Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Optimizacion en Ingenieria de Procesos PDF
Optimizacion en Ingenieria de Procesos PDF
d d d
L
1
2
Ingeniera de Procesos
min f ( x)
s.a. h( x) 0
g ( x) 0
Por ejemplo, la seleccin de un tipo de reactor o de sus condiciones de operacin afecta la composicin del
producto obtenido, lo que tiene incidencia sobre el diseo y operacin de las unidades de separacin aguas
abajo.
Ingeniera de Procesos
Costo Anualizado
Costo Total
Costos de Operacin
Costos Fijos
Nm
Rm 0,1
0,2
0,3
0,4
0,5
0,6
Rm
Rptimo
Relacin de Reflujo
R=Relacin de Reflujo
Reactivo A
A + B
Alimento FA
Separador
Reactor
Rehervidor
Producto B
A pesar de esta ser una condicin netamente terica e imposible de implementar en la prctica, sirve como
condicin lmite para el anlisis de las condiciones operacionales.
Ingeniera de Procesos
Figura 2. Proceso con una unidad de reaccin y una de separacin sin recirculacin
x 1 e k
Si no hay solvente, fluido de arrastre ni catalizador heterogneo y considerando que el volumen til es 100%
del volumen del reactor.
Ingeniera de Procesos
En la torre, el dimetro (DTD ) depende de los flujos internos, especialmente del de vapor, la
clculos iniciales, el dimetro se estima considerando la velocidad del vapor para evitar la
inundacin de la torre, manteniendo esta velocidad constante, la dependencia del dimetro
con el flujo molar de vapor (V) es:
DTD C3V 0,5
donde C3 depende de las condiciones de operacin y las caractersticas del sistema, luego es
constante para el ejemplo planteado. Como V depende directamente del flujo de
alimentacin (F2) que por la estequiometra de la reaccin es igual a FA, tenemos:
1
0,5
0,5
DTD C 4 F2 C 4 FA C5 0,5
x
Como presentado en Douglas[1], el costo de la torre depende de su dimetro de la siguiente
CTD C6 DTD1,066
forma:
1
Luego, el costo en funcin de la conversin ser:
CTD C7 0.553
x
CMP C8 FA C9
1
x
Los costos de capital deben ser analizados considerando la depreciacin, las tasas de inters
etc. para tenerlos en la misma unidad de tiempo de los costos de materia prima ($/ao,
$/mes). Pero la tendencia de estos costos con la conversin se mantiene, luego podemos
concluir que:
El costo del reactor aumenta con la conversin (costo de capital).
El costo de la torre diminuye con la conversin (costo de capital).
El costo de materia prima disminuye con la conversin (costo de operacin).
En consecuencia, debe existir un valor para la conversin que genera los mnimos costos
totales. La determinacin del valor ptimo requiere la cuantificacin de cada uno de los
parmetros para los costos y el diseo, la evolucin de cada uno de los costos con la
conversin debe tener la siguiente forma:
CRCTA
CMP
VRCTA
CTD
FA
CTotal
DTD
0,2
0,4
0,6
Conversion (x )
0,8
0,2
0,4
0,6
x optimo
0,8
Conversion (x )
Figura 3. Efectos de la conversin en las dimensiones y costos para el proceso del Ejemplo 2
Ingeniera de Procesos
CMP C8 FA = 0
CTD C6 DTD = 0
Q
PM
VRTCA B k ln( 1 x)
0
x
A
Q
FA B 0
x
C
DTD 05,5 0
x
0 < CRCTA, CMP, CTD , FA, VRCTA, DTD
0 x 1
En este ejemplo es claro que a pesar de la relativa simplicidad del proceso (slo 2 unidades
y sin recirculacin) y de las consideraciones adicionales (condiciones de operacin fijas en
la torre y en el reactor) que reducen el problema a una variable de optimizacin, la solucin
no puede ser obtenida directamente.
Comportamientos semejantes se observan para la mayora de las variables de decisin
durante el diseo de un proceso.
2. LA NECESIDAD DE OPTIMIZAR INTEGRADAMENTE EL PROCESO
Una idea errnea que se puede tener al momento de desarrollar la optimizacin de las
condiciones operacionales o del diseo de un proceso es considerar que: s se resuelve
individualmente la optimizacin de cada unidad de proceso, en el orden del flujo de
materia, al finalizar este anlisis se obtendrn las condiciones ptimas para todo el proceso.
El problema de dicha idea es que desconsidera el efecto que tienen los cambios en la
operacin de cualquier unidad sobre las restantes, lo cual es an ms complejo en procesos
con recirculacin.
