Optimización y Simulación de Procesos - Métodos Analíticos 1 - Enrique Eduardo Tarifa

Optimizacin y Simulacin de Procesos
Enrique Eduardo Tarifa Facultad de Ingeniera - Universidad Nacional de Jujuy
Mtodos Analticos
La Ingeniera y la Optimizacin
"Para definirlo ruda pero no inapropiadamente, ingeniera es el arte de hacer bien con un dolar aquello que cualquier chapucero hara con dos dlares" ("To define it rudely but not inaptly, engineering is the art of doing that well with one dollar which any bungler can do with two dollars.") -Arthur M. Wellington, The Economic Theory of the Location of Railways, Introduction (6th ed., 1900). La optimizacin est en todo lo que el ingeniero hace. Cuando alguien propone la construccin de un tnel, el ingeniero aporta diciendo que se inicie la construccin desde los dos extremos para ahorrar tiempo y reducir el recorrido de los materiales de deshecho. Una de las mayores diferencias entre la Ingeniera con respecto a la Ciencia y la Tecnologa es precisamente su sentido de eficacia y eficiencia. Mientras la Ciencia busca conocer, y la Tecnologa busca resolver problemas a cualquier costo, la Ingeniera usa la Ciencia para perfeccionar las soluciones obtenidas por la Tecnologa, a la vez que reduce sus costos y potenciales peligros. Cualquiera puede hacer Tecnologa, no es necesario ser un cientfico ni un ingeniero, Edison es un buen ejemplo de ello. Sin embargo, la ingeniera slo puede ser hecha por una persona con slidos conocimientos tericos y un sentido de lo factible y prctico muy desarrollado. Si la Ciencia es el arte de hacer posible lo imposible, la Ingeniera es el arte de hacer prctico lo posible (Luyben, 1973). La formacin terica es lo que distingue a un ingeniero de un tcnico. Podemos as definir una cadena de evolucin del conocimiento, ste se inicia en la Ciencia o en la Tecnologa, y evoluciona hasta llegar a la Ingeniera donde se vuelve de utilidad general para toda la sociedad. No siempre es el mismo grupo de investigacin, ni siquiera el mismo pas, el que realiza la cadena completa. Tomemos como ejemplo la electrnica, los europeos dieron los primeros pasos de esta ciencia, pero fueron los americanos los que desarrollaron la tecnologa con aplicaciones como las vlvulas y los transistores. Sin embargo, los Japoneses hicieron la ingeniera, optimizaron el tamao y el costo, y hoy son lderes en electrnica. En Qumica, fueron nuevamente los europeos los que desarrollaron la ciencia y la tecnologa. El precio que pagaron por este desarrollo a cualquier costa fue la contaminacin ambiental, la prdida de recursos naturales, conflictos sociales, etc. Todava hoy seguimos pagando esos costos, pero estamos trabajando en la ingeniera que resolver esos problemas.
Optimizacin y Simulacin de procesos. Optimizacin Introduccin Enrique Eduardo Tarifa - Universidad Nacional de Jujuy
Un Ingeniero debe estar capacitado para reconocer los problemas y encarar su solucin con eficacia y eficiencia. Es en la eficiencia donde est involucrada la optimizacin; por ejemplo, suponga que tenemos una corriente para enfriar y otra para calentar, cualquiera puede proponer que calentemos la corriente fra con vapor, y que enfriemos la caliente con agua de enfriamiento. En cambio, el ingeniero analizar la posibilidad de combinar ambas corrientes en un intercambiador para minimizar el uso de los servicios (tecnologa Pinch). Veamos un ejemplo, suponga se quiere disear el sector de produccin de NH3 de una planta. Se dispone del gas de sntesis desde otro sector. Lo que un tcnico nos dira es que slo necesitamos un reactor y tal vez un separador. En cambio, un ingeniero vera que mucho de los reactivos quedan sin reaccionar, por lo tanto propondra un reciclo. Debido a que tambin hay inertes, el ingeniero sabe que deber purgar algo del reciclo. Adems, nota que tiene corrientes que deben calentrse y otras que deben enfriarse, por lo tanto propone una integracin
Figura 1: Planta de NH3. energtica. Se da cuenta tambin que existe un reciclo y una purga ptima. Nuestro ingeniero no se queda tranquilo, y contina con el anlisis de los materiales, del diseo de los equipos, de la operabilidad, etc., siempre buscando la mejor solucin.
Un ingeniero debe resolver en forma ptima los problemas planteados en los siguientes niveles: Al nivel de gerenciamiento: Evaluacin de un dado proyecto, comparacin entre 1. proyectos, asignacin de capitales a diferentes proyectos. Nuevos proyectos: Eleccin del producto, eleccin de la capacidad de la planta, 2. eleccin de la ruta qumica, eleccin de las materias primas, eleccin de la localizacin. Process and flowsheeteing: Seleccin del proceso, seleccin del flowsheet, 3. ordenamiento de los flowsheet. Especificaciones de los equipos: Seleccin del tipo de equipos para un dado flowsheet, 4. seleccin de los materiales de construccin, dimensionamiento de los equipos, layout. Condiciones operativas: Unidades de procesos dependientes e independientes del 5. tiempo, sistemas de control, poltica de mantenimiento y reemplazos de equipos, scheduling de la produccin, localizacin de materias primas, stock de materias primas, de productos intermedios y productos; despacho, transporte, y distribucin.
Definicin del problema

