ("Q \pCol(kPa) Tra Rxl ("C) RecRxl MeOH/Isb PRxl (kPa) Beneficio 10*/ao 1 6 7 23 1,81 52 1015 39 0,45 0,1901 1733 35 2 5 15 26 1,97 49 944 53 0,67 0,1905 1965 35,5 3 12 5 22 1,96 64 1004 59 0,59 0,1938 1895 35,6 5 6 13 27 1,5 41 936 47 0,66 0,1938 1698 35,8 6 4 12 25 1,23 60 878 41 0,53 0,193 1746 36,2 7 6 10 23 1,45 74 898 47 0,62 0,192 1740 36,2 9 5 15 26 1,17 51 817 40 0,61 0,194 1731 36,3 10 6 10 23 1,45 74 898 40 0,61 0,194 1730 36,4 .. 12 6 10 23 1,19 53 832 40 0,59 0,1938 1735 36,7 ^ 1 4 10 14 28 1,13 49 1020 46 0,62 0,193 5 1740 36,8 Optimizacin determinista con distintas tcnicas. Anlisis comparativo. Escenarios iniciales. Tabla 9.21 Optimizacin con distintos mtodos. Escenarios. \ ari uhl cs Escenario 1PR NPR PlatoAlim Reflujo Tra Col CQ P Col (kPa) Tra Rxl CC) Rec Rxl MeOH/Isb PRxl (kPa) ptimo (10" e/ao) 1 1 11 14 28 1,5 65 965 50 0,6 0,1923 1310 36,1 r 1 f scL-ii.uios. ( aso liasi.- ' 2 11 14 28 1,5 65 965 50 0,6 0,1923 1600 35,9 3 11 14 28 1,67 37 846 50 0,54 0,185 1610 34,0 61 Ref. 9.4 140 La Tabla 9.21 muestra los escenarios de partida empleados en la optmizacin detemiinista mediante distintas tcnicas, del caso representativo. El objetivo final del estudio realizado fue realizar un anlisis comparativo entre las distintas tcnicas. 141 142 10. OPTIMIZACION ESTOCASTICA MEDIANTE ALGORITMOS GENTICOS La naturaleza estocstica de ciertos parmetros origina que la modelizacin de la planta aporte incertidumbre en ciertas variables y parmetros. Formalmente, los parmetros o variables sujetos a incertidumbre pueden analizarse en su valor medio, en trminos de distribucin de probabilidad de cada tem, o usando un conjunto representativo de escenarios. El modelado de la estocasticidad se realizar mediante un rbol de escenarios que modela la incertidumbre, permitiendo as la incorporacin de la aleatoriedad dentro del proceso de decisin. La optimizacin consiste en encontrar la mejor manera de utilizar los recursos a partir de unos escenarios dados por parmetros estocsticos. El modelo de optimizacin propuesto se basa en calcular el valor esperado de la funcin objetivo ponderando su valor por la probabilidad de ocurrencia para cada uno de los escenarios y luego sumando los resultados. En la Fig. 10.1 se muestra un esquema del planteamiento general. Introduccin de incertidumbre Anlisis de Escenarios Discretizacin incertidumbre Escenario Asignacin de la probabilidad para cada escenario Solucin para cada escenario X io Solucin del problema Optimizacin estocstica Algoritmos Genticos Fig. 10.1 Optimizacin empleando anlisis de escenarios 143 10.1 Introduccin de incertidumbre en el proceso de sntesis de MTBE Un estudio de la planta de MTBE aporta incertidumbre en la demanda de los productos, as como en la disponibilidad, coste u otros aspectos. En muchas ocasiones la incertidumbre viene asociada a aspectos tecnolgicos del proceso. Se han considerado las siguientes fuentes de incertidumbre: Demanda extema de producto generado Precio de venta de producto generado Coste de materias primas Composicin de materia prima Coste energtico de produccin 10.1.1 Evaluacin de escenarios y sus probabilidades asociadas El estudio estadstico y de mercado de los parmetros que aportan incertidximbre, conduce a la definicin de los escenarios. El anlisis conduce al modelo que se va a aplicar. Discretizacin de la incertidumbre. Un camino para incorporar la incertidimibre es discretizar los parmetros sometidos a incertidumbre a un nmero de valores finito, lo cual permite solucionar a continuacin el problema. [85] Finalmente la variable aleatoria se representa mediante una distribucin discreta de probabilidad. 144 Se puede asumir una distribucin normal de la incertidumbre de ciertos parmetros [86]. Kamath y Pakkala [44] demuestran como las distribuciones normales se ajustan bastante bien a la modelizacin de variables estocsticas de tipo econmico. Cuando se procura caracterizar a una variable aleatoria a partir de los datos disponibles se parte del supuesto que los datos observados son una muestra aleatoria de una distribucin de probabilidad que trataremos de identificar. Segn se indica en la bibliografa, se han tenido en cuenta distintos factores. La principal variabilidad la origina la incertidxmbre asociada al propio proceso de MTBE, debido a las caractersticas ya indicadas de este producto. Precio de MTBE Las perspectivas de precio de MTBE estn relacionadas directamente con SU demanda. [45, 57,97]. En general el precio del MTBE depende del valor de la gasolina sin plomo. Demanda MTBE Las perspectivas de demanda introducen el principal factor de incertidumbre del esmdio. [45] Demanda y precio de MTBE son parmetros relacionados [57, 97]. Desde el punto de vista de discretizacin de la incertidumbre formarn parte del mismo escenario. El establecimiento de un valor de demanda implica un valor de precio, con su probabilidad de ocurrencia conjunta. Precio MeOH El precio de metanol sufre oscilaciones en el mercado. Sus tendencias se analizan con profundidad en la bibliografa. [57, 69] Composicin Alimentacin Isobutileno [97, 66] La corriente de alimentacin de