Groep y colaboradores[6] modelaron la produccin de la enzima alcohol deshidrogenasa
(ADH) por Saccharomyces cerevisiae en cultivos continuos y en lote alimentado. El
proceso es constituido por el biorreactor, una centrifuga para recolectar las clulas, un
homogenizador de alta presin para romperlas y liberar las protenas, una centrifuga para
remover los restos celulares, y un sistema de precipitacin y doble separacin por
centrifugacin para la purificacin de la enzima. Mediante mltiples simulaciones los
autores estudiaron el efecto de la variacin en la tasa de dilucin (D, que controla la tasa
especfica de crecimiento) y del nmero de pasos en el homogenizador (N) sobre la
productividad y el lucro obtenido en el proceso. Los resultados muestran que si se analiza el
biorreactor individualmente, la mxima produccin de la enzima se logra con D = 0.135 h-1,
mientras que analizando el proceso completo, la mxima produccin se logra con D entre
Ingeniera de Procesos
0.145 y 0.135 h-1 dependiendo del nmero de pasos por el homogenizador (ver figura); la
mayor diferencia se presenta cuando se considera el lucro como criterio de optimizacin,
debido al efecto de los costos operacionales y de materia prima las condiciones ptimas de
operacin son D = 0.105 h-1 y N = 3, mientras que las condiciones de mayor productividad
(D = 0.135 h-1 N = 7) generan perdidas.
Figura 4. Anlisis del efecto de las condiciones operacionales sobre la productividad y rendimiento
de un proceso continuo para produccin de la enzima ADH (tomado de Groep et al.[6]).
Las observaciones hechas por Groep y sus colaboradores se repiten en el anlisis tanto de
procesos qumicos como bioqumicos.
3. SOLUCIN DE PROBLEMAS DE OPTIMIZACIN DE BAJA COMPLEJIDAD
La seleccin del mtodo adecuado para resolver un problema de optimizacin debe
considerar las caractersticas del problema, en este sentido, los problemas se clasifican
segn el tipo de variables y ecuaciones (restricciones y funcin objetivo) que los
conforman:
Tabla 1. Clasificacin y caractersticas de los problemas de optimizacin.
Variables
Slo continuas
Ecuaciones
Lineales
Tipo de Problema
Programacin/optimizacin Lineal (LP)
Slo continuas
No-Lineales
Continuas y
discretas
Lineales
Continuas y
discretas
No-Lineales
Optimizacin
(MINLP)
Continuas
Diferenciales y
Algebraicas
Continuas y
discretas
Diferenciales y
Algebraicas
Optimizacin
(MIDO)
Mixta-Entera
Mixta-Entera
No-Lineal
Dinmica
Ingeniera de Procesos
y = 1/2x +3
=6
=2
* =10
Regin de Bsqueda
y = -1/2x +5
3
2
1
-2
10
12
-1
-2
Por las caractersticas de las ecuaciones que constituyen el problema, las lneas de valor
constante para la funcin objetivo y los lmites de la regin de bsqueda son rectas, luego,
la solucin esta en uno de los vrtices; el mtodo simplex aprovecha esta caracterstica,
analizando los vrtices en una secuencia que permite mejorar continuamente la solucin,
hasta encontrar el ptimo.
3.2 Problemas de Optimizacin No-Lineal
3.2.1 Generalidades sobre la solucin de NLPs
La solucin de estos problemas generalmente usa mtodos basados en gradientes, los cuales
emplean derivadas parciales de la funcin objetivo con respecto a las variables de decisin,
a continuacin analizaremos los conceptos bsicos de estos mtodos.
Recordemos la solucin de una ecuacin por Newton-Raphson; cuando se busca la raz de
una funcin debemos encontrar x / f ( x) 0 , comenzando en xi La derivada de f(x) en el
punto xi (f(xi)) es la pendiente de la tangente a la curva f(x) en xi y el punto en el que cruza
Ingeniera de Procesos
el eje x ser la siguiente aproximacin para la solucin (xi+1), (ver figura). La frmula
recursiva para determinar xi+1 es:
f(x)
xi 1 xi
f(xi)
f ( xi )
f ( xi )
f(xi)
Figura
6. Aproximacin a la solucin de
xi+1
xi
una
ecuacin no lineal por el mtodo de
Newton-Rapson
Para funciones con moderada no-linealidad, este mtodo converge con buena velocidad,
pero en los casos de alta no-linealidad, dependiendo del punto inicial, la solucin puede ser
inalcanzable.
f ( xi )
En la bsqueda de la solucin, la direccin est definida por el signo del trmino:
f ( x i )
Si f (xi) > 0 y f (xi) > 0 debemos retroceder ( xi 1 xi ).
Si f (xi) < 0 y f (xi) < 0 debemos retroceder ( xi 1 xi ).
Si f (xi) < 0 y f (xi) > 0 debemos avanzar ( xi 1 xi ).