Hasta aqu, tenemos una idea de lo que es Optimizacin, pero hasta ahora no la hemos definido. Podemos decir que Optimizacin significa seleccionar el mejor curso de accin de las posibles alternativas. Esto nos plantea el problema de definir qu es lo mejor y cules son las alternativas. Para seleccionar lo mejor, primero hay que probar y comparar. Para probar, necesitamos una metodologa que nos permita encontrar lo mejor con la mnima cantidad de ensayos considerando las alternativas disponibles. Para comparar, necesitamos tener alguna forma de ponderar la bondad de una dada solucin. Esquemticamente, podemos plantear el problema como sigue: Maximizar {Objetivo}
Alternativas
s.a (sujeto a): Alternativas {posible, prctico}
La solucin
Los dos elementos que componen la solucin del problema de optimizacin son: La Alternativa Optima: es la Alternativa que cumple con todas las restricciones y que a la vez genera el valor mximo del Objetivo. El Valor Optimo: es el valor que adopta el Objetivo cuando se aplica la Alternativa Optima.
Funcin objetivo
Es la funcin matemtica que se emplear para ponderar la bondad de una solucin; podemos emplear distintos criterios: Econmicos: Beneficios, costos, retorno de capital, TIR, VAN. Tcnicos: cantidad de producto, tiempo de produccin, servicios utilizados, calidad del producto. Seguridad: probabilidad de accidentes, consecuencias de los accidentes. Ambiental: contaminacin, agotamiento de recursos naturales. La solucin del problema de optimizacin depende del criterio que se adopte en la funcin objetivo. Muchas veces es necesario trabajar con varios criterios a la vez y no es raro que estos criterios compiten entre s. En tales casos se tienen tres opciones: 1. Plantear un problema con mltiples objetivos: se plantea una funcin objetivo para cada criterio. Este campo est fuera del alcance del presente curso. 2. Plantear una funcin objetivo combinada: se construye una funcin objetivo que combina los criterios a seleccionados. Por ejemplo, el criterio ambiental puede ser combinado con uno econmico si se tiene en cuenta las multas que pagara la empresa por arrojar efluentes que violen los lmites especificados por la legislacin del lugar de
3.
operacin. Agregar los objetivos secundarios como restricciones: se selecciona un criterio principal para la funcin objetivo, mientras los restantes criterios se utilizan para plantear restricciones. Por ejemplo, un criterio de seguridad podra limitar la temperatura que puede alcanzar una reaccin.
Restricciones
Se debe observar que las alternativas a explorar estn sujetas a un conjunto de restricciones. Estas restricciones surgen tanto de la naturaleza propia del sistema como de los criterios ingenieriles aplicables. Las primeras, son las que constituyen el modelo del sistema. En efecto, el sistema plantea relaciones entre las variables que no pueden ser ignoradas al plantear las alternativas, por ejemplo: la velocidad de reaccin aumenta con la temperatura. Las otras restricciones surgen del criterio del ingeniero, ya sea para acotar la solucin o para facilitar la solucin del problema. Entre las primeras se puede citar: el tanque deber ser cilndrico porque es ms fcil de construir, el producto debe tener determinada concentracin, la presin no podr superar un dado valor porque sino se necesitar de otra tecnologa. Entre las segundas se puede citar, la composicin ser una variable positiva, el reciclo ser menor que el caudal de salida del reactor, etc.
Alternativas
Antes de resolver el problema, primero el ingeniero tiene que detectarlo. Es fundamental que el ingeniero sepa cundo es posible optimizar y cundo no. Por ejemplo, si nos plantean que dibujemos una lnea recta que pase por dos puntos dados, no hay alternativas. Sin embargo, si slo nos dan un punto, existirn infinitas soluciones y se presentar la oportunidad para optimizar. Primero, se deber elegir la funcin objetivo; supongamos que el rea bajo la recta representa la energa consumida en el proceso, analizando la misma descubrimos que la misma vara con la pendiente de la recta y que existe un mnimo. Entonces, elegiremos la pendiente que minimice el rea bajo la recta. Supongamos ahora que nos dan diez puntos no alineados. No existe recta que pase por todos ellos. Sin embargo, podemos optimizar; ya que no es posible tocar todos los puntos, por lo menos podemos pasar lo ms cerca posible de todo ellos (regresin). En resumen, podemos optimizar cuando el sistema tiene alguna variable libre o cuando el problema est sobredeterminado; en definitiva, cuando el problema no tiene una nica solucin o no tiene solucin exacta.
Un caso de estudio
Dado una tubera de vapor, deseamos determinar ptimamente el espesor del aislante. Podemos hacer esto grficamente considerando el costo total CT (costo fijo y variable). Esto nos dar un punto ptimo sin restricciones expresas para la variable espesor. El costo fijo CF estar dado por el costo de instalacin del aislante, mientras que el costo variable CV estar dado por el costo del gas empleado para generar el vapor. Estos costos deben ser comparables, por lo tanto se
adopta una base anual. La Figura 2 muestra la determinacin del punto ptimo en forma grfica correspondiente a un espesor ptimo xo con un costo mnimo CTo.
Costos de aislacin
15
CVx () CFx ( ) 10 [$/ao] CTx () CTo 5
2 x [cm]
Figura 3: Espesor ptimo.
Antes de tomar esta solucin, un ingeniero plantea que segn la normas de seguridad, la temperatura externa no debe superar los 60C. Esto obliga a aumentar el espesor del aislante a un valor mnimo xT; es decir, se agrega la restriccin x xT, la solucin es ahora la mejor que se puede obtener dada la restriccin de seguridad. Adems, puede existir un problema de espacio donde la distancia a la pared hace que el espesor no pueda superar el valor mximo xP; es decir, se agrega la restriccin x xP Esta es una restriccin fsica que tambin puede afectar el valor ptimo. Con estas restricciones es interesante analizar los casos que podran presentarse en cuanto a qu restriccin se vuelve activa (hace valer la igualdad): xT < xo < xP: En este caso, ambas restricciones son inactivas, y es como si no existieran. 1. xP < xo: La restriccin activa que representa la pared hace que tengamos que renunciar 2. al ptimo xo y conformarnos con xP. xo < xT: La restriccin activa que representa la temperatura mnima en la pared hace que 3. tengamos que renunciar al ptimo eo y adoptar el valor eT. eP < eT: El problema no se puede resolver. 4.
Magnitud del Problema

