OPTIMIZACIÓN DE PROCESOS

SELECCIÓN DE VARIABLES
DE DISEÑO
 INTRODUCCIÓN
Para fines de análisis y diseño de procesos es necesario
entender las relaciones que guardan entre si las diferentes
variables involucradas.

Este aspecto no es tan trivial, y una manera conveniente de

explorar esos efectos es comenzar por hacer un modelo
matemático del sistema.

Este modelo matemático constituye el modelo del proceso, que

normalmente involucra la solución de sistemas de ecuaciones y
la selección de las mejores variables de diseño.
 MODELACIÓN DE PROCESOS
El modelo matemático de un proceso consiste en una serie de
relaciones que se establecen para cada equipo que forman parte
del sistema. Podemos establecer en general para cada equipo un
modelo consistente en una combinación de las siguientes
expresiones:
•Balances de cantidad de movimiento
• Balances de materia
• Balances de energía
•Ecuaciones de Diseño
•Relaciones termodinámicas
•Ecuaciones Cinéticas
• Especificación de algunas variables o restricciones
particulares
 MODELACIÓN DE PROCESOS

El modelo de un proceso consiste típicamente de un sistema de

ecuaciones acopladas y no lineales, cuya solución puede ser
directa para un equipo simple, o bastante complicada para un
proceso complejo; este ultimo hecho a dado lugar al desarrollo de
simuladores de proceso por computadora, los cuales esencialmente
se encargan de resolver las ecuaciones que modelan el sistema en
estado estable mediante alguna técnica numérica, acoplada
muchas veces a una estrategia de descomposición del sistema
original de ecuaciones.
En muchas ocasiones, la solución numérica del modelo del
proceso requiere de procedimientos iterativos para su solución, en
estos casos es importante seleccionar adecuadamente las
variables que pueden suponerse, (variables de diseño), con el fin
de hacer más eficiente la solución del problema.
 CONCEPTO DE GRADOS DE LIBERTAD
Para el análisis y diseño de procesos se requiere de modelos que describan
el comportamiento de esos sistemas.
Esos modelos que gobiernan el sistema consisten de M ecuaciones
independientes que involucran N variables, se puede tener 3 casos:

1. M > N. Es este caso el sistema está sobre especificado y no tiene

solución. Debe revisarse la modelación del sistema.
2. M = N. El sistema está completamente definido y tiene solución. Si el
sistema es lineal, la solución es única; si el sistema es no lineal, pueden
existir soluciones múltiples para el problema es cuestión.
3. M < N. Faltan especificaciones, no se puede resolver el sistema.
Con el objeto de definir el sistema se necesitan N - M relaciones
adicionales, que pueden ser en forma de valores establecidos de algunas
variables de diseño, se dice en estos casos que el sistema tiene F grados de
libertad, dados por:
F=N-M
 CONCEPTO DE GRADOS DE LIBERTAD

Esta situación conduce a un problema típico de

optimización. El ajuste de las variables dadas por
los grados de libertad, deberá hacerse de acuerdo
a una función objetivo que se establece. Se
requiere entonces de técnicas de optimización
para la solución de este tipo de problemas.
 Ejemplo: Proceso de un tanque mezclado

Caso 1: Las siguientes ecuaciones se describen para modelar el sistema:

Balance de materia: A+B=C

Especificación de diseño: K=B/A
Restricciones: A = 1000
C = 2000
K=4
Se tiene en este caso 5 ecuaciones independientes y solo 4 variables. El
sistema está sobre especificado y por tanto no tiene solución. Esto proviene de
una mala modelación del sistema.
Caso 2:
Suponemos que se elimina la penúltima restricción, es decir dejando
el valor de C sin especificar. Entonces el número de ecuaciones se
reduce a 4 con 4 variables . El sistema puede resolverse y encontrar
una solución única. Esto nos conduce al valor de las variables
desconocidas:
B = 4000
C = 5000

Caso 3:
Supongamos que se elimina adicionalmente la última restricción del
problema, quedando K por conocerse. Esto nos da 4 variables y 3
ecuaciones, es decir tenemos un grado de libertad.
Existe ahora un número sin limite de posibles soluciones, para valores
de B, C y K. que satisfagan las ecuaciones. La selección de los valores
que se fijan para la operación del proceso esta ligado a un objetivo o
comportamiento deseado.
En particular, para problemas de optimización, esta selección esta ligada a
una función objetivo, es decir, cuando se trata de maximizar beneficios
o minimizar costos.
 ALGORITMO DE LEE Y RUDD
Para problemas de modelación donde se tienen grados de libertad
positivos, que es caso de la mayoría de los procesos, dos aspectos son
de importancia:
1. La manera como se van a satisfacer esos grados de libertad, lo cual
implica selección de variables de diseño que se requiere para poder
resolver el problema.
2. La forma en que se va a resolver el sistema de ecuaciones resultante.
Para este punto es muchas veces conveniente establecer el orden en que
esas ecuaciones deben resolverse con el objeto de minimizar los
problemas numéricos en la solución.