Si f ( xi ) 0 y f (xi ) 0 debemos avanzar ( xi 1 xi ).
En un problema de optimizacin queremos encontrar x / f(x) = 0, por analoga con el
mtodo de Newton-Raphson, la frmula recursiva para la bsqueda de la solucin es:
x k 1 x k
f ( x k )
f (x k )
(2)
f ( xi )
, mientras que el
f (x i )
f
x 2
x n
Ingeniera de Procesos
Hessiano de f ( x) : 2 f ( x) =
2 f
x21 x1
f
x x
2 1
2 f
x n x1
2 f
x1 x 2
2 f
x 2 x 2
2 f
x n x 2
h1
x1 x n
h1
x 2 x n
h1
x n x n
x k 1 x k 2 f ( x k ) f ( x k )
vector
vector matriz
vector
(3)
xk 1 xk k d k
(4)
Solucin de Ecuaciones
Newton-Raphson
Optimizacin
Monovariable
Optimizacin Multivariable
Buscamos x / f ( x) 0
Buscamos x / f (x) 0
Buscamos x / f ( x) 0
x k 1 x k
f ( xk )
f ( x k )
x k 1 x k
f `( x k )
f ``( x k )
x k 1 x k 2 f ( xk ) f ( xk )
k: Iteracin.
Ingeniera de Procesos
f L ( xk ) f '( xk ) ( x xk ) f ( xk )
(5)
f L ( xk ) f ( xk ) ( x x k ) f ( x k )
Ejemplo 4: Solucin de un problema de optimizacin por SLP
Resuelva el siguiente problema por programacin lineal sucesiva.
0
min
Iniciando con: x (2,1)
f ( x) x12 x22
s.a.
h( x) 2 x1 x22 0
g ( x) x12 x 2 0
1
x1 5 2
0 x2 3
Antes de las iteraciones: Estimacin de los gradientes, para las aproximaciones
f ( x) 2 x1 2 x 2
h( x) 1 2 x 2
g ( x) 2 x1 1
1 Iteracin: Las aproximaciones lineales de las funciones son:
x 2
f L (2,1) 5 2* 2 2*1 1
x1 1
5 4( x1 2) 2( x2 1)
5 4 x1 2 x2
hL (2,1) 1 ( x1 2) 2( x2 1)
3 x1 2 x2
g L (2,1) 3 4( x1 2) ( x2 1)
4 4 x1 x2
(6)
Ingeniera de Procesos
f L ( 2,1) 5 4 x1 2 x2
min
hL (2,1) 3 x1 2 x2 0
g L (2,1) 4 4 x1 x2 0
1 x 5
2
2
1
0 x2 3
La solucin de este problema es x (119 , 8 9 ) , para la segunda iteracin se debe
linealizar el problema en este punto y resolver el nuevo LP.
1
81 9
9 x2 8 9
185 22
16
( x1 11 9 ) ( x2 8 9 )
81 9
9
1
16 x 11 9
hL (11 9 , 8 9 ) 1 1 8
81
9 x2 9
1
16
( x1 11 9 ) ( x2 8 9 )
81
9
De igual manera, se determina la funcin aproximada gL ( 119 , 8 9 ) y se resuelve el
f L (119 , 8 9 )
problema lineal:
min
hL (119 , 8 9 ) 0
s.a.
g L (119 , 8 9 ) 0
1 x 5
2
2
1
0 x2 3
A diferencia de la SLP, en SQP las aproximaciones del problema son cuadrticas. La
solucin de estas aproximaciones es ms compleja, pero debido a que ajustan mejor la
funcin original, la optimizacin requiere menos iteraciones. Adicionalmente, SLP necesita
mejores estimativas del punto inicial para lograr la convergencia y funciona mejor en
problemas con pocos trminos no-lineales. Para profundizar en estas y otras metodologas
de optimizacin, y algunas aplicaciones en ingeniera qumica se recomienda el texto de
Edgar y colaboradores[3].
Algunos de los mtodos desarrollados para la solucin de problemas no-lineales
pequeos son las tcnicas de rastreo directo como el mtodo de la seccin urea o dorada,
y la programacin dinmica los cuales permiten resolver problemas relativamente sencillos
y con caractersticas especiales; para la solucin de problemas complejos debe emplearse la
programacin matemtica o las herramientas de optimizacin incluidas en los programas de
simulacin.