Los problemas que enfrenta el ingeniero son de una magnitud tal que no siempre es posible resolverlos en su totalidad, por ello se plantean tcnicas para descomponer el problema, en otros
ms pequeos y manejables; sin embargo, la solucin ptima de los subproblemas no siempre est de acuerdo con la solucin del problema total. Analicemos un ejemplo, deseamos separar ABCD, ordenados de acuerdo a sus volatilidades relativas, A es el ms voltil. Si slo nos restringimos a la operacin de destilacin, existen cinco alternativas posibles; en la Figura 3 se muestran slo dos de ellas. Para decidir cul de todas las alternativas es la mejor es necesario avanzar con el diseo de cada una hasta determinar el ms mnimo detalle. Esto es, ser necesario analizar la instrumentacin y control ptimo, la forma de operacin ptima, analizar la integracin energtica, etc. Esto implica explorar un rbol hasta llegar a sus hojas finales para poder compararlas entre ellas y recin elegir la mejor. Esta tarea es monumental, y an no fue totalmente resuelta. Lo ms que se puede hacer actualmente es particionar el problema, por ejemplo, se optimiza el diseo de los equipos por un lado, el control por otro, la puesta en marcha por otro, etc. Sin embargo, como ya se mencion, de esta manera no se asegura encontrar la solucin ptima para el sistema en su conjunto.
Figura 3: Sntesis de procesos.
Formulacin
Es sorprendente que todos los problemas de optimizacin tengan la misma forma, independientemente del rea en que se est trabajando. La formulacin matemtica general es (Ray y Szekely, 1973):
Max I(x1,x2,...,x n) i 1,2,...,n dx lx i l 1,2,...,m3 f l(x1,x2,...,x n) dt x l(t0) xl0 t0 t t f h j(x1,x2,...,xn) 0 j 1,2,...,m1 1,2,...,m2
(1) (4) (2)
g k(x1,x2,...,xn) 0
(3)
La ec. 1 es la Funcin Objetivo (FO), es la que se quiere maximizar. El problema es determinar cules son los valores de los xi que maximizan la FO. Aunque existen trabajos que consideran ms de una FO, en este curso nos restringiremos a estudiar problemas con un nico objetivo. Las ecs. 2-4 son las restricciones del problema. Las ecs. 2 son las restricciones algebraicas. Cada una de estas restricciones reduce en una unidad el grado de libertad del problema; esto es, cuntas de las xi pueden variar independientemente. Las ecs.3 son las restricciones de desigualdad. Estas ecuaciones no afectan el grado de libertad pero pueden afectar a la bondad de la solucin. Es siempre interesante analizar cules de todas las restricciones se vuelven activas en el ptimo (hacen valer la igualdad). De este anlisis se puede tomar decisiones a fin de dirigir futuras inversiones para relajar las restricciones activas ms importantes. Las ecs. 4 son las restricciones diferenciales o integrales de igualdad. La regin determinada por todos los puntos que satisfacen todas las restricciones se denomina regin factible. La bsqueda del ptimo debe restringirse a esta regin. Tradicionalmente estos problemas fueron clasificados en: Programacin matemtica. Optimizacin de trayectoria.
Programacin matemtica
Es el problema que no tiene restriccin alguna, o slo tiene del tipo 2 y 3, es decir: Max I(x1,x2,...,x n)
xi
1,2,...,n
(5)
h j(x1,x2,...,xn)
1,2,...,m1 1,2,...,m2
(6)
g k(x1,x2,...,xn) 0
(7)
Generalmente, para facilitar la resolucin del problema, se suele agrupar las variables xi en variables de estado y variables de control o decisin. Esto surge de las restricciones de igualdad, como tenemos m1 ecuaciones de este tipo, frecuentemente es posible despejar una variable de cada una de dichas ecuaciones en funcin de las n-m1 restantes, es decir: xj F j(xm 1,xm 2,...,xn)
1 1
1,2,...,m1
(8)
Hecho esto, podemos definir los siguientes vectores: y1 y y2 ... ym

