APLICACIÓN DE UN ALGORITMO RECOCIDO SIMULADO PARA DISEÑAR Y

OPTIMIZAR LA DESTILACION CON OSCILACIÓN A PRESIÓN

(SA) (Recocido simulado, cristalización simulada, templado simulado o enfriamiento simulado)

El diseño y la optimización de la destilación por oscilación de presión (PSD) tienen un impacto crítico en su propia
economía. Un método de optimización basado en el algoritmo de recocido simulado (SAA) fue propuesto. El generador
de movimiento y el programa de enfriamiento de la SAA, se discutieron, y ajustes de parámetros adecuados fueron
investigados. Dos cajas PSD con y sin integración de calor fueron optimizadas por el método de optimización SAA
utilizando procedimientos de presión especificada y presión optimizada. Los resultados del proceso sin integración de
calor se compararon con los métodos de optimización convencionales. Para el sistema de acetona-metanol, el costo total
anual (TAC) muestra una disminución del 5.69% con la presión especificada y una disminución del 17.32% con la presión
optimizada. Para el sistema de metanol-cloroformo, el TAC muestra una disminución de 1.79% con la presión especificada
y una disminución de 9.04% con la presión optimizada. El método de optimización basado en SAA tiene las ventajas de
una alta probabilidad de obtener el cálculo global óptimo, automático y menos tiempo de computación.

Introducción

Hay varias mezclas que deben separarse en una industria de procesos químicos. Las mezclas azeotrópicas no se pueden
separar eficientemente mediante destilación convencional (An et al., 2015; Bastos et al., 2015; Mahdi et al., 2014;
Skiborowski et al., 2015). Para resolver este problema, se han propuesto métodos especiales de destilación, que incluyen
la destilación por oscilación a presión (PSD) (Lladosa et al., 2011; Luo et al., 2014; Luyben, 2014; Modla et al., 2010; Wang
et al., 2015), destilación extractiva (Liang et al., 2014; Quijada-Maldonado et al., 2014), y destilación azeotrópica
(Kunnakorn et al., 2013).

La PSD es un método eficiente para separar mezclas azeotrópicas sensibles a la presión, cuya composición azeotrópica
cambia claramente a medida que cambia la presión del sistema. La PSD ha atraído la atención de los investigadores, pues
tiene la ventaja de no tener un tercer componente introducido. El consumo de energía y la inversión de capital representan
la mayor parte del costo total del proceso de PSD, y la optimización y el diseño del proceso de PSD tienen un impacto
crítico en la economía de todo el proceso (Lladosa et al., 2011). (Lladosa et al., 2011).

Hay nueve variables diseñadas que deben optimizarse para un proceso de PSD, incluyendo el número de etapas (NT1), la
ubicación de la etapa de alimentación (NF1), la ubicación de la etapa de reciclaje (NREC), la relación de reflujo (RR1) y presión
(P1) de la columna T1; y el número de etapas (NT2), la ubicación de la etapa de alimentación (NF2), la relación de reflujo
(RR2) y la presión (P2) de la columna T2. Entre ellos, RR1, RR2, P1 y P2 son variables continuas, mientras que las otras son
variables discretas. La optimización de un proceso de PSD es un problema de optimización combinatoria de múltiples
variables en el que la función objetivo es el costo anual total (TAC). Este tipo de problema de optimización se puede
formular como un problema de programación no lineal de enteros mixtos (García-Herreros et al., 2011; Silva y Salcedo,
2011). Un método iterativo secuencial y un método de optimización heurística se utilizan comúnmente para optimizar una
PSD en la literatura abierta. Por ejemplo, Hosgor et al. (2014) optimizó un sistema de metanol / cloroformo utilizando un
método iterativo secuencial. Luo et al. (2014) optimizó un sistema de alcohol isopropílico / diisopropil éter utilizando un
método iterativo secuencial. Luyben (2008, 2014) optimizó un sistema de metanol / trimetoxisilano y un sistema de
acetona / metanol utilizando un método de optimización heurística.