Ingeniera de Procesos
0.382
0.618
a0
l0
r0
b0
a0 = 0
b0 = 2
l0 = b0 (b0 a0) = 0.764
r0 = a0 + (b0 a0) = 1.236
f (l0 ) 0.18
f (r0 ) 0.292
Como f(l0) < f(r0), se elimina el intervalo 1.236 2
Evaluar la funcin en l0 y r0:
Iteracin 1
a1 = a0 = 0
b1 = 1.236
l1 = b1 (b1 a1) = 0.472
r1 = l0 = 0.764
f (l1 ) 0.249
f (r1 ) 0.18
Como f(l1) < f(r1), se elimina el intervalo 0.764 1.236
Evaluar la funcin en l1 y r1:
Iteracin 2
a2 = 0
b2 = r1 = 0.764
l2 = b2 (b2 a2) = 0.292
Ingeniera de Procesos
r2 = l1 = 0.472
a3 = l2 = 0.292
b3 = b2 = 0.764
l3 = r2 = 0.472
r3 = a3 + (b3 a3) = 0.584
f (l3 ) 0.249
Evaluar la funcin en l3 y r3:
f (r3 ) 0.243
Como f(l3) < f(r3), se elimina el intervalo 0.584 0.764
Iteracin 4
a4 = a3 = 0.292
b4 = r3 = 0.584
l4 = b4 (b4 a4) = 0.403
r4 = l3 = 0.472
Evaluar la funcin en l4 y r4: f (l4 ) 0.240
f (r4 ) 0.249
Como f(l4) > f(r4), se elimina el intervalo 0.292 0.403
Despus de 4 iteraciones, podemos concluir que el ptimo est entre 0.403 y 0.584, el
mejor valor obtenido es x = r4 = 0.472, f(r4) =-0.249; la solucin exacta del problema es x =
0.5, f(x) = 0.25.
Como expuesto anteriormente, este mtodo permite la solucin de problemas con funciones
no continuas, estas funciones son comunes en diseo de procesos pues la dimensin de
algunas unidades es discontinua y en consecuencia su costo tambin lo es.
Ejemplo 6: Funcin de costo discontinua
Para un sistema de bombeo el costo (Ci) depende de un valor fijo (costo de capital: Ci0) y de
una funcin del caudal necesario (Q), luego para dos bombas de diferente potencia
tenemos:
C1 C10 C1 * Q1
C2 C 20 C2 * Q 2
Si la bomba 1 es menor y puede ser usada desde Qmin hasta Q*, y la bomba 2 es mayor y
puede ser usada desde Qmin hasta Qmax >Q*.
Como el diseo implica la seleccin entre las bombas, la funcin de costo ser la mostrada
por la lnea roja en la siguiente figura:
C2
C1
Qmin
Q*
Qmax
Ingeniera de Procesos
f1(xf,, d1)
di
X1
Xi-1
dN-1
Xi
XN-2
fi(xi-1 , di)
N-1
dN
XN-1
fN-1(xN-2 , dN-1)
XN
fN (xN-1, dN)
La optimizacin del proceso por programacin dinmica implica las siguientes etapas:
1- Anlisis de la ltima etapa (N), optimizando su criterio de anlisis (fN) para todos los
posibles valores de entrada (XN-1); con esto se genera una solucin ptima, que ser el
diseo y las condiciones de operacin para esta unidad, para cada entrada posible
6
De forma general, el diseo de toda unidad depende de las caractersticas de la corriente alimentada, y en
consecuencia de las condiciones de operacin de las unidades anteriores. Cuando existe recirculacin de
informacin, el diseo tambin depende de la operacin en las unidades posteriores.
Ingeniera de Procesos
dN*
fN*
XN*
-------------------------
-------------------------
---------------------
Pero tambin puede ser obtenido como funciones matemticas para los valores ptimos de
las variables, lo que evita resolver el problema mltiples veces.
2- Anlisis del subsistema de las dos ltimas etapas (N-1 + N), optimizando el criterio de
anlisis acumulado para todos los posibles valores de entrada (XN-2), el anlisis implica la
solucin del subproblema:
min FN 1 ( xN 2 , d N 1 , xN 1 , d N )
min ( f N 1 ( xN 2 , d N 1 ) f N ( xN 1 , d N ) )
=
{d N 1 , d N }
{d N 1 , d N }
Pero como la optimizacin para la etapa N ya fue resuelta, el problema se reduce a:
min ( f N 1 ( xN 2 , d N 1 ) f N ( xN 1 ) )
{d N 1}
El resultado son los valores ptimos para las variables de diseo y operacin de la etapa N1 (dN-1*(XN-2)) y el respectivo valor para la funcin objetivo. Como el modelo de la etapa
N-1 permite estimar los valores de las variables de salida para esta etapa en funcin de las
variables de entrada, diseo y operacin ( XN-1 (XN-2, dN-1) ) el resultado del anlisis de esta
etapa ser:
Tabla 4. Resultado del anlisis de la etapa N-1 por programacin dinmica
Posibles valores
XN-2
-------
d*N-1
F*N-1
X*N-1
dN*
XN*
-------
-------
-------
-------
-------
3- Un anlisis semejante se debe realizar para cada subsistema, hasta llegar al inicio del
proceso.