isobutileno puede tener distintas procedencias: 145 Unidades de craqueo cataltico: debido a los continuos requerimientos de refino cada vez ms intenso de las jfraccines pesadas d refinera, cada vez existe ms isobutileno disponible de esta fiente. La xtnidad de MTBE est integrada con esta fieite de isobutileno. En Europa existen 14 unidades de refinera que emplean este procedimiento. Craqueo trmico con vapor: en las operaciones de craqueo trmico con vapor se produce isobutileno a bajo costo, pero su disponibilidad es limitada. Slo vm pequeo porcentaje de la alimentacin a la unidad de craqueo se convierte en fraccin C4, siendo los productos principales etileno y propileno. Deshidrogenacin de butano: la va de deshidrogenacin presenta un alto coste. El n-butano debe ser isomerizado a isobutano el cual se deshidrogena a isobutileno. La mayora de las unidades de deshidrogenacin se encuentran en regiones donde ya existen las infiraestructuras adecuadas o donde las materias primas estn disponibles a bajo coste, p. e., Arabia Saud, Canad, Malasia. TBA (alcohol ter-butlico): TBA se produce como un co-producto del xido de propileno. TBA se deshidrata en isobutileno para producir MTBE. Este mtodo tiene un buen rendimiento econmico. Precio Isobutileno [57] La demanda de isobutileno para el proceso se satisface casi en su totalidad a partir de la produccin integrada en la misma planta. Slo un cierto porcentaje debe comprarse externamente. El precio compra del isobutileno se puede considerar constante. No se considera vm factor de incertidumbre en el sistema. A partir de toda la informacin obtenida, se realiza un anlisis estadstico de las funciones de distribucin que conduce a la modelizacin final de la incertidiraibre. Los valores para los factores implcados se recogen en Tabla 10.1. 146 Tabla 10.1 Modelizacin de la incertdumbre. Materias primas l'ai.inu-tiu I \ alI de I \ .iriacinii ("fi) leteienciii ' scMun escenaiio Demanda MTBE Precio venta MTBE Precio compra Metanol Composicin corriente isobutileno^ 125.000 Tm/ao 495 e/Tm 143 e/Tm Caso 1 Caso 2 Caso 3 Caso 4 Caso 5 -2 0 +2 +6 +10 -2 0 +2 +6 +10 -9 -4 0 +2 +34 0,1 1 0,1 1 0,3 1 0,4 0,1 0,1 0,1 0,3 0,4 0,1 0,05 0,15 0,15 0,25 0,4 0,2 0,2 0,2 0,2 0,2 Referencia Tabla 10.2 La composicin de la corriente de isobutileno se modeliza segn cinco casos distintos, segn se muestra en la Tabla 10.2. 147 Tabla 10.2 Composicin isobutileno ( unipoiiciitc Isobutileno i-butano 1-buteno 1 n-butano 1 1,3-butadieno Trans-2, buteno I cis-2,buteno ( .ISU 1 0,303 0,361 0,136 7,40E-02 l,00E-02 8,60E-02 3,00E-02 ( aso 2 0,15 0,34 0,13 0,1 0 0,28 ( aso 0,2 0,215 0,13 0,135 0 0,16 0,16 ( aso 4 0,17 0,22 0,0927 0,202 0,0033 0,189 0,123 ( a s o S 0,230 0,199 0,206 0,127 0,010 0,137 0,091 Precio Energa: El coste energtico depende fuertemente de la localizacin de la planta. Este coste sufre adems amplias fluctuaciones en el tiempo. Para la determinacin de los distintos escenarios se han consultado distintas fuentes bibliogrficas, y se ha realizado una aproximacin basada en las distintas tendencias. [65,45, 57, 97, 21] Tabla 10.3 Modelizacin de la incertidumbre. Energa Par'iiiu'tro Precio vapor (/ton) Precio agua refrigeracin (*10'^/ton) Precio electricidad (/kw.h) \ alor 4 7 10 15 20 20 . 30 40 60 80 0,03 0,0425 0,055 0,0675 0,08 I'i-ol)uhili(lHd " ; 0,05 1 0,5 0,2 0,15 0,1 0,1 0,2 0,4 0,2 0,1 0,1 0,2 0,4 0,2 0,1 148 Precio de vapor [40] Agua de enfriamiento Precio electricidad [81] El anlisis estadstico de las finciones de distribucin conduce a la Tabla 10.3, en la que se recogen los nuevos escenarios propuestos. La generacin del rbol de escenarios, se realiza siguiendo el modelo de la Fig. 10.2. La incertidumbre de cada parmetro se define como (By, y la probabilidad de cada escenario como co<r. /<S>A- y O'- P <^i Pr- JO / : ) ; ; ^ 1 , o y o Demanda Precio Composicin Precio Precio Agua Precio MTBE Metanol Isobutileno Vapor refrigeracin Electricidad Fig. 10.2 Generacia rbol de escenarios 149 10.1.2 Resolucin del modelo: conclusiones Se pretende disear una planta de MTBE que sea robusta frente a las incertidumbres asociadas a distintos factores. El problema estocstico se modela como Z = Max 'E[z{x,y, |(g-))] yeY siendo ,{g) el vector que representa el conjunto de escenarios (g = 1, g = 2, ...,g = G) con sus probabilidades asociadas k, k = 1,2,...G. El esquema general de optimizacin se vuelve a mostrar en la Fig. 10.3. ALGORITMOS GENnCOS Wi Escenariospl " ~ ~ z, - j Escenario F 2 ' Zj - fc% ^ t<fe " Escenario G Z = ZQ + aji,*z,+U5*Z2 + . . . + ftj*Ze Probabilidad de cacia escenario G Func. Otjetivo Fig. 10.3 Modelo de optimizacin con escenarios 150 El nmero total de escenarios derivado del anlisis de la incertidumbre^^ se calcula como 5 =15.625. Conviene ahora recordar el modelo final propuesto para la paralelizacin del problema inicial, estudiado en el captulo anterior. La Fig. 10.4 recuerda este modelo. La ejecucin del modelo para realizar la optimizacin estocstica requiere el empleo de un excesivo tiempo de ejecucin. La aplicacin del mtodo propuesto implica la resolucin de un elevado nmero de casos. La propia estructura de la metodologa basada en los algoritmos genticos provoca un incremento de los casos que hay que resolver.