Algoritmos de optimización inteligente, incluyendo el algoritmo de recocido simulado (SAA) (Cheng et al., 2009; Gutiérrez-
Antonio et al., 2014; Li et al., 2015; Ochoa-Estopier et al., 2015; Sudibyo et al., 2015; Wang et al., 2012; An y Yuan, 2009),
algoritmo genético (Lim et al., 2014; Modla y Lang, 2012), búsqueda de tabu (Martins y Costa, 2010) y optimización de
enjambres de partículas PSD (Lahiri, 2014 ; Liu y Zhao, 2012), se han utilizado con éxito en el diseño y optimización de
procesos. SAA se usa ampliamente en secuencias de destilación de multi-componentes (An y Yuan, 2009), diseños de redes
de intercambiadores de calor (Li et al., 2015; Ochoa-Estopier et al., 2015), fase de cálculos de equilibrio (Zhu et al., 2000),
optimizaciones en el proceso de destilación por lotes (Hanke y Li, 2000; Wang et al., 2012), optimizaciones del proceso de
destilación reactiva (Cardoso et al., 2000; Cheng et al., 2009), destilaciones azeotrópicas (Gutiérrez-Antonio et al., 2014),
y Destilaciones extractivas (García-Herreros et al., 2011). Modla y Lang (2012) optimizaron un proceso PSD con un
algoritmo genético por medio de la minimización del costo total anual. Simulación-optimización (Chan y Srinivasan, 2016;
Silva y Salcedo, 2011) es un tipo especial de técnica de optimización que hace que el uso de una simulación remplace las
formulaciones matemáticas deterministas. La meta de este estudio es aplicar una técnica de simulación-optimización a la
optimización de la PSD por el SAA. La simulación de un proceso de PSD fue realizada en Aspen Plus. La técnica de
simulación-optimización fue implementada por la interfaz de Visual Basic (VB) con Aspen Plus basada en la guía del usuario
(Aspen Plus User Guide, 2007). Para obtener el óptimo global del proceso de PSD, el generador de movimiento y el horario
de enfriamiento de la SAA serán discutidos. Dos casos serán estudiados y se probarán diferentes configuraciones para los
parámetros de SAA iniciales hasta obtener los parámetros adecuados.

2. PSD ÓPTIMO UTILIZANDO EL SAA

2.1. Recocido simulado

El recocido simulado (SA) (Kirkpatrick et al., 1983) fue motivado originalmente por el proceso de recocido
físico en el trabajo del metal y se utilizó con éxito en la optimización. SA utiliza un criterio de Metropolis
(Metropolis et al., 1953) para tener una mejor oportunidad de obtener el mínimo global y evitar quedar
atrapado en un estado de energía mínima local. El diagrama de flujo del algoritmo de recocido simulado se
describe en la Fig. 1.

El estado de energía (E) es equivalente a la función objetiva.

Los ajustes de parámetros del SAA incluyen:

 La temperatura inicial (T0)
 La temperatura de congelación (Tf).
 La longitud de la cadena de Markov (L).
 Las variables de diseño (X0).
 El estado de energía de X0 (E (X0)).
 Y el factor de disminución de la temperatura (α).

El (SA) genera una perturbación aleatoria que desplaza una "partícula" (moviendo la configuración
de X0 a la otra configuración, Xi).

Si la nueva configuración tiene un estado de energía más bajo, se acepta el movimiento (X0 = Xi, E
(Xi) = E (X0)).
Sino, se acepta el movimiento, con la probabilidad de aceptación del criterio de Metropolis que se
muestra como Fórmula (1).

El contador (i) agrega uno cuando se ejecuta el bucle interno.

El bucle externo se ejecuta cuando el contador (i) es mayor que la longitud de la cadena de Markov
(L).
Si la temperatura (T) alcanza la temperatura de congelación (Tf), entonces se obtienen el diseño
óptimo (X0) y el estado de energía (E (X0)).
2.2. PARÁMETROS DE LA SAA

Para obtener el óptimo global del proceso de PSD, el generador de movimiento y el programa de
enfriamiento. Hanke y Li (2000), Zhu et al. (2000), y Cheng et al. (2009) analizaron el programa de
enfriamiento de la SAA, que incluye la temperatura inicial (T0), la disminución de la temperatura, la
longitud de la cadena de Markov (L) y el criterio de terminación.