1
x1 x2 ... xm
1
(9)
u1 u u2 ... un m
1
xm xm
1 2
(10)
... xn
donde y es el vector de las variables de estado, mientras u es el vector de las variables de decisin. Luego, la ec. 8 se transforma en: yj F j(u1,u2,...,un m )
1
1,2,...,m1
(11)
Finalmente, el problema puede ser reformulado como: Max I(y1,y2,...,y m ,u1,u2,...,un m )

ui
1 1
1,2,...,n m1
(12)
yj
F j(u1,u2,...,un m )
1
1,2,...,m1
(13)
g k(y1,y2,...,y m ,u1,u2,...,un m ) 0
1 1
1,2,...,m2
(14)
Esta formulacin es ms fcil de resolver que la primera. Sin embargo, para problemas grandes
no siempre es posible despejar las variables, por lo que debemos resolver la primera formulacin.
Optimizacin de Trayectoria
Agregan las restricciones del tipo integral o diferencial. Analicemos el caso en que slo est presente este tipo de restricciones (sin las de igualdades ni las de desigualdades): Max I(x1,x2,...,x n) t t
x i(t)
f
1,2,...,n
(15)
dxl dt
f l(x1,x2,...,x n) x l(0) xl0
1,2,...,m3
t0 t t f
(16)
Como no hay problemas en despejar las variables de estado, siempre se reformula el problema como sigue: Max I(y1,y2,...,y m ,u1,u2,...,un m ) t t
u i(t)
3 3 f
1,2,...,n m3
(17)
dy l dt
fl(y1,y2,...,y m ,u1,u2,...,un m )
3 3
1,2,...,m3
yl(t0)
yl0
t0 t t f
(18)
Clasificacin de los modelos

De acuerdo a la naturaleza de la FO y las restricciones, los modelos se clasifican en (Scenna et al., 1999): 1. Programacin Lineal (LP, Linear Programming): tanto la FO como todas las restricciones son lineales. 2. Programacin No Lineal (NLP, Nonlinear Programning): al menos una de las funciones anteriores es no lineal. 3. Programacin Lineal Entero (ILP, Integer Linear Programming): el modelo es lineal pero las variables son enteras. 4. Programacin No Lineal Entero (INLP, Integer Nonlinear Programming): el modelo es no lineal pero las variables son enteras. 5. Programacin Lineal Entero Mixto (MILP, Mixed Integer Linear Programming): el modelo es lineal pero involucra variables continuas y enteras mezcladas. 6. Programacin No Lineal Entero Mixto (MINLP, Mixed Integer Nonlinear Programming): el modelo es no lineal pero involucra variables continuas y enteras mezcladas.
Planteo y solucin del problema