^"' AL . , B, C, D\ PTIMO / Fig. 10.4 Modelo descomposicin MTBE La descomposicin del problema inicial en distintos subniveles de 62 Es importante recordar que las variables demanda de MBE y precio de MTBE se hallan relacionadas, y presentan una probabilidad conjunta. ^ En cada generacin el modelo se evala un mnimo de 11 veces, segn los parmetros estudiados en el Captulo 6 151 optimizacin permite la reduccin del tiempo de comiputacin, pero la introduccin de incertidumbre provoca que sea necesario plantear evoluciones en el modelo. El objetivo final es la resolucin efectiva del caso propuesto y el establecimiento de una metodologa general. La conclusin en este punto es que hay que introducir tcnicas adicionales que permitan aplicar todo lo propuesto hasta el momento, obteniendo resultados con tiempos de computacin aceptables. Se plantea entonces una tcnica de muestreo de escenarios, que permitir resolver el sistema reduciendo el nmero de casos que hay que resolver. 10.2 Muestreo de escenarios La idea intuitiva del muestreo es aumentar la frecuencia de aparicin en el muestreo de los sucesos que tienen ms peso en la evaluacin de la funcin. La enumeracin de escenarios es posible siempre que el conjunto de posibles estados de g, G, no sea excesivamente grande. La dificultad principal en la optimizacin basada en escenarios es la determinacin del nmero de escenarios que se deben incluir con el objetivo de encontrar una solucin robusta a lo largo de todos los posibles eventos de la poblacin que los escenarios estn tratando de estimar. Si el nmero de escenarios es elevado es necesario recurrir a tcnicas para obtener muestras de los mismos, de forma que stas sean suficientemente significativas. 10.2.1 Muestreo por el mtodo de Montecarlo El muestreo se realiza mediante una seleccin aleatoria. Se emplear una funcin de generacin de nmeros pseudo-aleatorios. La tcnica de muestreo por el mtodo de Montecarlo est ampliamente estudiada y se recoge en la bibliografa [91,89]. El esquema general se muestra en la Fig. 10.5. 152 Las tcnicas matemticas empleadas , permiten la aplicacin efectiva de este mtodo. La generacin de la funcin de probabilidad acumulada y seleccin aleatoria se realizarn mediante la implementacin de un algoritmo, empleando las funciones propias del programa utilizado [98]. ^ M ItccIonadM J Fg. 10.5 Muestreo de escenarios por el mtodo de Montecarlo 10.2.2 Mtodo de la aproximacin media de muestra El mtodo de la aproximacin media de muestra establece que, cuando se realiza un muestreo de escenarios, la esperanza de la funcin objetivo se obtiene calculando el valor medio de la misma sobre el nmero total de escenarios escogidos. La tcnica de muestreo empleada, genera que sea mayor firecuencia de aparicin en el muestreo de los sucesos que tienen ms peso (ms probabilidad) en la evaluacin de la funcin. La bibliografa recoge varios ejemplos de aplicacin de este mtodo en sistemas con programacin estocstica [58, 91, 106, 89]. En todos estos casos se refleja la ideonidad de un sistema de muestreo por el mtodo de Montecarlo, ligado al mtodo de aproximacin media de muestra^^. En nuestro caso Matlab. En [91] Shapiro realiza un estudio estadstico completo, demostrando la bondad de la 153 Para una muestra de tamao N, se obtendra xm nmero equivalente de escenarios con su probabilidad asociada, ^\ ^,...,^. El problema se formulara como Z^=z,+{Nyx\Yz(x,y,4') Z^->MaxE[z(x,3^,^)] A medida que el tamao de muestra N aumenta, el valor de Z^ se hace ms preciso. Por otro lado a medida que iV^ aumenta, se incrementa el nmero de veces que hay que evaluar la funcin objetivo. Esto provoca incrementos significativos en el tiempo de computacin. Mediante un correcto diseo del rbol de escenarios el mayor peso en el muestreo corresponder a los escenarios ms probables, ya que la probabilidad de ser escogidos es superior. Fig. 10.6 rbol de probabilidad de escenarios Arat d0seen0im Esmnmk muypf^b&Me tcnica: teorema central del lmite, teora de los grandes nmeros, test estadstico KKT. 154 10.2.3 Planteamiento general En fincin de todas las consideraciones anteriores se realiza el planteamiento general del problema. Se recogen tanto la tcnica de muestreo, como el modo de seleccin de escenarios. Nuevamente, el entorno matemtico empleado pemiite una precisa modelizacin del sistema final. El diagrama de la Fig. 10.7 muestra un esquema del planteamiento final. La optimizacin estocstica se realiza en cinco etapas: 1. El bloque de inicializacin fija los valores iniciales de ios parmetros del sistema no sujetos a incertidximbre. Bloque de Inicializacin f Se 1 tara Bl oque de muestreo