2.2.1. MOVER GENERADOR

(a) Variables discretas: Xi = X0 + Int {[2U (0,1) - 1] × PASO}, donde MinVal ≤ Xi ≤ MaxVal
(b) Variables continuas: Xi = X0 + Ronda {[2U (0,1) - 1] × PASO, 2}, donde MinVal ≤ Xi ≤ MaxVal
PASO significa los máximos tamaño del paso por cada movimiento.
Int indica que el número está redondeado.
Ronda (x, 2) significa redondeado de x a dos lugares decimales.
U (0,1) indica una distribución uniforme para el intervalo (0, 1).
MaxVal denota el valor máximo de Xi.
MinVal significa el valor mínimo de Xi.
El número de ubicaciones de etapa y avance de la columna de destilación son variables discretas
que utilizan el generador de movimientos (a).
Las variables de diseño para la relación de presión y reflujo son variables continuas que utilizan el
generador de movimientos (b).

2.2.2. TEMPERATURA INICIAL (T0)

La temperatura inicial debe ser lo suficientemente grande como para encontrar el óptimo global.
Sin embargo, una temperatura inicial más alta da como resultado un mayor tiempo de cálculo. La
elección del valor de la temperatura inicial debe ser esencialmente que todas las configuraciones
nuevas se acepten virtualmente de acuerdo con el criterio de Metropolis para la temperatura inicial,
y la relación de aceptación (la relación entre el número de configuraciones aceptadas y el número
total de configuraciones nuevas) disminuye a medida que La temperatura disminuye. Antes de
seleccionar la temperatura inicial, primero se debe especificar un valor adecuado de K (la relación
del TAC a la función de estado de energía). El objetivo de establecer el factor K es encontrar
fácilmente otros parámetros del programa de enfriamiento, y no se ve afectado por el sistema del
PSD. El criterio para la determinación de la temperatura inicial es el siguiente.

La temperatura se establece en 50 ≤ T0 ≤ 500, y la relación de aceptación es aproximadamente del

100% a una temperatura de T0. Se intentaron trescientos movimientos, y el número de
configuraciones aceptadas y el índice de aceptación se calcularon mediante el software SAAPSDO.
Si el índice de aceptación está entre 90% y 95%, T0 es adecuado para el sistema de la PSD. Si no, el
valor de T0 se ajusta hasta que la relación de aceptación cumpla con el requisito.

2.2.3. DECREMENTO DE TEMPERATURA

La disminución de la temperatura es crucial para la convergencia y el rendimiento del método SA.

Si la velocidad de enfriamiento es demasiado lenta, el tiempo de cálculo será muy grande. Si la
velocidad de enfriamiento es demasiado rápida, la SAA puede escapar del óptimo global, lo que
resulta en quedar atrapado en un óptimo local. El criterio de la disminución de la temperatura de la
geometría (Kirkpatrick et al., 1983) se utiliza para controlar la velocidad de la disminución de la
temperatura.
Donde es un factor de disminución de la temperatura y n es

El contador de la temperatura).

2.2.4. Longitud de la cadena de Markov (L)

El número de nuevas configuraciones (Xi) intentadas a cualquier temperatura específica (Tn) es la

longitud de la cadena de Markov (Ln). La temperatura, Tn, disminuyó después de los ajustes de
longitud del paso Ln, completando una "cadena de Markov" en el bucle externo. La longitud de la
cadena de Markov debe ser lo suficientemente larga para que el sistema alcance un estado de
equilibrio casi constante en cada temperatura, lo que puede determinarse por las configuraciones
de vecindad obtenidas en un solo movimiento que comienza en la etapa i en todas las direcciones
(Zhu et al. , 2000). Un movimiento de variables discretas da como resultado cambios en TAC que
son significativamente más grandes que las variables continuas, y el efecto de los cambios de
variables en un sistema diferente es diferente. Para la optimización de la PSD, hay nueve variables
de diseño que deben optimizarse, y cada variable tiene dos direcciones (es decir, aumentar y
disminuir) a cada temperatura. Por lo tanto, la longitud de la cadena de Markov de cada
temperatura puede definirse como un valor de L, que se puede suponer que es un valor de
aproximadamente dieciocho basado en el instinto.

2.2.5. Criterio de terminación

El criterio de terminación SAA utiliza con frecuencia la temperatura de congelación (Tf), es decir, el
proceso de recocido termina cuando la temperatura alcanza la temperatura de congelación. La
temperatura de la SAA debe aproximarse a un valor de cero a medida que el algoritmo avanza. En
la práctica, el valor de la temperatura se reduce a valores suficientemente pequeños, de modo que
prácticamente no se aceptan configuraciones peores de acuerdo con el criterio de Metropolis y no
se espera una mejora significativa de la función objetivo. La temperatura cambió 138 veces desde
200 hasta 0.0001, con un valor de 0.9, que es suficiente para obtener la solución óptima. Por lo
tanto, la temperatura de congelación se establece como un valor de 0.0001.