Para satisfacer los grados de libertad se tienen dos aspectos:

1. Se puede satisfacer el valor de algunas de las variables de acuerdo
a estipulaciones establecidas, generalmente por alguna
conveniencia, por ejemplo que estén contenidas en ecuaciones de
difícil solución.
2. Las demás variables que se requieren estipular deben
seleccionarse de tal manera que se facilite la solución del sistema
de ecuaciones.
 ALGORITMO DE LEE Y RUDD
El algoritmo de Lee y Rudd, es una herramienta muy útil para la
selección de variables de diseño, que consiste en lo siguiente:
1. Se construye una matriz de incidencia, la cual consiste en formar un
arreglo con filas donde se especifican las ecuaciones, y en
columnas las variables contenidas en el sistema de ecuaciones. Se
detecta la presencia de una variable en una ecuación mediante un
identificador como una X, Si la variable en cuestión no está
contenida en la ecuación se tiene la ausencia del identificador.
2. Enseguida se detecta alguna columna que tiene una sola X, lo cual
representa que la variable aparece solamente en esa ecuación. Se
elimina esa columna (variable) y su correspondiente fila (ecuación).
Luego se repite el procedimiento con el sistema de ecuaciones
reducido.
3. Eventualmente, si todas las ecuaciones se eliminan, las columnas
que quedaron sin eliminar representan las mejores variables de
diseño para este problema.
La solución al sistema de ecuaciones sigue el proceso inverso al de la
eliminación, es decir la primera ecuación en eliminarse es la última en
resolverse.
Si el proceso de eliminación se cumple, habiendo en cada paso una
columna con un solo elemento o incidencia, significa que la solución al
sistema de ecuaciones es secuencial y no requiere la solución
simultánea de algún subconjunto de ecuaciones mediante ensayo y
error.
El número de columnas sin eliminar es igual al número de grados de
libertad.
Cuando existan columnas con más de una incidencia, implica:
1. Que la solución al sistema de ecuaciones ya no es puramente
secuencial.

2. Se deben eliminar tantas filas como sean necesarios para generar

al menos una columna con una incidencia y aplicar el procedimientos
descrito anteriormente. Al final del proceso quedaran sin eliminar un
número de columnas igual a los grados de libertad del sistema
más el número de ecuaciones que se eliminaron para dejar con una
sola incidencia en etapa intermedia.
Se eligen en estos casos un número de variables de diseño
equivalentes a los grados de libertad del sistema, y el resto se
identifica como variables de reciclo, lo cual implica que es necesario
suponer el valor de esas variables para empezar el proceso de
solución, y recalcularlas en algún momento de este proceso,
típicamente a través de una de las expresiones o expresión que se
eliminó en la primera etapa del algoritmo.

Otra forma de ver el problema es resolver el subsistema que queda en

forma simultánea y posteriormente la otra parte, dada por el conjunto
de ecuaciones y variables que si se eliminaron, en forma secuencial.
Problema
Se tiene un sistema de intercambio de calor, tal como se indica en la figura,

Intercambiador 1 Intercambiador 2

mh, Cph, Th0 Thi mh, Cph, Thf

m1 m2
T1f Cp1 T2f Cp2
T10 T20

De la información proporcionada se conoce las siguientes variables de diseño:

Intercambiador 1
Flujo másico fluido calefacción, Intercambiador 1 mh = 150 kg/h
Cp , fluido calefacción, Intercambiador 1 Cph = 1 kcal/kg°C
Temperatura entrada, fluido calefacción Intercambiador 1 Th0 = 85 °C
Cp , fluido refrigeración, Intercambiador 1 Cp1 = 0,24 kcal/kg°C
Tempertura de entrada, fluido de refrigración, Intercambiador 1 T10 = 20 °C

Intercambiador 2
Temperatura de salida, fluido calefación, Intercambiador 2 Thf = 25 °C
Cp , fluido refrigeración, Intercambiador 2 Cp2 = 0,15 kcal/kg°C
Tempertura de entrada, fluido de refrigración, Intercambiador 2 T20 = 22 °C
Ecuaciones de diseño que describen el sistema: Ecu.

Intercambiador 1

Calor perdido fluido de calefección Intercambiador 1 Q1  mhCph Th0  Thi  1

Calor ganado fluido refrigeración, Intercambiador 1 Q1  m1Cp1 T1 f  T10  2

Caalor total transferido Q1  U 1 A1 T1 3

Coeficiente total de transferencia de calor U1  U1 mh ,Th0 ,Thi , m1,T10 ,T1 f  4

Thi  T10   Th0  T1 f 

T1 
Diferencia media logaritmica de temperaturas T  T  5
ln hi 10
Th0  T1 f 

Intercambiador 2

Calor perdido fluido de calefección Intercambiador 2 Q2  mhCph Thi  Thf  6

Calor ganado fluido refrigeración, Intercambiador 2 Q2  m2Cp2 T2 f  T20  7

Caalor total transferido Q2  U 2 A2 T2 8

Coeficiente total de transferencia de calor U 2  U 2 mh , Thi , Thf , m2 , T20 , T2 f  9

T2 
T  T20   Thi  T2 f 
Thf  T20 
hf
Diferencia media logaritmica de temperaturas 10
ln
Thi  T2 f 
Algoritmo de Lee y Rudd: formamos la matriz de incidencia