1 ecein V , _ _ _ ao de 1 Bl oque de Optimizacin Bloque de cor trol Anlisis de proceso Fig. 10.7 Diagrama de flujo de Optimizacin con muestreo 2. El bloque de muestreo determina el tamao y tipo de muestra y proporciona los valores y las probabilidades de los parmetros sujetos a incertidumbre, esto es, de los escenarios, transfirindolos al bloque de anlisis de proceso. 3. El bloque de optimizacin determina los valores de las variables de decisin, tanto de diseo como ftmcionales. Este bloque es el representado en la Fig. 10.4. 4. Anlisis de proceso: se modifican ciertas hiptesis y valores de parmetros. Se obtiene la respuesta. 5. Finalmente el bloque de control evala la respuesta, genera la 155 informacin relativa al algoritmo de simulacin y determina la evolucin del sistema. 10.3 Resultados de la optmizacin estocstica con muestreo Segn el planteamiento propuesto, para el modelo desarrollado el nmero total de escenarios es G = 15.625. Para analizar el efecto del nmero de escenarios en la solucin estocstica, se realiza la optmizacin tomando distintos tamao de muestra. Como protocolo para la seleccin del nmero de escenarios en cada muestra se propone la siguiente ecuacin ^' = 5*2' ' ; c onr = [0 S] En la Fig. 10.8 se muestra la representacin grfica de los valores ptimos obtenidos de la funcin objetivo. Fig. 10.8 Resultados del ptmo en funcin del nmero de escenarios 3,64B-07 3,63Ef07 3,62&-07 o 3,61 &-07 E | - 3,60EK)7 3,59B-07 3,58&-07 3,57B-07 Z- ptimo vs Tamao muestra 200 400 600 800 1000 Nmero de escenarios 1200 1400 156 Un anlisis de los resultados refleja un comportamiento satisfactorio del modelo empleado. La grfica refleja como con muestras de pequeo tamao, unos 1200 escenarios, se consigue alcanzar el ptimo con errores mnimos, dentro de imas tolerancias aceptables. La factibilidad de las soluciones ya se haba asegurado antes mediante la inclusin de tcnicas de programacin matemtica, anlisis de sensibilidad, y optimizaciones parciales. Ahora se logra alcanzar un sistema robusto frente a la incertidumbre. La grfica de la Fig. 10.9 muestra el porcentaje de desviacin PD{N) de la solucin ptima obtenida para los tamaos de muestra evaluados Z//respecto a la solucin ptima considerando todos los escenarios ZG = Z. Fig. 10.9 Desviacin de la solucin ptima 2,0 . 1 1.6. s 0 '3 .2 V\ 1,2. 1 1 o 1 ' J 0.8 . \ c \ * \ 1 - 0,4 . 0.0 .. - 0 Porcentaje de desviacin de la solucin ptima 200 400 600 800 1000 1200 Nmero de escenar i os 1400 66 El valor de ZQ se calcula mediante extrapolacin de los valores representados en la grfica de la Fig. 10.8. 157 La grfica muestra como a mayor tamao de muestra, menor es la desviacin 67 respecto al ptimo . Los resultados numricos se recogen con detalle en la Tabla 10.4, en esta tabla se muestra: 1. Valor ptimo de la funcin objetivo obtenido para cada tamao de muestra (nmero de escenarios). 2. Valores de cada una de las 10 variables principales de optimizacin, correspondientes a cada caso de estudio. La rpida aproximacin al ptimo en los distintos bloques proporciona una robustez adicional al modelo, permitiendo en paralelo una identificacin de los posibles puntos crticos del sistema. Tabla 10.4 Valores ptimo \ ariahli' Tamao muestra rPR N'PR Plato Alim Reflujo TraColCQ P Col (kPa) TraRxl CQ P Rxl (kPa) RecRxl MeOH/Isb ptimo (10* /ao) 5 4 14 23 0,70 66 862 37 1622 0,40 0,1950 35,73 s de variables segn tamao de muestra 10 6 16 22 0,87 61 1041 . 40 1927 0,49 0,1950 35,98 \ aloi 20 7 18 22 1,03 75 987 37 1891 0,41 0,1949 36,07 40 6 16 22 0,74 76 981 40 1767 0,40 0,1950 36,21 80 7 17 28 0,73 72 858 38 1885 0,41 0,1950 36,19 67 Un aproximacin interesante es la dada por Painton y Diwekar [15] 158 Tabla 10.4 (Cont.) \ . lll. li lll Tamao muestra ; "PR N'PR Plato Alim Reflujo Tra Col ("C) PCol(kPa) TraRxlCQ PRxl(kPa) RecRxl MeOH/Isb 1 ptimo (10^ /ao) 160 6 12 23 0,70 71 891 38 1742 0,40 0,1950 36,13 \ . 320 8 16 27 0,74 76 981 38 1886 0,4154 0,1950 36,21 iloi 640 4 17 23 0,74 76 874 38 1886 0,4154 0,1950 36,27 1280 2 16 25 0,70 71 892 41 1891 0,4469 0,1950 36,34 Glosario de trminos empleados en Tabla 10.4: rpR N'PR Plato Alim Reflujo Tra Col PCol TraRxI PRxl RecRxl MeOH/Isb Posicin primer plato reactivo de colunma de destilacin reactiva Nmero de platos reactivos Posicin del plato de alimentacin en columna destilacin reactiva Reflujo en cabeza de columna destilacin reactiva Temperatura de la alimentacin a la columna destilacin reactiva Presin en cabeza de la columna de destilacin reactiva Temperatura de entrada al reactor Presin de entrada al reactor Relacin de recirculacin de la salida del reactor Relacin de alimentacin al sistema MetanoVIsobutileno 159 10.4 Conclusiones Tamao de muestra L inclusin de una tcnica de muestreo en una tcnica mtherstica ha permitido resolver un problema de optimizacin estocstic que hoy en da sera inabordable por otros mtodos. A partir de los resultados de la Tabla 10.4 y de las Fig. 10.8 y Fig. 10.9, se puede estimar un valor de tamao de muestra mnimo de 320 escenarios para obtener una solucin fiable. Este tamao de muestra respecto al nmero total de escenarios propuestos supone un 2%. A la vista de los resultados, se piensa que es posible utilizar esta metodologa y modelizacin propuesta para plantas de mayor complejidad que la estudiada. En todos los casos, la desviacin del ptimo para los tamaos de muestra considerados, se compensa con la reduccin en el tiempo de procesamiento. Reduccin del tiempo de procesamiento El excesivo tiempo