2.3. Optimizando el PSD utilizando el SAA

Se agregan tres módulos de juicio y un módulo de memoria de datos al implementar el SAA para
optimizar el proceso de PSD. El diagrama de flujo del algoritmo del software SAAPSDO se muestra
en la Fig. 2. Se agrega un módulo de evaluación repetida para evitar los cálculos de la misma variable
(Xi) en la ejecución del software SAAPSDO. Se agrega un módulo de evaluación de errores de
ejecución de Aspen Plus para advertir sobre errores de ejecución o advertir sobre variables de
diseño que se generan aleatoriamente en un cierto rango. El módulo de juicio mínimo se agrega de
tal manera que el cambio en el TAC mínimo y los valores de las variables de diseño se pueden
encontrar fácilmente. Las reglas para cambiar la configuración mínima a medida que disminuye la
temperatura pueden investigarse. Se agrega un módulo de memoria de datos al interactuar con
Microsoft Office Excel para guardar los datos de las variables de diseño, los valores TAC de la PSD,
las temperaturas de recocido, etc.
El presente método de optimización basado en SAA se llevó a cabo mediante el software de
optimización de destilación por cambio de presión basado en SAA (SAAPSDO). El software se
implementa mediante la integración de software de interfaces VB con Aspen Plus y Microsoft Office
Excel. La interfaz principal y la interfaz del "Modelo de costo anual total" se diseñaron de manera
tal que todos los parámetros necesarios de las fórmulas SAA, PSD y TAC se puedan especificar, que
se muestran en las Figs. 3 y 4. Al hacer clic en el menú "Modelo TAC" se irá a la interfaz "Modelo de
costo anual total", y el modelo TAC se puede especificar en la interfaz "Modelo de costo anual total".
En este estudio, el modelo TAC sigue el modelo económico básico de Luyben (2013).

El procedimiento de optimización de la SAA consta de los siguientes pasos, como se muestra en la

Fig. 2. Se especificaron los valores y restricciones iniciales de las nueve variables de diseño PSD, los
parámetros de la SAA, la ruta de Excel, la ruta de Aspen Plus y el modelo TAC primero. Luego, se
generaron los valores de las nueve variables de diseño. Los valores de NTI, NT2, NF1, NREC y NF2 se
generaron aleatoriamente de acuerdo con el generador de movimientos de variables discretas. Los
valores de las variables de diseño RR1, RR2, P1 y P2 se generaron aleatoriamente de acuerdo con el
generador de movimiento de variables continuas. Se buscaron los valores de las variables de diseño
para evitar repeticiones y luego se transfirieron a Aspen Plus para la simulación del proceso. Los
errores de ejecución de la simulación del proceso se evaluaron mediante la interfaz con el archivo
de historial de ejecución de Aspen Plus. Los resultados sin errores ni advertencias se transfirieron al
software SAAPSDO para calcular el TAC y el estado de la energía (1 / Ktimes of the TAC). Microsoft
Office Excel se interconectó para guardar los resultados calculados, incluidos los resultados
optimizados. Los pasos anteriores se repitieron hasta que el SAA cumplió con el criterio de
terminación. El diseño óptimo y el TAC mínimo se obtuvieron una vez finalizado el procedimiento
de optimización. Una parte del código del software SAAPSDO se encuentra en el Apéndice A.

3. estudios de caso

La optimización heurística y el método de optimización iterativa secuencial se utilizan ampliamente

en la optimización de un PSD. Luyben (2008) utilizó un método de optimización heurística para
diseñar un proceso de PSD para separar acetona-metanol, y se calculó el TAC mínimo del sistema
optimizado. Hosgor et al. (2014) utilizaron un método de optimización iterativo secuencial para
encontrar el diseño óptimo de un PSD para separar un azeótropo de metanol-cloroformo
minimizando el TAC. En este documento, los dos procesos PSD mencionados anteriormente para la
separación acetona-metanol y metanol-cloroformo se re-optimizan con el método de optimización
SAA para hacer una comparación con los métodos de optimización convencionales.