El sistema tiene: 10 ecuaciones y 13 variables, es decir F = 13 - 10 = 3 grados de libertad

deben especificarse los valores de 3 variables de diseño para resolver el problema

Variable
Ecuación Q1 Q2 Thi T1f m1 U1 A1 ΔT1 m2 T2f U2 A2 ΔT2
1 x x
2 x x x
3 x x x x
4 x x x x
5 x x x
6 x x
7 x x x
8 x x x x
9 x x x x
10 x x x
Variable A2 esta contenida en una sola ecuación, se elina esa columna y su respectiva fila

Variable
Ecuación Q1 Q2 Thi T1f m1 U1 A1 ΔT1 m2 T2f U2 ΔT2
1 x x
2 x x x
3 x x x x
4 x x x x
5 x x x
6 x x
7 x x x
9 x x x x
10 x x x
Variable U2, esta contenida en una sola ecuación, se elimina esa columna y su respectiva fila
Variable
Ecuación Q1 Q2 Thi T1f m1 U1 A1 ΔT1 m2 T2f ΔT2
1 x x
2 x x x
3 x x x x
4 x x x x
5 x x x
6 x x
7 x x x
10 x x x

Variable
Ecuación Q1 Q2 Thi T1f m1 U1 A1 ΔT1 m2 T2f
1 x x
2 x x x
3 x x x x
4 x x x x
5 x x x
6 x x
7 x x x

Variable
Ecuación Q1 Q2 Thi T1f m1 U1 A1 ΔT1 m2
1 x x
2 x x x
3 x x x x
4 x x x x
5 x x x
6 x x
Variable
Ecuación Q1 Thi T1f m1 U1 A1 ΔT1 m2
1 x x
2 x x x
3 x x x x
4 x x x x
5 x x x

Variable
Ecuación Q1 Thi T1f m1 U1 ΔT1 m2
1 x x
2 x x x
4 x x x x
5 x x x

Variable
Ecuación Q1 Thi T1f m1 ΔT1 m2
1 x x
2 x x x
5 x x x

Variable
Ecuación Q1 Thi T1f m1 m2
1 x x
2 x x x

Variable
Ecuación Q1 Thi m1 m2
1 x x
 Q1 = 6000 kcal/h
Conclusión: Fijar los valores Q1 , m1 , m2 m1 = 600 kg/h
m2 = 1200 kg/h
Solución: debe resolverse las ecuaciones siguiendo el proceso inverso al de eliminación.

En la Ecuación 1: mh Cp hTh0  Q1
Thi 
Thi = mh Cp h 45,0 °C

Q1  m1Cp1T10
En la ecuación 2 T1f = T1 f  61,7 °C
m1Cp1

Thi  T10   Th0  T1 f 

T1 
ΔT1
T  T10  24,2 °C
En la Ecuación 5
T
ln hi
h0  T1 f 

En la Ecuación 4 U1 U1 U1mh,Th0,Thi,m1,T10,T1f  2
600 kcal/h m °C
 Q1
En la Ecuación 3 A1 A1  0,41 m
2
U 1 T1

En la Ecuación 6 Q2 Q 2  m h Cp h T hi  T hf  3000 kcal/h

Q2  m2 Cp 2T20
En la Ecuación 7 T2f T2 f  38,7 °C
m2 Cp 2

T2 
T  T20   Thi  T2 f  4,5 °C
Thf  T20 
hf

En la ecuación 10 ΔT2 ln
Thi  T2 f 

En la ecuación 9 U2 U2 U2mh,Thi,Thf ,m2,T20,T2f  900 kcal/h m2 °C

Q2
A2 
En la Ecuación 8 A2 U 2 T2 0,75 m
2
Problema: CONDENSADOR
Se desea analizar el sistema de condenzación. El diseño del equipo se basará en el agua de
enfriamiento como medio de condenzación y se conocen otras variables de acuerdo a la
información proporcionada.

V= 100 kg/h
Tv = 80 °C
mA
TAS TAE = 15 °C

2
U = 1000 Kcal/hm °C
λ=
5 5 0 k c a l / k g

CpA = 1 kcal/kg °C
OPTIMIZACIÓN DE PROCESOS

PRINCIPIOS DE OPTIMIZACIÓN
 PRINCIPIOS DE OPTIMITIZACIÓN

En el análisis y diseño de procesos existen muchas veces

situaciones que provocan efectos conflictivos en cuanto a su
economía o algún objetivo preestablecido.
Por ejemplo en el diseño de una columna de destilación al
aumentar la razón de reflujo tiende a disminuir el costo fijo
de la columna a expensas de un mayor costo en la
operación. El valor optimo de la razón de reflujo sería el que
minimice una combinación de ambos costos.
En muchas ocasiones la búsqueda de este valor optimo no es
trivial, de aquí la necesidad de disponer de técnicas de
optimización para encontrar esos mejores valores de las
variables de diseño.
 TECNICAS DE OPTIMIZACIÓN