Lo primero que debe hacer el ingeniero es detectar si la situacin presente permite plantear un problema de optimizacin, algunas de estas situaciones son: 1. Ventas limitadas por produccin: se debe maximizar la produccin. 2. Ventas limitadas por el mercado: se debe minimizar los costos de produccin. 3. Grandes volmenes de produccin: pequeos ahorros en los costos de produccin tienen un gran impacto, es el caso de las destileras y plantas qumicas. 4. Alto consumo de materia prima o energa: optimizar los equipo con mayor consumo. 5. La calidad de los productos es superior a la requerida por el mercado: minimizar los costos reduciendo la calidad hasta el lmite de aceptacin. 6. Prdida de componentes valiosos en los efluentes: minimizar las prdidas teniendo en cuenta la legislacin ambiental. 7. Alto costo de mano de obra: pasar de batch a continuo, modificar el scheduling, etc. Dos reglas prcticas para identificar la oportunidad de plantear un problema de optimizacin son: Descubrir efectos que se opongan entre s (trade-off); por ejemplo, el costo de instalacin de aislante en una tubera de vapor vara en forma inversa al costo de gas utilizado para producir vapor. Entonces, debe existir una situacin intermedia donde los dos efectos no son tan desfavorables. Descubrir una variable cuyo valores extremos conducen a situaciones inconvenientes; por ejemplo, instalar una capa de aislante con un espesor de 1 m reducir los costos de operacin pero elevar sensiblemente los costos de instalacin; por otra parte, un espesor de 1 mm reducir los costos de instalacin pero elevar los costos de operacin. Entonces, debe existir una situacin intermedia que de lugar a un valor ptimo. El procedimiento general para plantear y resolver el problema es: 1. Examine el proceso y haga una lista de las variables y las caractersticas de inters. 2. Determine el criterio de optimizacin; esto es, construya una funcin objetivo que involucre las variables del punto anterior. 3. Construya el modelo del proceso; esto es, el conjunto de funciones matemticas que relacionan las variables del punto anterior. Este conjunto sern las restricciones. Identifique las variables independientes y dependientes para determinar el grado de libertad. 4. Si la formulacin del problema es muy grande: 5. Particione el problema y/o 6. Simplifique el problema. 7. Aplique un adecuado mtodo matemtico para resolver el problema. 8. Verifique la solucin, analice la sensibilidad de la solucin con respecto a los parmetros y suposiciones. Nunca se debe olvidar que se est resolviendo el modelo planteado y no el sistema real. Esto significa que si el modelo est mal, por ms que ejecutemos correctamente los restantes pasos, la solucin no ser adecuada. Esto se debe tener en cuenta a la hora de hacer simplificaciones. Supongamos que determinamos el perfil ptimo de temperatura para un reactor tubular (Figura
10
4 ), la implementacin del sistema de calefaccin podra ser tan compleja que hara perder todas las ventajas logradas; en cambio, se podra implementar dos reactores tubulares isotrmicos que aproximen el perfil ptimo sin tanto problemas y con un efecto despreciable sobre el rendimiento final. Esta situacin se present debido a que, por una simplificacin, la funcin objetivo no contempl los costos de implementacin ni tampoco el modelo contempl ms de un reactor, slo se consider el avance de la reaccin.
Figura 4: Perfil de temperatura en un reactor tubular.
Ejemplos
Fbrica de contenedores En este ejemplo analizaremos los seis pasos de resolucin explicados en la seccin anterior. Tenemos una planta que produce contenedores de plstico, la demanda anual es de Q = 100000 contenedores distribuida homogneamente a lo largo del ao, y el precio se mantiene fijo. El problema es determinar el schedule de produccin (Edgar y Himmelblau, 1988). Paso 1: Una opcin es producir todo Q al principio del ao; pero el costo de inventario sera enorme. Este costo se reducira si en cambio produjramos Q en varias operaciones distribuidas en el ao. Sin embargo, para el extremo de encender y apagar la planta cada hora, los costos de produccin son inaceptables. Por lo tanto, debe haber un ptimo. Las variables que parecen ser importantes son: D: el nmero de unidades producida en cada corrida, es un nmero entero. n: el nmero de corridas por ao, no es necesariamente entera. Q: el total de unidades producidas por ao. Resta hacer un anlisis de los costos para plantear el modelo e identificar las variables de decisin. Paso 2: Existen dos costos: el de inventario y el de produccin. El costo de inventario incluye los costos
11
de productos y de almacenaje, y puede ser modelado como K1 D. Por otra parte, el costo de produccin puede ser modelado como K2 + K3 D (costo fijo mas costo variable). Entonces, el costo total anual C es: C K1 D n (K2 K3 D) (19)
Paso 3: Tenemos la siguiente restriccin de igualdad: n Q D
(20)
Esta restriccin reduce un grado de libertad. Podemos elegir D como la variable independiente y n como la dependiente, siempre conviene elegir la variable entera como variable independiente. Debemos recordar que D est restringida a valores enteros y positivos. Eliminando n de la funcin objetivo, obtenemos: C K1 D K2 Q D K3 Q (21)
Este paso tiene la ventaja de eliminar la nica restriccin explcita que exista. El mismo mtodo se puede aplicar para eliminar mltiples restricciones de igualdad.
Paso 4: No necesario. Paso 5: Este problema se puede resolver analticamente. Diferenciando con respecto a D e igualando a cero tenemos: dC dD K1 K2 Q D2 0 (22)
despejando D, tenemos: D opt K2 Q K1 (23)
12
Note que si los valores de los parmetros cambian, la solucin ptima se obtiene simplemente recalculando la ec. 23, sta es una clara ventaja del mtodo analtico sobre los numricos. Podemos verificar las condiciones de suficiencia para un mnimo: d 2C dD 2 2 K2 Q D3 > 0 (24)
Otra ventaja de la solucin analtica es que permite formular reglas empricas. En este caso, note que K3 no afecta la determinacin del ptimo (ec. 23). Tambin, note que si estamos en una schedule ptimo y deseamos cambiar a otro valor de Q, no es necesario conocer los valores de los parmetros para establecer el nuevo ptimo, basta con saber que vara con la raz cuadrada de Q, esto podra plantearse como un eurstico. Paso 6: Finalmente, debemos analizar la sensibilidad de la solucin. Dado que los parmetros, y el modelo, no corresponden totalmente a la realidad, es necesario estimar cual ser el impacto de estos errores sobre la solucin. Para este ejemplo podemos realizar el anlisis analticamente. Primero, sustituimos la solucin en la funcin objetivo: C opt 2 K1 K2 Q K3 Q (25)
y luego calculamos la sensibilidades absolutas a travs de las derivadas parciales:

C opt K 1
K2 Q K1
(26)
C opt K 2
K1 Q K2
(27)
C opt K 3
(28)
C opt Q
K1 K2 Q
K3
(29)
Lo mismo podemos hacer para D:

13
opt D opt D 1 0 K2 Q K1 K 1 K 3 2 K1
(30) (32)
D opt D opt K 2 Q
K2 Q Q 1 K 1 2 K1 2 K Q2 2K 1
(31) (33)
De mayor utilidad son las sensibilidades relativas, a modo de ejemplo:

C
S
K1
C opt/C opt K1/K1
ln(D opt) ln(K1)
K2 Q K1
K1 C opt
(34)
Reconciliacin de lecturas I Sea el sistema de la Figura 5, en un momento dado se tiene las siguientes lecturas: S1 [m3/h] 10 S2 [m3/h] 15 S3 [m3/h] 27
Figura 5: Mezclador. Aparentemente, el balance de materia no cierra. Sin embargo, esto se debe a errores en las lecturas; pero a qu sensor debemos creer? A ninguno, se debe plantear el siguiente problema de optimizacin: Min
F1,F2,F3 i 1
M (F
3
Si)2
(35)
F1
F2
F3
(36)
14
Fj 0
1,2,3
(37)
donde los Fi son los caudales verdaderos, mientras que los Si son los indicados por los sensores. Para este caso, la solucin es: F1 [m3/h] 10.67 F2 [m3/h] 15.67 F3 [m3/h] 26.34
Reconciliacin de lecturas II Veamos un caso ms complejo. En la Figura 6 se muestra un sistema de tuberas con caudalmetros Si. Cada caudalmetro tiene un error menor a 1.5 m3/h. Si las mediciones en un momento dado son: S1 [m3/h] 10 S2 [m3/h] 11 S3 [m3/h] 15 S4 [m3/h] 14 S5 [m3/h] 24 S6 [m3/h] 25
Figura 6: Mezclador. Al tener el dato del error, podemos detectar los sensores fallados y eliminarlos del clculo. Todo esto se hace resolviendo el siguiente problema: Min
Fj, A i i 1
M A (F
6 i 6 Fj, A i i 1
Si)2
1,2,...,6
(38)
Max
MA
1,2,...,6
(39)
15
F1 F1 F3 F5
F3 F2 F4 F6
F5
(40)
(41)
(42)
(43) j 1,2,...,6
Aj (Fj S j) 1.5 A j (F j Sj) 1.5 A j Binario Fj 0 j j
(44)
1,2,...,6
(45)
1,2,...,6
(46)
1,2,...,6
(47)
Note que las restricciones han sido manipuladas para linealizar lo ms posible el problema; por ejemplo, se evit el uso de la funcin valor absoluto en las ecuaciones que representan el error de los sensores. Esto es conveniente para facilitar la resolucin del problema. La variable binaria Aj debe valer 1 si el sensor j funciona correctamente, de lo contrario debe valer 0. De esta forma logramos que los sensores fallados no sean tenidos en cuenta en la estimacin de los caudales reales. Sin embargo, cuando un sensor es normal tanto el valor 1 como el 0 satisfacen todas las restricciones; es aqu donde se ve la importancia de la segunda funcin objetivo que obliga a adoptar el valor 1. Por lo tanto, tenemos un problema con dos objetivos, minimizar el error de la estimacin pero utilizando la mayor cantidad de sensores. Para resolver este problema vamos a combinar los objetivos en una nica Funcin Objetivo: A (F M Min MA
6 i i 1 Fj, A i 6 i i 1 i
Si)2 j 4 1,2,...,6 (48)
El cuatro del denominador es para decir que aceptamos tan slo un sensor fallado. La solucin
16
para este caso es: F1 [m3/h] 10.33 A1 1 Para el caso siguiente: S1 [m3/h] 10 La solucin es: F1 [m3/h] 10.5 A1 1 F2 [m3/h] 10.5 A2 1 F3 [m3/h] 14.5 A3 1 F4 [m3/h] 14.5 A4 1 F5 [m3/h] 25 A5 0 F6 [m3/h] 25 A6 1 S2 [m3/h] 11 S3 [m3/h] 15 S4 [m3/h] 14 S5 [m3/h] 28 S6 [m3/h] 25 F2 [m3/h] 10.33 A2 1 F3 [m3/h] 14.33 A3 1 F4 [m3/h] 14.33 A4 1 F5 [m3/h] 24.66 A5 1 F6 [m3/h] 24.66 A6 1
Encontramos que un sensor de la salida estaba fallado, el sensor S5, y es fcil ver que las F5 est fuera de la banda normal de este sensor. Sin embargo, si mantenemos la ec. 38 como funcin objetivo y convertimos la ec. 39 en una restriccin de igualdad (igualada a 6), es posible encontrar una solucin que mantiene activo el sensor S5. Como vimos anteriormente, este una forma alternativa de manejar un problema con mltiples objetivos. Transformamos el objetivo secundario en una restriccin y le exigimos que cumpla con el mximo valor posible que es seis; si el problema no puede resolverse, probamos igualndola a cinco y as sucesivamente. Esto es:
MA
6 i 1
(49)
La solucin encontrada para este caso es: F1 [m3/h] 11.25 F2 [m3/h] 11.25 F3 [m3/h] 15.25 F4 [m3/h] 15.25 F5 [m3/h] 26.5 F6 [m3/h] 26.5
17
A1 1
A2 1
A3 1
A4 1
A5 1
A6 1