Las variables de diseño del proceso de PSD a optimizar se muestran en la Fig. 5. Estas variables de
diseño se optimizan generando una perturbación aleatoria en sus restricciones basadas en el
método de optimización SAA. Las presiones en las dos columnas de la PSD pueden obtener valores
óptimos más precisos utilizando el método de optimización basado en SAA en comparación con los
métodos de optimización convencionales que se basan en las curvas T-xy de mezclas azeotrópicas a
diferentes presiones. En estudios de Luyben (2008) y Hosgor et al. (2014), la especificación de la
composición del destilado de las columnas generalmente establece un valor fijo que era más bajo o
más alto que el azeotrópico composición. El valor fijo se especificó en sus estudios, pero se optimizó
en nuestros estudios, por lo que el TAC calculado por los métodos de optimización convencionales
en nuestros estudios es inferior al TAC del documento. Por ejemplo, el TAC para separar acetona-
metanol (Luyben, 2008) basado en los métodos de optimización convencionales es 4,187,195 $ /
año en lugar de 4,520,000 $ / año que se informó en el documento citado.

3.1. SISTEMA ACETONA-METANOL

3.1.1. SIN INTEGRACIÓN DE CALOR

El diagrama de flujo de estado estable de la PSD para separar la mezcla de acetona y metanol se
puede encontrar en el estudio de Luyben (2008). Las purezas inferiores (XM = 99.5% en moles y XA
= 99.4% en moles) se logran ajustando la tasa inferior utilizando la función “Especificación de diseño
/ Variante” de AspenPlus. Las restricciones en las variables de referencia se especificaron como 20
≤ NT1 ≤ 90, 10 ≤ NF1 ≤ 70, 10 ≤ NREC ≤ 70, 0.01 ≤ RR1 ≤ 5,00, 20 ≤ NT2 ≤ 90, 10 ≤ NF2 ≤ 70, 0,01 ≤
RR2 ≤ 5,00, 0,5 ≤ P1 ≤ 1.5, y 8 ≤ P2 ≤ 12.

El artículo publicado (Luyben, 2008) determinó las presiones en las dos columnas basándose en las
curvas T-xy de las mezclas azeotrópicas a diferentes presiones, que no se optimizaron. La
optimización del proceso de PSD por el método convencional generalmente contiene siete variables
de diseño, excepto la presión. Para comparar el método de optimización basado en SAA con el
método convencional y encontrar el efecto de la presión en el TAC de los procesos PSD, se
ejecutaron dos procedimientos para la optimización de los procesos PSD. Uno de ellos es la presión
especificada y el otro es la presión optimizada, el procedimiento con la presión especificada se
ejecutó primero.

Las relaciones de aceptación para diferentes temperaturas iniciales se muestran en la Tabla 1. La

relación de aceptación alcanza 83.8% a T0 = 100. Establecer una temperatura inicial más alta (T0) es
útil para la optimización de la SAA para obtener el diseño óptimo global. Se determinó que la
temperatura inicial (T0) era de 250 con una tasa de aceptación del 90% al 95%.

Para obtener ajustes de parámetros más generales para el SAA, se probaron tres ejecuciones
diferentes (Ejecución A – C) con diferentes valores iniciales de las variables de diseño (Xi) (Tabla 2).
Los valores iniciales de las variables de diseño (Xi) se eligieron al azar siempre que el TAC del diseño
inicial fuera lo suficientemente grande. Se usaron cuatro subcasas diferentes (subcasas 1–4) para
ilustrar la elección de los ajustes de parámetros de SAA, como L y STEP. Los resultados de la
optimización con diferentes ajustes de parámetros para el SAA se muestran en la Tabla 3. Los
resultados muestran que solo con el uso de los ajustes de parámetros del SAA en el subcaso 4, la
Carrera A – C pudo obtener el TAC óptimo global. El proceso de recocido con diferentes valores
iniciales de las variables de diseño de PSD da como resultado el mismo diseño óptimo, lo que
demuestra que el resultado es confiable. El PASO de 1 tiene un buen rendimiento en comparación
con el PASO de 2. El PASO de 1 genera una perturbación aleatoria de menor escala y puede generar
un TAC más bajo cuando la temperatura es baja. Un 0,9 tiene un mejor rendimiento en comparación
con un 0,8. La longitud de la cadena de Markov de 15 es suficiente para que el proceso de
enfriamiento alcance el equilibrio casi a cada temperatura. Por lo tanto, los parámetros de la SAA
se determinan como PASO = 1, T0 = 250, = 0.9, L = 15, Tf = 0.0001 y K = 800.