Para optimizar un proceso se debe establecer una función objetivo,

la cual trata de optimizar algún tipo de beneficios o salidas del
proceso o de minimizar algún tipo de costo o entradas al proceso.
Ecuaciones adicionales en forma de balances de materia, balances de
energía, ecuaciones de diseño y estipulación de algunas variables
constituyen restricciones bajo las cuales la búsqueda se va a llevar a
cabo.
Si existe un solo grado de libertad, se tiene un caso de optimización
de una sola variable. Si se tiene varios grados de libertad, entonces
la optimización se conoce como multivariable. El tipo de relaciones
que definen la función objetivo y las restricciones del sistema sirven
también para clasificar el problema.
Si todas las relaciones son lineales y todas las variables son
continuas, se tiene un problema de programación lineal. Y en caso
de no cumplirse se tiene un problema de programación no lineal.
Además si una variable es discreta es decir solo puede tomar valores
enteros se tiene un problema de programación entera.
 OPTIMIZACIÓN DE UNA SOLA VARIABLE
Es el caso más simple de optimización en el que se puede hacer uso de los
principios de calculo diferencial. La derivada de una función con respecto a
una variable de interés igualada a cero proporciona el máximo o el mínimo
que se busca.
Este procedimiento requiere de relaciones matemáticas explicitas y
continuas. En muchos casos, este requerimiento no se cumple , y las
relaciones están dadas en forma de tablas o gráficos y no pueden usarse
directamente los principios del calculo diferencial. Este aspecto es muy común
en sistemas de ingeniería, y se establece la necesidad de técnicas de búsqueda.
Las técnicas de búsqueda se basan en el principio de eliminación de regiones.
La función objetivo se evalúa en varios puntos contenidos en el espacio de
búsqueda y se rechaza la región que contiene los peores valores. La región
remanente contiene el mejor punto que se ha detectado hasta ese momento.
Este procedimiento se repite de tal forma que la región de búsqueda se va
aislando hasta que contenga el punto optimo dentro de una aproximación
deseada.
 FUNCIÓN OBJETIVO
El establecimiento de la función objetivo en un problema de optimización
representa un punto importante en esta área. La función objetivo no
constituye parte del modelo del proceso, de tal forma que no entra en la
contabilidad de los grados de libertad, sino solo sirve de guía en la
búsqueda del valor optimo.
Por otro lado, si la función objetivo no refleja con precisión el conflicto que
típicamente quiere evaluarse en un problema de optimización, entonces la
solución al problema bajo una formulación mal hecha es generalmente
trivial.
Las restricciones al problema influyen en la forma en que la función objetivo
puede establecerse apropiadamente.
Por ejemplo, si una función objetivo de un proceso industrial es minimizar
costos, entonces la solución trivial es no tener producción alguna. Esto se
evita si se incorporan restricciones de producción mínima. Si se desea
resolver un problema de producción que no tiene restricciones de
producción mínima, entonces la función objetivo deberá contener un
compromiso explícito bajo el cual se aplique el método de optimización que
arroje resultados satisfactorios.
 METODO DE LA SECCIÓN DORADA
Este es uno de los métodos más conocidos y efectivos para optimizar
problemas de una sola variable.
El método se basa en la colocación de puntos de búsqueda simétricos,
de tal manera que en cada punto de iteración, el punto que se conserva
sirve como base para la selección del nuevo punto, el cual a su vez debe
conservar la simetría original, paro acotando la solución optima dentro de un
intervalo menor.
La idea básica es disminuir el número de evaluaciones en función de
acotar la solución optima dentro de intervalos anidados sucesivos, esto se
logra evaluando la función objetivo f(x), en dos puntos interiores de
cada intervalo:
li (lado izquierdo), y ri (lado derecho), contenidos en [ ai , bi ] y
eliminando ya sea el lado [ ai , li ] o [ ri , bi ] del problema, dependiendo de
que zona sea la que contenga el peor punto de los dos evaluados. La clave
del método es que el punto interior que permanece sin eliminar li o ri,
puede usarse para la siguiente iteración.
DEDUCCIÓN DEL METODO


Especificamos los limites de búsqueda en el intervalo a0 ,b0  más dos
puntos interiores l 0 y r0 colocados simétricamente de la siguiente
manera:

l0  b0   b0  a0  Ec. 1

r0  a0   b0  a0  Ec. 2

Al evaluar la función objetivo en cada uno de estos dos puntos interiores, se

comparan los valores obtenidos, y se rechaza la región comprendida a la
izquierda de l o la comprendida a la derecha de r dependiendo de
0 0
cual de estos dos puntos generó el peor valor de la función objetivo.
Consideremos el caso mostrado en la figura, vamos a suponer que la
función evaluada en r0 proporciona un peor valor que de la función
objetivo que el obtenido en el punto l , por tanto se rechaza la región
r0 ,b0 
0

x x x x
a0 l0 r0 b0

x x x
a1 l0 b1

El proceso de búsqueda se optimiza si el punto remanente l 0 se

conserva para la siguiente iteración. La pregunta es si conviene hacer
que l 0 se vuelva l1 o r1
 Ensayo de l0  l1
El valor de l0 viene dada por la Ec. 1, el valor de l1 sería entonces

l1  r0    b0  a0 

O bien:

l1  a0   b0  a0     b0  a0  Ec. 3

Igualando la Ec. 1 y Ec.3, se obtiene

b0  a0  2  2  1  0
De dónde:
 1
Lo cual indica que no es satisfactorio,  debe ser menor que uno
para lograr una reducción en el intervalo de búsqueda
 Ensayo de l0  r1
El valor de r1 viene dado por

r1  a0    b0  a0 

Igualando con Ec. 1

b0  a0  2    1  0
De donde , ignorando la raíz negativa de esta ecuación cuadrática por
carecer de significado, se obtiene:

  0,618
El resultado establece que la base del método consiste en colocar puntos
simétricos en base a las Ec.1 y Ec.2, y rechazar el peor punto de los dos con su
respectiva región adyacente, el punto que se conserva sirve de base para la
siguiente iteración con un cambio en su posición relativa para un nuevo espacio
de búsqueda.
Es decir si en la iteración i 1 Se rechazo la región derecha, incluyendo el
punto ri 1

El punto izquierdo li 1 será el punto derecho ri para la siguiente iteración i

evaluando el li para el intervalo reducido ai , bi  de manera similar a la Ec.1

li  bi   bi  ai 
Un procedimiento similar se usa en el caso de eliminar el punto li 1 y la

porción izquierda a , l
i 1 i 1 
del intervalo existente en la iteración i  1

Reducción del Intervalo:

La contracción de búsqueda del método de la sección dorada está dado por:

Cn   n1  0,618
n 1

Donde n es el número de evaluaciones de función, equivalentes a n-2 iteraciones,

la colocación de puntos iniciales se ha definido como la iteración 0. Esto puede
servir para establecer el número de iteraciones que se requiere en un problema.
Problema: OPTIMIZACIÓN DE UN SISTEMA DE EXTRACCIÓN

Se va a diseñar un sistema de extracción para recuperar un soluto valioso.

Las variables relevantes de esta operación se indican en el diagrama

C
Los solventes B y C
B, xF B, x1 son totalmente inmiscibles

C, y1

El flujo de alimentanción es 1000 kg/h, con una concentración de 0,20 kg soluto/kg de

solvente B. Esta corriente se va a poner en contacto con un solvente de lavado C.
Se desea encontrar la cantidad de solvente de lavado que debe usarse para
maximizar la siguiente función.
m a x B x F  x 1    C 
B x F  x1  representa la cantidad de soluto extraido
representa el costo unitario del solvente.
Usando un valor de  de 0,05, determine la cantidad optima de solvente.
Solución:
1. Modelo del proceso
Balance ref. soluto B ( x F  x 1 )  Cy 1 Ec. 1
Relaciones de Equilibrio f x , y   0 Ec. 2

2. Variables del proceso

B= 1000 kg/h
xF = 0,2
x1 = Incognita
C = Incognita
y1 = Incognita
 0,05
3. Grados de libertad

G = 3 Incognitas - 2 Ecuaciones = 1
problema de optimización de una variable
4. Selección de las mejores variables de diseño
Algoritmo de Lee y Rudd

Variable
Ecuación x1 y1 C
1 x x x
2 x x
Variable C contenida en una sola ecuación

Variable
Ecuación x1 y1
2 x x

5. Variables de busqueda, puede ser cualquiera de las dos x1 o y1

por conveniencia se va usar x1 ya que su valor estará entre 0 y xF
6. Metodo de la sección dorada para optimización

Puntos iniciales de búsqueda

l 0  b 0   ( b 0  a 0 )  0 , 2  0 , 618 ( 0 , 2  0 )  0 , 0764
r0  a 0   ( b 0  a 0 )  0  0 , 618 ( 0 , 2  0 )  0 ,1236
Cuadro de búsqueda para la solución optima:

Rango irq. der. Equil. Equil. C C fun.Iz. fun.der Eliminación

N. iter. ai , bi  li ri
y1 y1
ri
Ec.1
li
Ec.1
ri
f li  f ri 
li
0 0 0,2 0,0764 0,1236 0,147 0,178 840,8 429,2 81,56 54,94 0,1236 0,2
1 0 0,1236 0,04722 0,07638 0,103 0,148 1483,3 835,2 78,62 81,85 0 0,04722
2 0,04722 0,1236 0,07639 0,09442 0,147 0,171 840,9 617,4 81,56 74,71 0,09442 0,1236
3 0,04722 0,09442 0,06525 0,07639 0,14 0,147 962,5 840,9 86,63 81,57 0,07639 0,09442
4 0,04722 0,07639 0,05836 0,06524 0,126 0,14 1124,1 962,5 85,43 86,63 0,04722 0,05836
5 0,05836 0,07639 0,06525 0,0695 0,14 0,15 962,5 870,0 86,63 87,00 0,05836 0,06525

Después de 5 iteraciones, la solución optima es:

Concentración de salida, x1 kg soluto/kg de solvente B

0,0695

Concentración de salida, y1 0,15 kg soluto/kg de solvente de lavado

Flujo de solvente de lavado, C 870 kg/h
Problema: EVAPORADOR DE DOS EFECTOS

Se desea concentrar agua de mar desde 3,5 a 7 % en sales, con un flujo de 100000 kg/h en un
sistema de evaporación de dos efectos. Se dispone de vapor de agua a 120 °C, y el agua de
mar estará a 43 °C. Para evitar la formación de depósitos salinos que ensuciarían la superficie
de transmisión de calor, la temperatura en la última etapa debe mantenerse en 46 °C.
Determinar las áreas de trasferencia de calor para los dos evaporadores que minimizan el
consumo de vapor.
V1, T1 V2 T2