La explicacin a esta aparente contradiccin es que si bien era posible encontrar la ltima solucin, el balance expresado por la ec. 48 entre la suma de los errores y la cantidad de lecturas dio preferencia a la minimizacin de la suma de los errores. Planta de oxgeno Este es un ejemplo de Reklaitis et al. (1983). En la Figura 7 se muestra una planta de produccin de acero que utiliza un horno tipo BOF (Basic Oxigen Furnace) operado en modo batch. La demanda de oxgeno es graficada en la Figura 8 este ciclo est determinado por el horno. El oxgeno es suministrado por una planta diseada para tal fin. La misma est altamente automatizada y produce un caudal constante de oxgeno. Para vincular la planta continua con el horno batch, debemos disear un sistema de almacenamiento adecuado. Vamos a considerar que este sistema est formado por una bomba y un tanque. El problema es determinar la produccin de la planta de oxgeno y dimensionar el sistema de almacenamiento. Existen varias alternativas, la ms simple es fijar la produccin de la planta para absorber el pico de demanda y ventilar al ambiente durante el resto del ciclo; sin embargo, esta alternativa tiene un alto costo operativo. En el otro extremo, podemos dimensionar un gran tanque de almacenamiento que permita trabajar a baja produccin de oxgeno; pero en este caso el costo de inversin se vuelve inaceptable. Por lo tanto, de este trade-off deducimos que puede existir un ptimo. Otro trade-off se presenta entre la potencia del compresor y las dimensiones del tanque.
Figura 7: Planta de acero.
18
Figura 8: Ciclo de produccin del horno. Las variables de decisin sern: F: la capacidad de la planta de oxgeno [kg/h]. H: la potencia del compresor [kW]. V: el volumen del tanque [m3]. Para plantear el modelo consideramos primero la ley corregida de los gases: V Imax R T z M p (50)
donde R es la constante de los gases, T es la temperatura, M es el peso molecular del oxgeno, p es la presin del tanque, z es el factor de compresibilidad, Imax es la mxima cantidad de oxgeno que puede ser almacenada. De la Figura 8 podemos deducir: Imax (D1 F) (t2 t1) (51)
combinando con la ecuacin anterior, tenemos: (D1 F) (t2 M t 1) R T z p
(52)
Asumiendo compresin isotrmica, la potencia del compresor se calcula como:
19
(D1
F) (t2 t1
t1) R T p ln k1 k2 p0
(53)
donde el primer trmino es el caudal que bombea el compresor durante el llenado del tanque, k1 es un factor de conversin de unidades, k2 es la eficiencia del compresor, p0 es la presin de la planta productora de oxgeno. Adems, la capacidad de la planta de oxgeno debe satisfacer la demanda de todo el sistema. F D0 t1 D1 (t2 t2 t 1) (54)
Ms an: p p0 Como funcin objetivo escogemos el costo anual. Este ser la suma de: 1. Costo de operacin de la planta de oxgeno (primer trmino). 2. Costo de capital del tanque (segundo trmino). 3. Costo de capital del compresor (tercer trmino). 4. Costo de operacin del compresor (cuarto trmino). C[$/ao] [ a1 a 2 F] d [ b1 V 2]
b
(55)
d [ b3 H 4]
[N b5 t1 H]
(56)
donde N es el nmero de ciclos por ao y d es el factor de costo anual. En resumen, el problema es: Min C[$/ao]
F,V,H,p
[ a1
a 2 F]
d [ b1 V 2]
d [ b3 H 4]
[N b5 t1 H]
(57)
sujeto a: V (D1 F) (t2 M t 1) R T z p (58)
(D1
F) (t2 t1
t1) R T p ln k1 k2 p0
(59)
20
F
D0 t 1 D 1 (t2 p p0 t2
t 1)
(61) (60)
Reactor batch Deseamos determinar la poltica ptima de suministro de calor a un reactor batch, para minimizar las reacciones colaterales. La formulacin esquemtica es:
tf
Min I
Q(t)
2t
F(c,T,Q,t) dt
(62)
sujeto a: dc f(c,T) dt c(t0) c0 (63)
dT g(c,T,Q) dt T(t0) T0
(64)
Q Qmax Q Qmin
(65)
(66)
Tanques buffers Se debe dimensionar los tanques de almacenamiento de una planta qumica. Los tanques se instalan para compensar las diferencias en las capacidades de produccin de los sectores que separan. El tanque i separa el sector i-1con capacidad de produccin qi-1 [m3/h] del sector i con una capacidad qi como se muestra en la Figura 9.
Figura 9: Tanques de buffer.
21
El modelo matemtico es el que se plantea a continuacin, donde se consideran N tanques con volumen Vi. Los tiempos de operacin de las etapas son ti que no pueden ser menores a un Tmin. Se desprecian los costos de arranque y apagado. Las restricciones dependen de la funcin que cumple cada tanque, almacenamiento o suministro. Min
t i, V i, Almacena i
MV
N i 1
s.a. t i > Tmin Almacenai (qi 1 > qi) Almacena i Binario [Llenado] Vi [Vaciado] V i Almacena i (qi 1 Almacena i q i (t i qi) ti 1 t i 1) (1 Almacena i) qi 1 (ti 1 (1 Almacena i) (q i
~i
i > 0 (67)
~i
t i) i >0 i >0 q i 1) t i
Para entender este modelo conviene analizar los siguientes diagramas de Gantt que presentan un ciclo de trabajo para los dos casos posibles de la variable Almacenai:
22