Los resultados del proceso de recocido con los ajustes iniciales de la ejecución B en el subcaso 4 se
muestran en la Fig. 6. Para comparar ejecuciones de diferentes variables de diseño iniciales entre
sí, el TAC de cada temperatura se contrasta con el valor promedio de TAC de esa temperatura. Los
resultados para el subcaso 4 con tres ejecuciones diferentes se muestran en la Fig. 7 (a). Los
resultados revelan que el TAC disminuye y el TAC óptimo global se obtiene a medida que disminuye
la temperatura. Los parámetros variables de diseño y la economía de los resultados óptimos basados
en el método convencional y el método SAA se muestran en la Tabla 4. El TAC mínimo obtenido por
el método de optimización basado en SAA con la presión especificada es 3,949,133 $ / año, que es
una disminución del 5.69% en comparación con el método de optimización heurística (4,187,195 $
/ año).

Un procedimiento similar con nueve variables de diseño (incluida la presión) del proceso PSD se
optimiza después de obtener el diseño óptimo con la presión especificada. La configuración de la
variable de diseño inicial (Xi) del proceso PSD adopta el diseño óptimo del método de optimización
basado en SAA con la presión especificada. Hay nueve variables de diseño para el procedimiento de
optimización con la presión optimizada, y se debe aumentar la longitud de la cadena de Markov (L)
y el factor de disminución de la temperatura () de la SAA. Los parámetros de L y para el
procedimiento de presión optimizada se modifican a 20 y 0.95. El proceso de recocido con la presión
optimizada se presenta en la Fig. 7 (b) y muestra que el TAC disminuye a medida que la temperatura
disminuye. El diseño y la economía óptimos presentados en la Tabla 4 muestran que el TAC
disminuye a 3,461,941 $ / año, lo que representa una disminución del 17.32% en comparación con
el método de optimización heurística (4,214,998 $ / año). Los perfiles de composición de las dos
columnas de destilación se muestran en la Fig. 8 (a) y (b).

3.1.2. Integración parcial del calor.

El cálculo del TAC para el proceso de integración de calor parcial se determina para el trabajo de
calor del condensador de la columna de alta presión y el servicio de calor del hervidor de la columna
de baja presión. Si el primero es más alto que el segundo, se agregará un condensador auxiliar. Si
ocurre lo contrario, entonces se agregará un hervidor auxiliar. Por lo tanto, se establece un cálculo
de TAC para estas dos situaciones diferentes y se agrega un módulo de evaluación.

Se ejecutaron dos procedimientos para la optimización del proceso de integración de calor parcial,
donde uno de ellos se especifica a la presión y el otro se optimiza la presión. Los parámetros de la
SAA con la presión especificada se establecen como: PASO = 1, T0 = 250, = 0.9, L = 20, Tf = 0.0001 y
K = 800. Se usó una solución sin optimización adicional como comparación, que fue el diseño del
valor óptimo del proceso de presión especificada sin integración de calor optimizada por el método
de optimización basado en SAA. El diseño óptimo y la economía para el proceso de integración de
calor parcial se dan en la Tabla 5. Los perfiles de composición de las dos columnas de destilación de
la solución optimizada con la presión optimizada se muestran en la Fig. 8 (c) y (d). Los procesos de
recocido de estos procedimientos se muestran en la Fig. 7 (c) y (d). Los resultados se recuperan a
medida que el TAC mínimo se obtiene a medida que la temperatura disminuye. Hay dos tendencias
para la optimización del proceso de integración de calor parcial, como se presenta en la Fig. 7 (b):
una disminuye a aproximadamente 2,550,000 $ / año y la otra disminuye a aproximadamente
2,500,000 $ / año. Suponemos que esto se debe al cálculo del TAC para las dos situaciones diferentes
del proceso de integración de calor parcial. Se demostró que esta suposición es verdadera al verificar
los datos originales en la Fig. 7 (d)

