Documentos de Académico
Documentos de Profesional
Documentos de Cultura
lineales
Las últimas tres décadas se han visto tremendos avances en algoritmos de
programación no lineal (NPL) y software para procesos de optimización. Además,
Los potentes entornos de modelado de optimización permiten la formulación y
solución de aplicaciones de optimización a gran escala. De hecho, la combinación
de algoritmos modernos NPL y plataformas de optimización conduce a estrategias
de solución que ahora resuelven problemas rutinarios con 104-106 variables, con un Commented [LA1]: Se muestra como con el uso de
mayor impacto en diseño de procesos, operaciones y control. Este es aquí ilustrado sistemas de programación no lineal avanzados se pueden
resolver problemas que contienen alrededor de un millón
con dos casos de estudio de optimización dinámica para enfatizar estas de variables.
características.
Además, estas poderosas estrategias de optimización se integran a plataformas
accesibles de modelado de optimización que se pueden incorporar dentro de un
amplio espectro de tareas de ingeniería.
Introducción
La grafica de la izquierda muestra un típico, esquema de optimización anidada, Commented [LA5]: La optimización anidada se basa en
donde el modelo de simulación es llamado repetidamente por la estrategia de la descomposición de problema en múltiples sub problemas
los cuales ayudan al apalancamiento de la solución del
búsqueda. Recientes avances para la estrategia anidada, incluida la optimización
problema macro y posteriormente por un método se
libre de derivadas(DFO) han llevado a algoritmos superiores con fuertes selección se escoge la mejor ruta. Durante este proceso
propiedades de convergencia [1]. Sin embargo, las estrategias de búsqueda siguen iterativo de soluciones siempre se busca que este cumpla
siendo costosas para problemas con más de unos pocos cientos de grados de con las restricciones, y por lo tanto se compara y se
descartan las soluciones que no satisfacen las necesidades.
libertad y son a menudo prohibitivas para aplicaciones prácticas.
En cambio, los estudios de optimización también deben ir más allá del concepto de
búsqueda de soluciones mejoradas para resolver las condiciones que se satisfacen
por el punto óptimo. Para la optimización no lineal, estas condiciones de optimalidad
son bien conocidas; ahora se encuentran disponibles algoritmos y software muy
eficientes y robustos que encuentran rápidamente soluciones óptimas locales de
sistemas de procesos, con muchos miles de variables y ecuaciones. Además, estas
estrategias de optimización aseguran que se han encontrado las mejores
soluciones, proporcionan estimaciones eficientes de las soluciones vecinas que se
pueden evaluar y conducen a la sensibilidad de la solución óptima a las entradas
exógenas. Finalmente, la estrategia de optimización debe ser ayudada por las
plataformas de modelado de optimización para que pueda ser incorporada dentro
del proceso de trabajo y pueda tratar con variaciones y extensiones de modelos.
Desafortunadamente, estas capacidades no están satisfechas con la práctica de
ingeniería actual, es decir, al ejecutar estudios de caso (glorificados).
El gráfico de la derecha de la Figura 1 representa una estrategia de solución Commented [LA6]: No tengo claridad buscar KKT
donde las condiciones de optimalidad se resuelven simultáneamente con el modelo
de simulación. Las condiciones de optimalidad para el problema en la Figura 1
provienen de las celebradas condiciones Karush-Kuhn-Tucker (KKT) de
programación no lineal. Como se detalla en [2, 3 *], las condiciones necesarias para
KKT vienen dadas por las condiciones para un punto estacionario, representado por
un conjunto de ecuaciones y desigualdades. La resolución de estas condiciones de
optimalidad tiene aproximadamente la misma complejidad que la resolución de
ecuaciones no lineales y, dentro del marco de modelado correcto, escala de manera
eficiente a problemas muy grandes. Además, las condiciones de segundo orden,
que confirman la suficiencia y la singularidad local del óptimo, se verifican fácilmente
en puntos estacionarios, cuando los segundos derivados están disponibles.
Finalmente, las condiciones de regularidad adicionales y las calificaciones de
restricciones pueden aplicarse a través del modelado cuidadoso del problema de
optimización, junto con implementaciones algorítmicas confiables.
Para los modelos de Black Box que proporcionan solo información de entrada y
salida, los métodos de búsqueda, incluido el DFO, requieren más que el equivalente
de 100 equivalentes de tiempo de simulación (STE), incluso con unos pocos grados
de libertad.
En cambio, los enfoques SQP y rSQP [4,5], que requieren cierta información
derivada del modelo de optimización, conducen a tiempos de simulación mucho
menores incluso para problemas de optimización más grandes. Finalmente, los
modelos de Glass Box que proporcionan los primeros y segundos derivados
exactos, así como la información estructural para el solucionador de NLP, aseguran
que la optimización sea tan barata como la solución de un único problema de
simulación La clave de este salto en la eficiencia computacional es la aplicación de
solucionadores basados en Newton a las condiciones KKT.
Es bien sabido que los solucionadores basados en derivados that such tienen
propiedades de convergencia rápida y escalan a grandes problemas explotando la
dispersión y la estructura.