de computacin se ha manifestado como uno de los principales inconvenientes a la hora de aplicar las tcnicas metaheursticas a problemas con incertidumbre. Debido a las caractersticas de los GA, el tiempo de computacin es proporcional al tamao de muestra. Reducciones en el espacio muestral incidirn en igxxal proporcin en la reduccin en el tiempo de computacin. Adems de todo lo mencionado, los tiempos empleados en el proceso de optimizacin sufren una fierte dependencia de la capacidad de la red de Pcs empleados, por lo que no se consideran relevantes los valores absolutos de tiempos de procesamiento. S se puede estimar que el compromiso ptimo entre tiempo de computacin y tamao de muestra se obtena para muestras de tamao de 320. El diseo de un proceso es algo que, como se ha dicho, supone un gran esfuerzo. Por ello, unos tiempos de clculo que para otro tipo de aplicaciones 160 seran excesivos, aqu son razonables. Metodologa aplicada al caso del MTBE El anlisis de toda la informacin obtenida durante el trabajo permite crear el procedimiento general para su aplicacin a la optimizacin del sistema, siendo, a su vez, aplicable a otros sistemas. Las etapas propuestas se recogen en la Fig. 10.10. Estas etapas se describen a continuacin: 1. Planteamiento general del problema. Establecimiento de objetivos y de los procedimientos generales de operacin. Estudio de necesidades. Es necesario establecer las directrices bsicas que van a guiar la evolucin del estudio. 2. Bsqueda y seleccin de las herramientas adecuadas para poder desarrollar e implementar los modelos propuestos. La implementacin necesita la integracin efectiva de herramientas tecnolgicas al proceso. 3. Una vez seleccionadas las herramientas se realiza mxdipuesta apunto de la tcnica, mediante ensayos en casos simplificados con unas caractersticas tales que permitan la obtencin de informacin til trasladable a nuestro caso objetivo. El estudio consigue anticipar y resolver los problemas que surgen durante la aplicacin del modelo. El anlisis de la informacin obtenida permite el establecimiento de los valores de los parmetros mdamentales en GA. 4. Seleccin del caso representativo, base para el estudio de optimizacin. Modelizacin de la planta, y resolucin empleando las tcnicas de simulacin propuestas. Diseo de la superestructura del sistema que se va a estudiar. En esta etapa se plantea el desarrollo de algoritmos que complementan la modelizacin tpica. La implementacin de estas rutinas mejora las 161 opciones de convergencia del modelo. 5. Anlisis de las variables de proceso. Seleccin de las principales y determinacin de los lmites e intervalos. Para Tina optimizacin efectiva es necesario el establecimiento riguroso de los lmites de variacin de las variables principales. Un estudio de sensibilidad completa la informacin. 6. Realizacin de ensayos simplificados en unidades de planta, cuando el sistema lo permite. Estudio de la modelizacin propuesta. Se estudian individualmente las unidades principales del proceso. Se aplica la tcnica de optimizacin determinista. 7. Realizacin de ensayos de simulacin y optimizacin en la planta completa. Puesta a punto de la tcnica de simulacin y optimizacin. El objetivo es terminar de depurar el modelo propuesto, y establecer el procedimiento. 8. Seleccin final de variables principales de estudio. Determinacin definitiva de intervalos. 9. Optimizacin determinista del caso representativo. Aplicacin de la tcnica propuesta. Obtencin de resultados y estudio del tiempo de computacin necesario. En este punto se realiza la comparacin entre la optimizacin mediante la tcnica metaheurstica propuesta y otras tcnicas de programacin matemtica. Este anlisis permite determinar la bondad de la tcnica seleccionada, a la vez que proporciona informacin til sobre distintos parmetros de optimizacin. 10. Anlisis de los resultados. Descomposicin del problema. Optimizacin mediante una red de ordenadores. Se aplican las tcnicas de descomposicin con el objetivo principal de lograr una disminucin en el tiempo de computacin. Se utiliza la paralelizacin, mediante el empleo de una red de PCs. 162 Planteamiento del problema. Seleccin del marco tecnolgico. Herramientas Ensayos en casos simplificados. Puesta a punto de tcnicas Ajuste de parmetros de optimizacin Caso representativo, ModeI2acin DesanoUo de algoritmos de simulacin Seleccin inicial de variables e intervalos Ensayos en unidades de planta Ensayos en planta completa Seleccin final variables e intervalos Optimizacin determinista Descomposicin del problema Optimizacin estocstica * Maestreo de escenarios Resultados y conclusiones Fig. 10.10 Metodologa de optmzacin 11. Estudio de la incertidumbre asociada al proceso. Aplicacin del mtodo de tratamiento de la incertidumbre. Determinacin de escenarios. Optimizacin estocstica. 163 Aplicacin del muestreo de escenarios a la optimizacin estocstica. 12. Anlisis de resultados y conclusiones. 