3.2. Sistema de metanol-cloroformo.

3.2.1. Sin integración de calor

El diagrama de flujo de estado estable de la PSD para separar la mezcla de cloroformo de metanol
se puede encontrar en el estudio de Hosgor et al. (2014). Las purezas inferiores (XM = 99.5% en
moles y XC = 99.5% en moles) se logran ajustando la tasa inferior. Las restricciones en las variables
de diseño se especifican como 1 ≤ NT1 ≤ 50, 1 ≤ NF1 ≤ 40, 1 ≤ NREC ≤ 40, 0.01 ≤ RR1 ≤ 2.00, 1 ≤ NT2
≤ 50, 1 ≤ NF2 ≤ 40 y 0.01 ≤ RR2 ≤ 2.00, 0.5 ≤ P1 ≤ 1.5, 8 ≤ P2 ≤ 12.

Se ejecuta un procedimiento con la presión especificada y se prueban valores iniciales diferenciales

para las variables de diseño (Xi) para el proceso de PSD (Tabla 6). Al igual que en el ejemplo anterior,
se probaron diferentes ajustes de parámetros de la SAA. Se determina que la temperatura inicial
(T0) es 200, con una tasa de aceptación entre 90% y 95%. Las otras configuraciones para el SAA son:
PASO = 1, = 0.9, L = 18, Tf = 0.0001 y K = 500. Las presiones en las dos columnas se optimizan en
base al diseño óptimo anterior. Los procesos de recocido de estos procedimientos se muestran en
la Fig. 9 (a) y (b). El diseño óptimo y la economía de estos procedimientos se muestran en la Tabla
7. Los perfiles de composición para las dos columnas de destilación se muestran en la Fig. 10 (a) y
(b).

3.2.2. Integración de calor total

El diagrama de flujo de estado estable de la PSD con integración de calor total para separar una
mezcla de metanol y cloroformo se puede encontrar en el estudio de Hosgor et al. (2014). Se ejecutó
un procedimiento de optimización similar. Los parámetros de la SAA se establecen como: PASO = 1,
T0 = 200, = 0.9, L = 20, Tf = 0.0001 y K = 500. El factor de disminución de la temperatura () se
estableció en 0.95 para el procedimiento de optimización con la presión optimizado El proceso de
recocido y los resultados se muestran en la Fig. 9 (c) y (d), y en la Tabla 8. Los perfiles de composición
para las dos columnas de destilación de la solución optimizada con la presión optimizada se
muestran en la Fig. 10 (c) y ( re). Los valores óptimos de las variables de diseño para el sistema de
metanol-cloroformo son sustancialmente más pequeños que los del sistema acetona-metanol. Para
el sistema de metanol-cloroformo, se puede generar un TAC más grande con una pequeña
perturbación aleatoria del diseño óptimo. Por lo tanto, se pueden generar varios diseños de TAC
más grandes, y los datos se dispersan alrededor de la temperatura de congelación en la Fig. 9 (c) y
(d).

3.3. Resultados y discusión

La separación de las mezclas azeotrópicas de acetona / metanol y metanol / cloroformo utilizando

la PSD se optimizó mediante el método de optimización basado en SAA propuesto. Los resultados
del proceso PSD sin integración de calor optimizado por el método de optimización basado en SAA
se compararon con los de los métodos de optimización convencionales. Para el sistema de acetona-
metanol, se muestra una disminución del 5.69% con la presión especificada y una disminución del
17.32% con la presión optimizada. Para el sistema de metanol-cloroformo, se muestra una
disminución de 1.79% con la presión especificada y una disminución de 9.04% con la presión
optimizada. Los resultados del proceso de PSD sin integración de calor muestran que el método de
optimización basado en SAA puede obtener un TAC menor y un TAC óptimo incluso global, siempre
que los ajustes de parámetros del SAA sean razonables.

Para un procedimiento general para la optimización de PSD basada en SAA, el tiempo de cálculo
para determinar la configuración de los parámetros depende principalmente de la elección de T0 y
K, que toma aproximadamente 0.3 h. El procedimiento con la presión especificada toma
aproximadamente 1.0 h, y el procedimiento con presión optimizada toma aproximadamente 3.0 h.
El tiempo de cálculo de la optimización iterativa secuencial y el método de optimización heurística
dependen principalmente del investigador y del diseño inicial del PSD en gran medida. Para hacer
una comparación, elegimos un intervalo de tiempo. Para la optimización general de la PSD con la
presión especificada, el tiempo de cálculo de la optimización iterativa secuencial, el método de
optimización heurística y el método de optimización basado en SAA son 10–30 h, 2–10 h, y 1–2 h,
respectivamente. El método de optimización basado en SAA logra la optimización automática con
menos tiempo de computación en comparación con los métodos de optimización convencionales.