W=? T2 = 46 °C
Ts = 120 °C

F = 100000 kg/h S1, ts1 S2, ts2

xF = 0,035 xs1 xs2 = 0,07
tF = 43 °C

Datos constantes Cp = 1 kal/kg

1 °C kcal/kg °C
 554,4 kcal/kg
U= 100 kcal/h m2 °C
Solución:

1. Modelo del proceso

Primer Efécto: Balance de Materia F  S1  V1 Ec.1

Fx F  S 1 x s1 Ec.2

Balance de energía W   F Cp t F  t s 1  V1 Ec.3

ascenso pto ebullición t s1  T1 Ec.4

W
Ecuación de diseño A1  Ec.5
U T s  T 1 
Segundo Efécto: Balance de Materia S1  S 2  V2 Ec.6

S 1 x s1  S 2 x s 2 Ec.7

Balance de energía V 1   S 1 Cp t s 1  t s 2  V 2 Ec.8

ascenso pto ebullición ts2  T2 Ec.9

V 1
Ecuación de diseño A2  Ec.10
U T 1  T 2 
2. Variables de diseño

1 W Flujo de vapor alimentado al primer efecto

2 S1 Flujo de solución concentrada primer efecto
3 V1 Flujo evaporado primer efecto
4 xs1 Concentración solución salida primer efecto
5 ts1 temperatura ebullición solución primer efecto
6 T1 Temperatura evaporado primer efecto
7 A1 Area de transferencia primer efecto
8 S2 Flujo solución concentrada segundo efecto
9 V2 Flujo evaporado segundo efecto
10 ts2 temperatura ebullición solución segundo efecto
11 A2 Area de transferencia segundo efecto

3. Grados de libertad: G = 11 - 10 = 1
Caso: Optimización de una sola variable.
4. Selección de la mejor variable de diseño

Variable
Ecuación W S1 V1 xs1 ts1 T1 A1 S2 V2 ts2 A2
1 x x
2 x x
3 x x x
4 x x
5 x x x
6 x x x
7 x x x
8 x x x x x
9 x
10 x x x

Variable
Ecuación W S1 V1 xs1 ts1 T1 A1 S2 V2 ts2
1 x x
2 x x
3 x x x
4 x x
5 x x x Eliminado Ec.5
6 x x x
7 x x x
8 x x x x x
9 x
Variable
Ecuación W S1 V1 xs1 ts1 T1 S2 V2 ts2
1 x x
2 x x
3 x x x
4 x x
6 x x x
7 x x x
8 x x x x x
9 x

Variable
Ecuación W S1 V1 xs1 ts1 S2 V2 ts2
1 x x
2 x x
3 x x x Eliminado Ec.3
6 x x x
7 x x x
8 x x x x x
9 x

Variable
Ecuación S1 V1 xs1 ts1 S2 V2 ts2
1 x x
2 x x
6 x x x
7 x x x
8 x x x x x Eliminado Ec.8
9 x
Variable
Ecuación S1 V1 xs1 S2 V2 ts2
1 x x
2 x x
6 x x x
7 x x x
9 x

Variable
Ecuación S1 xs1 S2 V2 ts2
2 x x
6 x x x Eliminado Ec.6
7 x x x
9 x

Variable
Ecuación S1 xs1 S2 ts2
2 x x
7 x x x Eliminado Ec.7
9 x

Variable
Ecuación S1 xs1 ts2
2 x x Eliminado Ec.9
9 x

Variable
Ecuación S1 xs1
2 x x Eliminado Ec.2
5. Rango de optimización para x1 variable de diseño.
x1, deberá estar entre 0,035 y 0,070