Ingeniera de Procesos
Reactivo A
A + B
Alimento FA
Separador
Reactor
Rehervidor
Producto B
Consideremos un proceso con una unidad de reaccin y una de separacin, donde el diseo
y operacin cada unidad puede depender del desempeo de la otra. Para definir la
recuperacin de los componentes en la unidad de separacin se debe considerar la
conversin, de tal forma, que se obtenga la pureza necesaria.
La relacin molar de los componentes a la salida del reactor es:
A2 A1 (1 n)
1 n
A2
B2
B2
A1 n
n
La fraccin de B en el producto de fondo es:
(1 B ) B2
B
G
B A 4
(1 B ) B2 (1 A ) A2
Luego:
(1 B )
1 n
(1 B ) (1 A )
n
donde n: conversin.
I : recuperacin del componente I.
G: grado de pureza del producto (fraccin molar de B).
En la ecuacin anterior podemos observar que para obtener un producto con la pureza
establecida (G), la recuperacin que se defina para los componentes A y B dependen una de
la otra y de la conversin en el reactor (n).
Como un caso especfico, si podemos suponer B = 0, pues podemos disear la torre para
minimizar la prdida de producto, la ecuacin anterior se transforma en:
1
1 (1 A )
1 n
n
Ingeniera de Procesos
Reactivo A
A + B
Separador
Alimento FA
Reactor
Rehervidor
Producto B
En este caso el diseo de la torre depende del reactor (igual que en el ejemplo anterior) pero
el diseo del reactor tambin depende de la unidad de destilacin, lo que caracteriza la
recirculacin de informacin. Por lo anterior, este proceso no podra ser optimizado por
programacin dinmica.
Ejemplo 9 (de aplicacin): Optimizacin de un proceso por programacin dinmica
Considere un proceso con una unidad de reaccin, precedida de un precalentador para el
reactivo y una de separacin en la que se genera una corriente rica en producto y otra en
reactivo, el proceso no tiene recirculacin.
F3: B + A
F0: A
25 C
F1: A
F2: A + B
F4: A + B
100% Pureza
90%
Ingeniera de Procesos
1
A 4 (T 25) F
10
[F] : mol/min
T: C
A: ft 2
PM : g / mol
F PM
Entonces
VR
F ln(1 )
k
PM
Experimentalmente se tiene:
Tabla 5. Resultados experimentales para la reaccin
K(T) = k/PM
40
60
100
T
25
50
100
k (min-1)
2.4
3.6
6.0
CI .C. 25 A
CR 0.8VR
CTD 0.47 N
Identificacin del flujo de informacin: por los modelos antes formulados, para el anlisis
del intercambiador es necesario conocer el flujo procesado (F0) y al fijar la temperatura de
salida (T1) se puede determinar el rea necesaria, en el reactor es necesario conocer la
temperatura y el flujo de la corriente alimentada, mientras que en la torre se requiere la
composicin y el flujo de su alimento, el diagrama de flujo de informacin ser:
F3, XB,D
F0
25 C
F1 , T1
F2, XB,F
AB
F4
Ingeniera de Procesos
X BF
Ingeniera de Procesos
RTD
1
100 (0.2) 4.7( 2 )
X D
1 X D
R
el valor de X D que hace TD 0 ser X D*
X D
1
0 20 4.7( 2 )
1 X D*
X D* 0.765 0.235
2 Subsistema: reactor + torre
max RR+TD = 100(0.1+0.2XD) -0.8VR - 4.7( 2)ln(1/(1-XD))
100ln(1 )
s.a VR
K
Identificacin de variables de optimizacin: K es un parmetro pues depende de la
temperatura, que es informacin de la unidad anterior, XD tampoco es variable pues es de
la unidad analiza anteriormente, en este anlisis se debe emplear XD*, VR es funcin de ,
entonces no es independiente, la nica variable de optimizacin es o alternativamente .
El problema se puede transformar en uno de optimizacin sin restricciones y la funcin
objetivo es derivable, pero no se puede obtener una funcin para el ptimo, * = f(T1), una
alternativa para resolverlo es determinar numricamente el valor de que hace:
RRTD
f ( ) 0
T (C)
25
50
100
K
40
60
100
*
0.947
0.965
0.979
VR*
7.335
5.575
3.861
XD*
0.987
0.992
0.995
N*
0.218
0.163
0.109
RR+TD*
21.26
23.55
25.66
A
0
0.25
0.75
RIC+R+TO*
21.26
17.31
6.92
Ingeniera de Procesos
pueden existir variables discretas7. Algunas alternativas que pueden considerarse son:
1- Simular el proceso mediante alguno de los programas disponibles y emplear los solvers
de optimizacin que ellos poseen.