Optimización y Simulación de Procesos - Métodos Analíticos 1 - Enrique Eduardo Tarifa

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Optimización y Simulación de Procesos - Métodos Analíticos 1 - Enrique Eduardo Tarifa

Cargado por

Copyright:

Formatos disponibles

Optimizacin y Simulacin de Procesos

Enrique Eduardo Tarifa Facultad de Ingeniera - Universidad Nacional de Jujuy

Definicin del problema

s.a (sujeto a): Alternativas  {posible, prctico}

CVx () CFx ( ) 10 [$/ao] CTx () CTo 5

Figura 3: Espesor ptimo.

Magnitud del Problema

Figura 3: Sntesis de procesos.

(1) (4) (2)

Hecho esto, podemos definir los siguientes vectores: y1 y y2 ... ym

Finalmente, el problema puede ser reformulado como: Max I(y1,y2,...,y m ,u1,u2,...,un m )

f l(x1,x2,...,x n) x l(0) xl0

Clasificacin de los modelos

Planteo y solucin del problema

Figura 4: Perfil de temperatura en un reactor tubular.

Paso 3: Tenemos la siguiente restriccin de igualdad: n Q D

despejando D, tenemos: D opt K2 Q K1 (23)

y luego calculamos la sensibilidades absolutas a travs de las derivadas parciales:

Lo mismo podemos hacer para D:

De mayor utilidad son las sensibilidades relativas, a modo de ejemplo:

C opt/C opt K1/K1

ln(D opt) ln(K1)

Aj (Fj S j)  1.5 A j (F j Sj)  1.5 A j Binario Fj  0 j j

Si)2 j 4 1,2,...,6 (48)

Figura 7: Planta de acero.

combinando con la ecuacin anterior, tenemos: (D1 F) (t2 M t 1) R T z p

Asumiendo compresin isotrmica, la potencia del compresor se calcula como:

sujeto a: V (D1 F) (t2 M t 1) R T z p (58)

sujeto a: dc f(c,T) dt c(t0) c0 (63)

Figura 9: Tanques de buffer.

También podría gustarte

s.a (sujeto a): Alternativas {posible, prctico}

C opt/C opt K1/K1

ln(D opt) ln(K1)

Aj (Fj S j) 1.5 A j (F j Sj) 1.5 A j Binario Fj 0 j j