164 BIBLIOGRAFA 1. Ahmed, S. y col.; 1999; An improved decomposition algorithm for optimization iinder iincertainty; Computer & Chemical Engineering 2. Almeida-Rivera, C.P. y Grievink, J.; 2002; Entropy production minimization in the synthesis of MTBE by reactive distllation; Process System Engineering Group 3. Andradttir, S.; 1995; A Method for Discrete Stochastic Optimization; Management Science 4. Andradttir, S.; 1998; A revew of simulation optimization techniques; Proceedings of the 1998 Winter Simulation Conference 5. Barbosa, D. y Doherty, M.F.; 1998; Design and minimum-reflux calculations for single-feed multicomponent reactive distUaton columns; Chemical Engineering Science 6. Canos, M; J. y col.; 2000; Aplicaciones econmicas de la optmizacin robusta; V Jomadas Asepuma 7. Cao, H. y col.; 1999; The kinetic evolutionary modeling of complex systems of Chemical reactions; Computers & Chemistry 8. Chan Hilton, A.B. y Culver, T.B.; 2003; Groundvi'ater remediation design under uncertainty using a robust genetc algorithm; Journal of Water Resources Planning and Management 9. Chen, F. y col.; 2002; Mltiple steady states in reactive distllation: kinetic effects; Computers and Chemical Engineering 10. Chick, S. y col.; 2003; A simulaton-optimization approach using genetc search for supplier selection; Proceedings ofthe 2003 Winter Simulation Conference 11. Chris, A.; 2002; Department of Microbiology & Biochemistry; University ofthe Orange State 12. Coombs, S. y Davis, L.; 1987; Genetc Algorithms and Communication Link Speed Design: Constrains and Operators; Proceedings ofthe second International Conference on Genetic Algorithms 13. Coto B. y col.; 2000; Prediction of phase equilibria for binary and temary mixtures involving tert-butyl methyl ether and tert-amyl methyl ether; Ind. Eng. Chem Res. 14. Dandy, G.C. y col.; 1996; An improved genetic algorithm for pipe network optimization; Water Resources Research 165 15. Dantas, M.M. y High, K.A.; 1999; Evaluatidn of waste minimization altematves under xincertamty: a multiobjective optmization approach; Computers & Chemical Engineering 16. Dantzig, G.B. y Glynn, P.W.; 1990; Parallel Processors for Planning Under Uncertainty;; Annals of Operations Research 17. DeGanno J.L.; 1992; Consider Reactive Distillation; Chemical Engineering Progress 18. Edgar, T.F. y col.; 2001; Optmization of Chemical Processes.; McGraw-Hill 19. Emtr, M. y col.; 2001; Rigorous simulation of energy integrated and thennally coupled distillation schems for temary mixture; Applied Thermal Engng. 20. Emtr, M., Rev. Y E., Fony, Z.; 2001; Applied Therm. Eng. 21. energuia; 2004; La guia de la energa, www.energuia.com 22. Entriken, R.; 1989; The Parallel Descompositon of Linear Programs;. Systems Optmization Laboratory. Department of Operations Research. Stanford University 23. Escudero, L.F. y col.; 1993; Production Planning problems via scenario modelling; TOP3 24. Estvez, P.; 1997; Optimizacin mediante algoritmos genticos; Anales del Instituto de Ingenieros de Chile 25. Fidkowski Z. y Krolikowski L.; 1986; Thermally Coupled System of Distillation Columns; Optmization Procedure; AIChE Journal 26. Frey., Th. y Stichhnair, J.; 1999; Reactive azeotropes in kinetcally controUed reactive distillation; Trans cheme 27. Garca-Alcalde, A. y col.; 2002; Anlisis del riesgo frente a la incertidumbre en las aportaciones hidrulicas en un Mercado Elctrico mediante el Problema Complementario; Instituto de Investigacin Tecnolgica, UPC 28. Garg, S. y Gupta, S.K.; 1999; Multiobjective optmization of a free radical bulk polymerization reactor using genetic algorithm; Macromol. Theory Simul. 29. Gorak, A. y col.; 1990; The simulation and optmization of multicomponent distillation; International Chemical Engineering 30. Grefenstette, J.J.; 1986; Optmization of Control Parameters for Genetic Algorithms; lEE transactions on systems, man, and cybemetics 31. Halemane, K.P. y Grossman, LE.; 1983; Optimal Process Design Under Uncertainty; AIChE Journal 166 32. Hart, W.E.; 2000; Evolutionary Pattem Search Algorithms for Unconstrained and Lineary Constrained Optimization; Sandia National Laboratories 33. Holland, J.; 1992; Algoritmos Genticos;/nve/igadnj'Q'g/CM 34. Hong-Lin, L; 1999; A hybrid AI optimization method applied to industrial processes; Chemometrics and intelligent laboratory systems 35. Houck, C. R. y col.; 1995; A Genetic Algorithm fo Function Optnization: A Matlab Implementation; NCSU-IE Technical Report 95-09 36. Hyoung, S. y col; 1999; A stochastic approach to global optimization of chemical process; Computers & Chemical Engineering 37. Hysys. Hyprotech 38. lerapetritou, M.G. y Pistikopoulos, E.N.; 1994; Novel optimization approach of stochastic plaiming models; Industrial Engineering Chemistry Research 39. Iglesias, M.T.; 1998; Algoritmos genticos generalizados: variaciones sobre un tema; Servicio de publicaciones de la Universidad de A Corua 40. Industrial Technologies Program; 2003; How to Calclate The Tme Cost of Steam; U.S. Department of Energy 41. Ingham, J. y col.; 2000; Chemical Engineering Dynamics: An Introduction to Modelling and Computer Simulation; John Wiley & Sons Inc. 42. Jauser, J.; 2003; Nonlinear Function Approxmation: A Genetic Algorithm Approach; Embedded Systems Programming 