Menos apreciados entre los profesionales son los avances en la globalización de
solucionadores basados en Newton, a través de fuertes propiedades de descenso Commented [LA7]: Por que se debe precisar con finura
y métodos de búsqueda de línea y región de confianza [3,6], que permiten la donde comenzar para así obtener una solución optima
convergencia desde puntos iniciales distantes. Estos avances se han materializado
en el desarrollo de métodos NLP de barrera [7,8], que convierten los problemas de
optimización restringidos en desigualdad en una secuencia de conjuntos de
ecuaciones. Cuando se explotan los segundos derivados exactos y la comparación
de modelos, la convergencia se produce rápidamente, incluso para problemas con
millones de variables.
la tabla permite una descripción conceptual del esfuerzo computacional para cada
método, así como características distintivas en cada algoritmo. La Tabla 2
considera cada paso en enfoques anidados y simultáneos y presenta su
complejidad computacional en términos del número de pasos de discretización N,
el número de variables de estado y el número de variables de
control nu. Las derivaciones detalladas de todos los costos computacionales se
presentan en [9]. Estos muestran que los enfoques anidados requieren integradores
DAE, la sensibilidad y la factorización de la matriz con escalas de segundo a tercer
orden en N y nu. Por otro lado, la complejidad para el enfoque simultáneo se
determina a partir de la solución de ecuaciones no lineales (KKT) mediante un
método escaso de Newton. Como resultado, la Tabla 2 muestra que a medida que
aumenta el número de entradas nuN, se observa una escala casi lineal con el
enfoque simultáneo, mientras que las aproximaciones anidadas tienen una
complejidad cuadrática y una complejidad cúbica.
En consecuencia, las formulaciones simultáneas más grandes pueden resolver a un
costo mucho más bajo a medida que aumentan los tamaños del problema.
Casos de Estudios de optimización dinámica
Las ventajas del enfoque simultáneo en la Figura 1 se ilustran con mayor detalle en
dos estudios de casos industriales a gran escala. El primer caso se refiere a la
optimización de un reactor fuera de control con modelos inestables, mientras que el
segundo es un problema de control predictivo modelo no lineal, un cálculo de tiempo
crítico, con miles de estados y cientos de grados de libertad. En ambos casos, el
enfoque anidado no se puede aplicar, ya sea porque los perfiles no acotados
terminan el cálculo o el enfoque es demasiado lento para proporcionar una
estrategia de optimización efectiva.
Como resultado, el enfoque simultáneo conduce a soluciones que no podrían
lograrse con estrategias de búsqueda anidadas.
Diseño óptimo de reactores de lecho graduado para evitar fugas
Las unidades criogénicas de separación de aire (ASU) constituyen una parte integral
de muchos procesos industriales y plantas de energía de próxima generación. Estas
unidades se caracterizan por condiciones de operación fluctuantes para responder
a las demandas cambiantes del producto; los controladores predictivos de modelo
lineal (MPC) [14] se suelen aplicar para esta tarea. Por otro lado, la dinámica de
estas transiciones es altamente no lineal y requiere mucha energía. En
consecuencia, el control predictivo del modelo no lineal (NMPC) basado en modelos Commented [LA12]: Control predictivo del modelo no
dinámicos rigurosos es esencial para el alto rendimiento de estas aplicaciones. Por lineal
otro lado, la respuesta del controlador es de tiempo crítico, por lo que se debe evitar
el retraso computacional de resolver el problema de optimización dinámica de
NMPC. Este estudio de caso evalúa el rendimiento de un controlador AS-NMPC Commented [LA13]: Control predictivo del modelo no
basado en la sensibilidad (paso avanzado) con las cambiantes demandas de lineal
producción de ASU. Para evitar el retraso computacional, ASNMPC resuelve el
problema de optimización de antemano, entre los tiempos de muestreo, con un Commented [LA14]: unidades criogénicas de
estado predicho. Una vez que se resuelve el problema previsto y se obtiene el separación de aire
Para superar la brecha entre estas plataformas, ha habido una expansión reciente
para incluir modelos de ingeniería más detallados en plataformas basadas en
Python como Pyomo (www.pyomo.org [20]). Esta plataforma de modelado de
optimización de fuente abierta recientemente ha sufrido una importante
reestructuración y extensión para incluir solucionadores de LP, MIP, NLP y MINLP,
junto con la diferenciación automática. Además, Pyomo permite la construcción de
meta-algoritmos para marcos de optimización junto con la incorporación de modelos
de ingeniería complejos. Esto tiene especial relevancia para la investigación actual
y los avances en el proyecto IDAES (www.idaes.org), un programa patrocinado por
el Departamento de Energía de EE. UU. Para desarrollar un marco de optimización
de código abierto para aplicaciones de ingeniería de procesos que se concibe como
la próxima generación de herramientas de ingeniería de procesos. Este marco
incluye capacidades para síntesis de procesos y diseño conceptual, diseño de
procesos, optimización e intensificación de procesos, control de procesos y
optimización dinámica, y la integración de modelos multi escala. De esta forma, en
el futuro cercano se verán potentes modelos de enfoques de optimización
accesibles para los ingenieros de procesos en ejercicio.
10. Gill PE, Murray W, Wright MH: optimización práctica. Nueva York,
NY: Academic Press; 1981.
Referencia clave para conceptos y métodos sobre programación no lineal
desarrollo de software.