6. Metodo de la Sección Dorada para optimización, función objetivo, min W 

Iter. 1 2 3 4 5 6 7 8 9 10 11 12

ai 0,035 0,035 0,0433 0,0433 0,0433 0,0452 0,0452 0,046 0,046 0,0462 0,0464 0,0465
Rango
bi 0,07 0,0566 0,0566 0,0515 0,0484 0,0484 0,0472 0,0472 0,0467 0,0467 0,0467 0,0467
Puntos li 0,0484 0,0433 0,0484 0,0464 0,0452 0,0464 0,046 0,0464 0,0462 0,0464 0,0465 0,0466
xs1 ri 0,0566 0,0484 0,0515 0,0484 0,0464 0,0472 0,0464 0,0467 0,0464 0,0465 0,0466 0,0466
S1(li) 72359 80901 72360 75401 77412 75402 76157 75402 75688 75402 75226 75117
Ec.2
S1(ri) 61805 72363 67930 72362 75402 74211 75402 74943 75402 75226 75117 75050
ts2(li) 46 46 46 46 46 46 46 46 46 46 46 46
Ec.9
ts2(ri) 46 46 46 46 46 46 46 46 46 46 46 46
S2(li) 50000 50000 50000 50000 50000 50000 50000 50000 50000 50000 50000 50000
Ec.7
S2(ri) 50000 50000 50000 50000 50000 50000 50000 50000 50000 50000 50000 50000
V2(li) 22359 30901 22360 25401 27412 25402 26157 25402 25688 25402 25226 25117
Ec.6
V2(ri) 11805 22363 17930 22362 25402 24211 25402 24943 25402 25226 25117 25050
V1(li) 27641 19099 27640 24599 22588 24598 23843 24598 24312 24598 24774 24883
E.1
V1(ri) 38195 27637 32070 27638 24598 25789 24598 25057 24598 24774 24883 24950
ts1(li) 5,5288 126,88 5,5529 51,9 80,542 51,905 62,844 51,907 56,085 51,908 49,327 47,732
Ec.8
ts1(ri) -190,7 5,592 -69,4 5,5771 51,914 34,214 51,911 45,151 51,91 49,328 47,732 46,746
W(li) 20882 34229 20885 26204 29360 26205 27422 26205 26672 26205 25915 25736
Ec.3
W(ri) -3964 20890 11795 20888 26206 24204 26205 25445 26205 25916 25736 25625
T1(li) 5,5 126,9 5,6 51,9 80,5 51,9 62,8 51,9 56,1 51,9 49,3 47,7
Ec.4
T1(ri) -190,7 5,592 -69,4 5,6 51,9 34,2 51,9 45,2 51,9 49,3 47,7 46,7
A1(li) 1011,4 -27585 1011,7 2133,3 4125,2 2133,5 2659,9 2133,6 2313,5 2133,6 2033 1974,3
Ec.5
A1(ri) -70,72 1012,3 345,26 1012,1 2133,9 1564,2 2133,7 1884,7 2133,7 2033 1974,3 1939,4
A2(li) -3786 1309,2 -3789 23116 3625,5 23094 7847,5 23085 13364 23082 41285 79670
Ec.10
A2(ri) -894,5 -3792 -1541 -3791 23057 -12130 23071 -2E+05 23076 41275 79647 185439
0,0566 0,035 0,0515 0,0484 0,0433 0,0472 0,0452 0,0467 0,046 0,0462 0,0464 0,0465
Elimin
0,07 0,0433 0,0566 0,0515 0,0452 0,0484 0,046 0,0472 0,0462 0,0464 0,0465 0,0466

Observación: Color rojo, valores sin sentido fisico

Color verde, mejor valor de la función objetiva
Conclusión, conforme se va optimizando el consumo de vapor con valores que tienen sentido
fisico, va disminuyendo el área del efecto uno y aumentando el área del efecto 2.
Las áreas marcadas de amarillo de la iteración 9, serín las mejores condiciones para
operar el evaporador con áreas muy cercaanas para los dos efectos.
OPTIMIZACIÓN DE PROCESOS

PROGRAMACIÓN DINÁMICA
 PROGAMACIÓN DINÁMICA
El uso de programación dinámica constituye una forma muy conveniente de
optimizar sistemas grandes que serian demasiado complicados para su estudio
por métodos de optimización directos.
Más que una técnica de optimización en si, la programación dinámica consiste
en una organización de la estructura de información de un sistema que permite
su descomposición en subsistemas más pequeños y más fáciles de analizar y
optimizar.
Cada subsistema puede requerir de un método de optimización especifico, en
un momento dado, la ventaja puede verse como la descomposición de un
problema de optimización de multivariables a una serie de problemas de
optimización de una sola variable ( o número de variables menor al del
problema original).
Este método, presenta el atractivo de poder manejar funciones no lineales o no
analíticas de una manera efectiva.
En general, se puede decir que mediante programación dinámica se obtiene
una secuencia optima de decisiones. Para procesos industriales, esta técnica
puede proporcionar el conjunto de variables de diseño que optimiza el
comportamiento de un sistema completo de acuerdo a una determinada función
objetivo.
 PRINCIPIO DE OPTIMALIDAD DE BELLMAN

La programación dinámica se basa en el principio de optimalidad de

Bellman y se aplica a sistemas que no presentan reciclos en su flujo de
información, es decir, a sistemas cuyos cálculos fluyen directamente de
la primera a la última variable sin necesidad de reciclos en el proceso de
solución. De esta manera los cambios de alguna variable de diseño de
alguna unidad solo afectan a las unidades subsiguientes.