43. Jimnez, A.; 1999; A Simplified Heuristic-Evolutonary Method for the Synthesis of Separation Processes; Latn American Applied Research 44. Kamath, K.R. y Pakkala, T.P.M.; 2002; A bayasian Approach to a dynamic inventory raodel under an unknown demand distribution; Computers & Operations Research 45. Kirschner, M.; 2003; Chemical Market Reprter; MTBE (chemicalprofile) 46. Koza, J. R.; 2003. Genetic Algorithms and Genetic Programming at Stanford 2003.; Stanford, CA 47. Koza, J. R.; 2003; What's AI done for me lately? Genetic progrataming's human- competitive results; IEEE Intelligent Systems 48. Koza, J. y col.; 2003; Genetic Programming IV: Routne Human-Competitive Machine Intelligence; Kluwer Academic Publishers 167 49. Krasnikova, O.K.; 1989; Stochastic Model of Calculatmg ie heat exchanger of cryogenic equipment:; Plenum Publishing Corporation 50. Kvaemer,R.K.; 2002; Key Technologies forReplacmgMTBE;^/a!J5 51. Laguna, M.; 1996; Applying Robust Optimization to Gapacity Expansin of One Location in Telecomunicatons with Demand Uncertainty; Gradate School of Business, University of Colorado 52. Lakshmanan, A. y col ; 2001; A Case Study for Reactor Network Synthesis: The Vinyl Chloride Process; Chemical Engineering Department, Camegie Mellon University, Pittsburgh 53. Lario, F.C. y col.; 1999; La optimizacin de la cadena de suministro bajo incertidumbre: el proyecto Schumann; IlIJomadas de Ingeniera de Organizacin 54. Larraaga, P. y col ; 2003; Estimation of Distribution Algorithms Applied To Combinatorial Optimization Problems; Inteligencia Artificial 55. Leal, R. Y col.; 2003; Optimizacin Estructural Recurriendo a Algoritmos Genticos; Universidad de Aveiro, Dep. Engenharia Mecnica 56. Levine, J. y Humphreys, D.; 2003; Leaming Action Strategies for Planning Donains using Genetic Programming; Centre for Intelligent Systems and their Applications School oflnformatics, University ofEdinburgh 57. Lidderdale, T.; 2001; Energy Information Administration; MTBE Production Economics, www, eia.doe.gov 58. Linderoth, Jeff y col.; 2002; The Empirical Behaviour of Sampling Methods for Stochastic Programming; Computer Sciences Department, University of Wisconsin- Madison 59. Llano, M. A. y col; 2003; Modelacin matemtica de columnas de destilacin reactiva; Ingeniera Qumica 60. Madera, A.G.; 1994; Simulation of stochastic heat conduction processes; Int. J. Heat Mass Transfer 61. Mahajani, S.M.; 1999; Kinetic Azeotropy and Design of Reactive Distillation Coiumns;; Ind. Eng. Chem. Res. 62. Mai, J. y col.; 1995; A stochastic model and a Monte Cario simulation for ie descripton of CO oxidation on Pt/Sn alloys; J. Chem. Phys. 63. Martnez-Alfaro, H., y Valenzuela-Rendn, M.; 2004; Using simulated annealing for paper cutting optimization. Mexican International Conference on Artificial Intelligence (MICAI-2004) 168 64. Martnez de Pisn^ F.J.; 2003; Optimizacin mediante tcnicas de minera de datos del ciclo de recocido de una lnea de galvanizado; Tesis Doctoral. Universidad de la Rioja 65. Max S. Peters y col.; 2003; Plant Design and Economics for Chemical Engineers; McGraw-Hill 66. McLean, J.B., y col.; 2003; Maximizing Catalj^c Isobutylene Selectivity; Refining online.com 61. Mediburu, A. y col.; 2002; Paralelizacin de algoritmos de estimacin de distribuciones;.; XlIJomadas de Paralelismo 68. Meister. J.M. y col.; 2000; Optimize alkylate production for clean fiels; Hydrocarbon Processing 69. Methanol Institute; 2004; www.methanol.org 70. Mollaghasemi, M.; 1992; A methodology for stochastc optimization of mltiple response simulation models; Eng. Opt. 71. Mxmetomo, M.; 2003; A Parallel Genetic Algorithm Based on Linkage Identification; Proceediugs of the 2003 Genetic and Evolutionary Computation Conference (GECCO-2003) 72. Murao, N. y col.; 2004; Perfomiance Comparison between Parallel GA Based on Liokage Identification and Parallel Bayesian Optimization Algorithm; Proceedings of the International Conference on Cybemecs and Information Technologies, Systems and Applications (CITSA2004) 73. Nye, J.; 2004; Genetic Algorithms: Explanation and Implementation Tradeoffs; www.Devmaster. com 74. Ochoa C.I. y Llano M.A.; 2002; Modelacin matemtica de un proceso de produccin de MTBE; Ingeniera Qumica 75. Pekkanen, M.; 1995; A local optimization method for the design of reactive distllation; Computers chem. Engng. 76. Pelcan, Martin y col.; 2002; Fine-grained Parallel Genetic Algorithms in Chann++; ACM Crossroads 77. Pinero, P. Y. y col; 2003; Algoritmos genticos en la construccin de funciones de pertenencia Borrosas; Inteligencia Artificial, Revista Iberoamericana de Inteligencia Artificial. 