2- Formular y resolver el problema de optimizacin dentro de un lenguaje especfico de
programacin (GAMS, C+, Fortran, Matlab), esta es la opcin menos indicada dentro de
nuestro curso, pues se requiere una experiencia mnima para programar en el lenguaje
escogido.
3- Simular el modelo en una hoja de clculo y determinar los valores ptimos para las
variables mediante un anlisis de sensibilidad.
Sin importar la alternativa que se escoja, el primer paso es identificar la funcin objetivo,
las variables de optimizacin y el efecto de las mismas sobre el proceso, esto requiere un
anlisis previo a la optimizacin y que puede servir de soporte para la formulacin del
problema, ya que la identificacin de las variables independientes y de sus efectos (con
base en el conocimiento y anlisis de las operaciones del proceso) permite:
Hacer correcciones en la seleccin y formulacin de la funcin objetivo.
Identificar caractersticas del modelo del proceso (que genera restricciones del problema
de optimizacin).
Generar lmites para las variables de optimizacin y para variables dependientes.
4.1 Anlisis preliminar para la optimizacin del proceso
Como mencionado anteriormente, el objetivo de este anlisis es generar informacin til
para el desarrollo de la optimizacin, algunas ideas generales para la formulacin del
problema de optimizacin y para el anlisis preliminar son:
Como variables de optimizacin se sugiere emplear un subgrupo de las variables de
operacin (x), ya que es ms fcil identificar el efecto de estas variables sobre las de diseo
(d). Las variables de optimizacin estn vinculadas a los grados de libertad del problema 8 y
deben ser independientes entre si. Por ejemplo, no se debe considerar como variables de
optimizacin la fraccin de dos componentes en una de las fases generadas por una unidad
de flash, ya que ellas no son independientes entre s y estn relacionadas a travs de las
ecuaciones de equilibrio.
El xito de una optimizacin depende en buena medida del punto inicial de anlisis (valores
iniciales para todas las variables del problema) por esto, sin importar la metodologa, se
sugiere tomar como punto inicial las condiciones de operacin y el diseo actual
(determinados en las etapas anteriores del proyecto) ya que estos valores generan una
solucin viable para el problema. Una solucin viable para nuestro problema esta
caracterizada por un diseo y unas condiciones de operacin que permiten generar el
producto con las caractersticas y en las cantidades deseadas, pero muy seguramente esta
solucin no es la ms rentable.
Ejemplo 10: Anlisis preliminar para la optimizacin
Revise el anlisis para la formulacin del problema de optimizacin de ajuste de un modelo
cintico para la oxidacin de ciclohexano (Jimnez y Rojas, 2009).
7
Variables que no toman valores continuos, por ejemplo el nmero de unidades que deben definirse para una
operacin, la potencia de un motor (ya que tiene valores predeterminados: , , 1 HP) , etc.
8
Un problema de optimizacin tiene grados de libertad positivos, lo que permite la existencia de varias
soluciones para el problema, la optimizacin es exactamente la definicin de la mejor solucin.
Ingeniera de Procesos
La variacin debe ser pequea, para que el /xi que es lo que podemos calcular sea una buena
aproximacin de /xi.
9
Ingeniera de Procesos
7- Seleccionar una nueva variable y volver al paso 6, slo cuando todas las variables
hayan sido analizadas se debe continuar con el paso 8. Los valores obtenidos para las
variables constituyen una nueva solucin, que es candidata a solucin ptima.
8- Verificar la optimalidad de la solucin encontrada, para esto se deben calcular las
sensibilidades (/xi) alrededor de la nueva solucin. La solucin es considerada
ptima si todas las sensibilidades son prximas a cero.
9- Si del paso anterior se concluye que la solucin encontrada an no es ptima, debemos
reiniciar el anlisis (volver al paso 5), partiendo de la solucin encontrada y analizando
nicamente las variables en las que se observ que la funcin objetivo puede ser
mejorada (sensibilidad diferente de cero).
La solucin del problema de optimizacin por anlisis de sensibilidad usa principios
semejantes a los de los solvers de optimizacin: Estima aproximaciones de las derivadas
para definir la direccin de bsqueda y el tamao del paso. Pero a diferencia de las solvers,
la bsqueda se hace en una variable de cada vez y no simultneamente, y el tamao del
paso se define no slo por el valor estimado para la derivada, como tambin por el
conocimiento del proceso y analizando la evolucin de la funcin objetivo entre una
iteracin y la siguiente.
Ejemplo 10: Solucin de un NLP complejo por anlisis de sensibilidad
Vea el ejemplo de la seccin 10.3 del Douglas [1].