El diseño óptimo del proceso de integración de calor se obtuvo utilizando el método de optimización
basado en SAA. Los TAC óptimos optimizados por el método de optimización basado en SAA se
compararon con los TAC óptimos de la solución sin

optimización adicional Para el proceso de PSD con integración de calor parcial que separa la mezcla
de acetona y metanol, se mostró una disminución del 9.00% con la presión especificada y una
disminución del 15.52% con la presión optimizada. Para el proceso de PSD con integración de calor
total que separa la mezcla de metanol-cloroformo, se mostró una disminución de 0.40% con la
presión especificada y una disminución de 4.05% con la presión optimizada. Los resultados muestran
un TAC menor, y se puede obtener un diseño mejorado de los procesos de integración de calor
mediante el método de optimización basado en SAA, lo que revela que es necesario utilizar la
optimización del proceso de PSD con integración de calor en lugar de confiar en los resultados
basados en El diseño óptimo sin integración de calor.

Las presiones en las dos columnas de la PSD se optimizaron en función del TAC utilizando el método
de optimización basado en SAA. Para el sistema de acetona-metanol, la temperatura máxima de la
columna de baja presión óptima es 315.6K a 0.62 atm. Para el sistema de metanol-cloroformo, la
temperatura máxima de la columna de baja presión óptima es 317.8K a 0.71 atm. Para los casos
descritos en este documento, se utilizó agua de refrigeración reciclada con una temperatura de
aproximadamente 305.0 K como medio de enfriamiento para el condensador de columna de baja
presión. De hecho, si la temperatura máxima de la columna de baja presión es inferior a 315 K, el
medio de refrigeración debe reemplazarse con agua refrigerada u otro medio de refrigeración
costoso y el costo para la refrigeración aumentará. Los resultados de estos casos muestran que la
optimización con la presión optimizada tiene una mejora significativa sobre la presión especificada.
Por lo tanto, es importante optimizar las presiones precisas en las dos columnas del proceso de PSD.

4. Conclusiones

En este documento se propuso un método de diseño y optimización del proceso de PSD basado en
la SAA. Para manejar el problema de optimizar el proceso de PSD con variables continuas y discretas,
se analizaron el generador de movimientos y el programa de enfriamiento de la SAA, y se
investigaron los ajustes de parámetros adecuados para la PSD. Se estudiaron los casos de metanol-
cloroformo y acetona-metanol. Los resultados muestran que el presente método puede optimizar
el proceso de PSD sin integraciones de calor completas, parciales y parciales. Un proceso de
optimización basado en SAA que comienza con diferentes valores iniciales de variables de diseño de
PSD da como resultado el mismo diseño óptimo, que demuestra que se obtiene el diseño óptimo
global. Los resultados de optimización del proceso de PSD sin integración de calor muestran que se
obtiene un diseño óptimo mejorado con un TAC menor mediante el método de optimización basado
en SAA en comparación con los métodos de optimización convencionales. Los resultados de
optimización con la presión optimizada se mejoran sustancialmente en comparación con los de la
presión especificada. Por lo tanto, este paso es importante para la optimización de las presiones en
las dos columnas de PSD. El método de optimización basado en SAA tiene las ventajas de la
optimización automática, menos tiempo de computación y una mayor posibilidad de obtener el
diseño óptimo global. Este trabajo será útil para optimizar los procesos de PSD para separar otros
sistemas.

Conflicto de intereses

Los autores declaran no tener ningún interés financiero en competencia.

Expresiones de gratitud

Los autores agradecen a los revisores anónimos los comentarios y sugerencias interesantes. Las
ideas de optimización de presión y optimización de proceso de integración de calor mejoran la
calidad de este papel en gran medida. Los autores también agradecen el apoyo financiero de la
Fundación Nacional de Ciencias Naturales de China (Proyecto 21306093).

SITIOS DE AYUDA PARA ENTENDER EL ARTÍCULO.

http://www.swarmintelligence.org/tutorials.php