78. Pusztaszeri, J.F.; 1998; Portfolio Optimization under Uncertainty; Computational Tools and Methods in Finance 169 79. Quesada,!. y Grossniaim,LE.; 1993; GlobalOptiinizationAlgonthinforHeat Exchaogexietwovys; Ind. Eng. Chem. Research 80. Ramos, A. y Censla S.; 2002; Optimizacin estocstica; Dpto. Organizacin Industrial, Universidad de Comillas 81. B.e elctca de Espaa; 2004; Boletn estadstico de energa elctrica 82. Rehfinger, A. y Hoffinann, U.; 1990; Kinetics of meiyl tertiary butyl ether liquid phase synthesis catalyzed by ion exchange resin-I. Intrinsic rate expression in liquid phase activities; Chemical Engineering Science 83. Ribeiro, J.L. y col.; 1994; Genetic-Algorithm Programming Enviroranents; IEEE 84. Robn, F., y col.; 2003; Simulation and evolutionary optimizatioii of electron-beam lithography with genetic and simplex-downhill algorifhms; IEEE Transactions on Evolutionary Computation 85. Rooney, W.C. y Biegler, L.T.; 1999; Incoiporating Joint Confidence Regions into Design Under Uncertainty; Computers & Chemical Engineering 86. Santoso, T. y col.; 2003; A stochastic programming approacli for supply chain network design xmder uncertainty; School of Industrial & Systems Egineering, Georgia Institute of Technology 87. Seferlis, P. y Hiymak, N.; 1994; Adaptative collocation on fnite elements models for the optimization of multistage distillation units; Chemical Engineering Science 88. Seider, W.D. y col.; 1999; Process Design Principies: Synthesis, Analysis, and Evaluation; John Wiley & Sons Inc. 89. Shapiro A. y Homem-de-Mello, T.; 2002; On rate of convergence of Montecarlo approximations of Stochastic programs; School of Industrial and Systems Engineering, Georgia Institute of Technology 90. Shapiro, A. y col.; 2001; The Sample Average Approximation Metiod Applied to Stochastic Routing Problems: A computational Study;; Institute of Technology School of Industrial and Systems Engineering Atlanta 91. Shapiro, A.; 2002; Montecarlo Sampling Approach to Stochastic Programming; School of Industrial and Systems Engineering, Georgia Institute of Technology 92. Smith, Bufford; 2000; Design of Equibrium Stage Processes; McGraw-Hill 93. Stancu-Minasian, I. M.; 1990; Overview of different approaches for solving stochastic programming problems with mltiple objective finctions; Stochastic versus fuzTy approaches to multiobjetive mathematical programming under uncertainty. Kluver Academic: Dordrecht 170 94. Streeter, Matthew J. y col.; 2003. Automatic Synthesis using genetic programming of both the topology and sizing for fve post-2000 patented analog and mixed analog- digital circuits; Proceedings ofthe 2003 Southwest Symposium on Mixed-Signal Design 95. Szpvolgyi, J. y col.; 1999; New stochastic modelling of mixing in process operations; Chemical Engineering and Processing 96. Taylor R. y Krishna, R.; 2000; Modelling reactive distillation; Chemical Engineering Science 97. The European Fuel Oxygenates Association; MTBE supply and demand; www.efoa.org 98. The MathWorks, Inc.; 2002; Matlab 5.1. The Language of Technical Computing; WWW, mathworks.com 99. Uchitel, S.; 2003; Incremental Elaboration of Scenario-Bases Specifcations and Behaviour Models Using Implied Scenarios; Imperial College of Science, Technology and Medicine, University ofLondon lOO.Valenzuela-Rendn, M.; 2003; The virtual gene genetic algorithm; Proceedings ofthe Genetic and Evolutionary Computation 101.Vrela, R. y col.; 2002; Combiaacin de Algoritmos Evolutivos y Tcnicas Heursticas para Problemas de Scheduling; Centro de Inteligencia Artificial. Universidad de Oviedo 102.Vasant, B. Shah y col.; 1994; The Sensivity ofthe Design and Operability ofthe MTBE Processes with Respect to changes in Reaction Parameters and Process Configurations; Paper presented at Refining and Petromasia 94 103.Velsquez, J. M., Hidalgo, C; 2002; Pricing elecfricity options xismg stochastic optimizaton; IFORS, UK 104.Velsquez, J. M.; 2003; OEDM: Optimizacin estocstica dinmica multinivel; DW, Decisin Ware lOS.Venimadhavan, G. y col.; 1999; Bifurcation Study of Kinetic Effects in Reactive Distillation Process Systems Engineering lO.Verweij, Bram y col.; 2001; The Sample Average Approximation Method Applied to Stochastic Routing Problems: A Computational Study; School of Industrial and Systems Engineering, Georgia Institute of Technology 107.Von Watzdorf, R. y col; 1999; Deterministic and stochastic simulation of batch/semicontinuous processes; Computers chem. Engng. 171 lOS.Walas, S.; 1990; Qiemical Process Equipment Selection and Design; Butterworth Publishers 109.Walters, G.A. y Lohbeck, T.; 1993; Optimal layout of tree networks using genetic algorithms; Eng. Opt. I lO.Wang, C. y col.; 1999; Optimal design of multiproduct batch chemical processes using tab search Computers and Chemical Engineering II l.Watson, L. y col.; 2002; Unidades de transformacin multifimcional: un reto del futuro prximo en el desarrollo de la Ingeniera Qumica; Revista Ingeniera e Investigacin (2002) 112.Welirens, R. y col; 1999; The quaty of optimisationby genetic algorithms; Analytica ChimicaActa, 1 IS.Westerberg, A.W.; 1985; The synthesis of distillation-based separation systems; Computers and Chemical Engineering 114.Yee, T.F. y Grossmann, LE.; 1990; Simultaneous optimization models fot heat integration-II. Heat exchanger network synthesis; Computers chem. Engng. 1 IS.Zhang, T. y Datta, R.; 1995; Integral aualysis of methyl tert-butyl eflier synthesis kinetics;; Ind. Eng. Chem. Res. 172 ESCUELA TCNICA SUPERIOR DE INGENIEROS INDUSTRIALES UNIVERSIDAD POLITCNICA DE MADRID