Ingeniera de Procesos
N2
H2
Compresor
Reactor
Purga
Separacin
de producto
No recuperar
Reactor tubular
Membrana de separacin
Absorcion +
Destilacin
No recuperar
Membrana de separacin
Dos condensadores
parciales
No recuperar
Rex multilecho
Membrana de separacin
Absorcion +
Destilacin
No recuperar
En la representacin en rbol el camino desde el nodo raz hasta un nodo terminal, define
una solucin completa. No hay ciclos en la representacin, pero se pueden repetir los nudos
(puntos de decisin).
Ingeniera de Procesos
A
B
C
D
A
B
C
D
A
B
C
D
A
B
C
D
B
C
D
C
D
B
C
D
B
C
A
B
C
D
A
B
C
B
C
A
B
C
A
B
Ingeniera de Procesos
En redaccin
4.4. Optimizacin de problemas modelados con ecuaciones diferenciales
Dentro de las aplicaciones de optimizacin para la ingeniera qumica, un grupo de
problemas de gran inters y no menor complejidad es el que considera sistemas de
ecuaciones diferenciales. Estos problemas se generan tanto en sistemas que no trabajan en
estado estacionario, como son los procesos por lote y lote alimentado, como en sistemas
continuos que operan en estado estacionario. En el primer caso, las ecuaciones diferenciales
que modelan el proceso definen la evolucin del sistema (temperatura, presin,
composicin) en el tiempo, mientras que en el segundo, definen el cambio de las
propiedades respecto a la posicin; adicionalmente, el arranque de procesos que operan en
continuo (y por consiguiente en estado estacionario) tambin es un problema dinmico.
Por sus caractersticas, la optimizacin de problemas dinmicos requiere metodologas
especficas que permitan resolver los dos problemas involucrados (la integracin del
sistema de ecuaciones diferenciales y la optimizacin de las condiciones operacionales).
Segn la forma en que asocian estos dos problemas, los mtodos pueden clasificarse en
estrategias secuenciales y simultaneas. Las estrategias secuenciales resuelven la integracin
y la optimizacin de forma aislada, mientras que las simultneas lo hacen acopladamente.
Para resolver simultneamente la optimizacin e integracin, se genera una aproximacin
del sistema de ecuaciones diferenciales mediante un sistema de ecuaciones algebraicas, lo
que transforma el problema de optimizacin dinmica en un problema de optimizacin nolineal (NLP), recientemente, se han desarrollado mltiples estudios sobre estas
metodologas (Seferlis y Hrymak, 1994; Li, Hoo y Wozny, 1998; Riascos y Pinto, 2002 y
2004)
Por su parte, el desarrollo, uso y estudio de las estrategias secuenciales es ms tradicional
(Referencias). En grandes rasgos, la secuencia de anlisis de estas estrategias se puede
resumir en los siguientes pasos:
1- Generar un punto inicial para la optimizacin: valores para cada una de las variables de
optimizacin.
2- Integrar el sistema de ecuaciones diferenciales para obtener el valor de las variables no
independientes en el problema, incluyendo la funcin objetivo.
3- Proponer modificaciones en los valores de las variables de optimizacin, con base la
informacin de sensibilidad10.
Repetir los pasos 2 y 3 hasta lograr la convergencia (ver Figura 15).
Figura 15. Diagrama de flujo para la solucin por una estrategia secuencial.
10
Ingeniera de Procesos
KX X S
max
K P S(1 S / K in )
ms
Yx/s Yp/s
max
Donde max e max son las velocidades especficas mximas de crecimiento y produccin
(velocidades especficas en condiciones ptimas); Kx e Kp son las constantes de saturacin
para el crecimiento y la produccin, que permiten estimar la desaceleracin en estos
procesos debido a la disminucin del sustrato; Kin es la constante de inhibicin en la
produccin por exceso de sustrato; Yx/s e Yp/s son los factores de conversin de substrato en
biomasa y de sustrato en producto (gramos de substrato empleados para producir un gramo
de biomasa y un gramo de producto, respectivamente) y ms es el consumo para
mantenimiento celular.
Cuthrell y Biegler (1989) implementaron dos modificaciones en el modelo de Lim et al.
(1986): la primera por inconsistencias en el trmino de mantenimiento (ecuacin 3) que
modificaron de ms a
ms S
Km S
Ingeniera de Procesos
s.a
( t ) (X, S) X X U
X
S V
F
P
U
P ( t ) ( S) X K deg P
SF V
X ms S
X
S U
(S)
X 1 -
S ( t ) (X, S)
SF V
Yx/s
Yp/s K m S
(t) U / S
V
F
V(0) = 7,0 l
KX X S
(X, S) max
K P S(1 S / K in )
(S) max
0 X(t) XU
0 S(t) SU
0 V(t) VU
0 U(t) UU
tfL tf tfU
Tabla 7. Parmetros del modelo para biosntesis de penicilina.
