UNIVERSIDAD POLITCNICA DE MADRID

ESCUELA TCNICA SUPERIOR DE

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