Parmetro
Significado
Valor
XU
SU
VU
UU
40
100
10
50
72
200
0,11
0,0055
0,006
0,0001
0,1
0,01
0,0001
tfL
tfU
max
max
Kx
Kp
Kin
Kdeg
Km
ms
Yx/s
Yp/s
SF
0,029
0,47
1,2
500
Ingeniera de Procesos
Lim et al. (1986) presentan la solucin analtica del problema, la cual considera un periodo
con flujo mximo hasta t=11.21 h, seguido por un periodo sin alimentacin hasta t=28.79 h,
y finalmente un periodo con flujo aproximadamente constante hasta t=124.9 h (en este
momento se alcanza el volumen mximo del fermentador). Con esta operacin se produce
86.9 g de penicilina. Los perfiles de estado y control aparecen en las figuras 16 y 17.
120
100
80
60
40
20
0
0
20
40
60
80
100
120
140
tempo (h)
600
120
500
100
400
80
300
60
biomassa
200
40
produto (g)
Figura 16. Perfil de control para la solucin analtica de Lim et al. (1986).
substrato
20
100
produto
0
0
20
40
60
80
100
120
140
tempo (h)
Figura 17. Perfiles de estado para la solucin analtica de Lim et al. (1986).
Ingeniera de Procesos
10
30
Produto (g/l)
Biomassa (g/l)
40
20
10
0
0
0
50
100
Tempo (h)
150
50
100
Tempo (h)
150
50
30
Substrato (g/l)
20
10
40
30
20
10
0
50
100
Tempo (h)
150
2
intervalo
Ingeniera de Procesos
30
Produto (g/l)
Biomassa (g/l)
40
20
10
0
50
100
Tempo (h)
150
50
100
Tempo (h)
150
50
Substrato (g/l)
40
30
20
10
0
50
100
Tempo (h)
40
30
20
10
0
150
3
4
intervalo
10
30
Produto (g/l)
Biomassa (g/l)
40
20
10
0
50
100
Tempo (h)
150
50
100
Tempo (h)
150
50
Substrato (g/l)
30
20
10
0
50
100
Tempo (h)
150
40
30
20
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
intervalo
Ingeniera de Procesos
Corrida
OS-1
OS-2
OS-3
OS-4
OS-5
Estatsticas
No.
Intervalos N. iteraes t. clculo (m:s)
3
5
10
15
20
37
62
177
417
736
0:29
2:00
5:00
13:00
29:10
Resultados
(g Penicil.)
tf (h)
87,02
87,69
86,99
87,27
87,45
124
124
124
124
124
En las figuras 18 a 20, se puede observar que los perfiles de las variables de estado so
muy semejantes entre una corrida y otra. El cambio ms significativo se presenta en la
concentracin de sustrato, donde la altura del pico varia entre 20 e 32 g/l, pero sin tendencia
clara. Los perfiles de controle (tasa de alimentacin) tambin cambian de una corrida a
otra, pero en todos los casos se sugiere una tasa elevada en el inicio el proceso (al rededor
de 20 g/h), la cual se reduce para permanecer prcticamente constante en aproximadamente
10 g/h. La solucin analtica (Lim et al., 1986) sugiere para el final del proceso una tasa de
alimentacin cercana a 20 ml/h (ver figura 17).
En la tabla de las estadsticas y resultados, evidente que os valores obtenidos para la
funcin objetivo son prximos entre si e al de la solucin analtica (87,05 g de penicilina).
Tambin se observa que el nmero de iteraciones aumenta exponencialmente con el
nmero de intervalos, as como el tiempo de clculo, o cual es indicador de la carga
computacional. Cuando se emplean metodologas secuenciales, el aumento explosivo de
la carga computacional restringe el nmero de intervalos que se emplea en la discretizacin,
y debe ser especialmente crtico en problemas ms complejos.
5. INFORME DE LA OPTIMIZACIN DEL DISEO
El informe de la optimizacin del diseo debe contener:
1- Definicin del problema de optimizacin.
- Seleccin de la funcin objetivo.
- Identificacin de los modelos de operacin, diseo y costo.
- Seleccin de las variables de optimizacin e incidencia.
- Anlisis del flujo de informacin en el proceso.
2- Caracterizacin del ponto inicial para la optimizacin.
- Valores para las variables de operacin y diseo.
- Valor para la funcin objetivo.
3- Resultado final de la optimizacin (los mismos elementos del numeral 2).
4- Anlisis de los resultados.
- Identificacin el efecto de cada variable sobre el diseo y desempeo del
proceso.
- Conclusiones.
Observacin: todas las consideraciones, criterios de seleccin, valores asumidos, etc. deben
ser presentados y justificados.
Ingeniera de Procesos
BIBLIOGRAFA
[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
[12]
[13]
[14]
[15]
[16]