El principio de optimalidad de Bellman, puede establecerse de la

siguiente manera:

“Dado un sistema acíclico, este se optimiza si cada

componente o unidad se optimiza a su vez para todo el
conjunto de posibles valores de las variables que provienen
de las etapas anteriores.”
 PRINCIPIO DE OPTIMALIDAD DE BELLMAN

De acuerdo a este principio, un sistema se optimiza cuando para cada posible

entrada que proviene del subsistema anterior se toma la mejor decisión que es
posible a ese nivel, para lo que podría requerirse de algún método de
optimización explícito. Por lo tanto el orden de aplicación de la programación
dinámica es el opuesto al flujo de materiales del proceso.
El punto importante es que una decisión tomada sobre una etapa de un
proceso, solo afecta las unidades posteriores; la estructura acíclica ocasiona
que las unidades anteriores a la que se está analizando no son afectadas por
las decisiones hechas a este nivel.
De esta manera la aplicación de esta técnica implica analizar la última etapa
primero para el conjunto de valores de las variables de entrada que puede
recibir.
Flujo de material

Orden de solución
 PRINCIPIO DE OPTIMALIDAD DE BELLMAN

Las soluciones que se tomaron sobre la última etapa, se usan

directamente en función de la salida que se obtenga en la penúltima
etapa (calculada a resolver la penúltima unidad para cada posible valor
de la corriente de entrada a esa unidad).
El proceso de análisis se repite hasta llegar a la primera etapa del
diagrama de flujo, que es la última en analizarse. Una vez concluido
este proceso numérico, la solución optima se obtiene fácilmente
recuperando cada suboptimo de acuerdo al flujo de información del
problema original.
 TIPOS DE APLICACIONES
Consideremos el caso general de un problema de optimización de diversas
variables, cuya solución requiere de un algoritmo de optimización multivariable.
La figura a continuación muestra el esquema de un sistema de este tipo para la
aplicación de la programación dinámica.

dN di d2 d1

SN Si+1 Si S3 S2 S1
F N i 2 1

d = variable de diseño S = variable de estado

Por conveniencia las etapas se enumeran en sentido inverso al de flujo de

información, de tal manera que la primera etapa para el análisis es la última
del diagrama de flujo.
Para cada etapa distinguimos un grupo de variables de estado , S, las cuales
se obtienen de la solución del sistema de ecuaciones de esa unidad.
También distinguimos otro grupo de variables de diseño, d.
Debido a la descomposición del problema , el análisis individual de cada
etapa en cuanto a sus grados de libertad sería igual a las variables de estado
que llegan de la etapa anterior más las de diseño. Los grados de libertad
asociados al primer tipo de variables se satisfacen al suponer sus valores
(anticipando todo el intervalo que estos pueden tomar), de acuerdo al principio
de optimalidad de Bellman; al suponer estos valores los grados de libertad
efectivos para cada etapa son los asociados a las variables de diseño, d,
sobre las cuales debe hacerse una búsqueda de optimización para cada valor
supuesto de las variables de entrada.

Para analizar la técnica de aplicación de programación dinámica al sistema

de la figura anterior, consideremos inicialmente la última etapa del
diagrama.
La suboptimización de esta etapa implica la consideración de todos los
posibles valores que provienen de la etapa anterior de acuerdo al flujo de
información:
 max f 1 S 2 , d 1   f 1* S 2 
d1 

Los grados de libertad para esta etapa son los asociados a S2, y d1;
los grados de libertad asociados con S2 se consumen al suponer
algún valor que esta variable pueda tomar, mientras que los grados
de libertad asociados con d1 permiten el usa de alguna técnica de
optimización para encontrar su valor optimo.
Por tanto cada suboptimo implica el mejor valor que la variable de
diseño d1, debe tomar para cada posible valor de la variable de
estado S2, que proviene de la etapa anterior. Este proceso de
solución se muestra en la siguiente figura:
Análisis Etapa 1
ESTRATEGIA DE SOLUCIÓN
ESTRUCTURA d1

Suponer S2

S2 1 S1
Optimizar para encontrar el
mejor valor de d1
SUBPROBLEMA DE OPTIMIZACIÓN

Max [f1(S2, d1)] ¿ Se han considerado todos

los posibles valores que S2,
(d1)
puede tomar NO

SI

Fin del análisis de la etapa 1

TABULACIÓN DE RESULTADOS

S2 d1* f1*
A continuación se consideran las dos etapas en conjunto.
Para un valor dado de la corriente de entrada S3, y algún valor de la variable de
diseño d2, la solución de ecuaciones del sistema debe proveer el valor
correspondiente de salida de la unidad 2, S2, y para cualquier valor de S2 ya se
ha obtenido cual es la mejor variable de diseño de la unidad 1.
Así el problema:
max f 2 S 3 ,d 2   f 1 S 2 ,d 1   f 2* S 3 
d 2 ,d1 

 
Se trasforma en:
max f 2 S3 ,d 2   f 1* S2 
d2 

Esta búsqueda debe repetirse para todos los posibles valores que S3 puede
tomar, y cada suboptimo debe tabularse y graficarse apropiadamente, como se
muestra en la figura a continuación.
 Análisis Etapa 1 y 2
ESTRATEGIA DE SOLUCIÓN
ESTRUCTURA d2 d1
Suponer S3

S3 2 S2 S1
Optimizar d2. Para cada punto de búsqueda.
La solución de las ecuaciones de la etapa 2
SUBPROBLEMA DE OPTIMIZACIÓN La etapa 1 ya proporcionan el valor de S2 del cual se
ha sido
Max [f2(S3, d2) + f1*(S2)] obtiene f1*(S2) del análisis de la etapa 1
(d2)

¿ Se han considerado todos los posibles

valores que S3 puede tomar ? NO

SI
TABLA DE RESULTADOS
Fin del análisis de la etapa 2
S3 d2* S2 f2*
Este procedimiento se extiende de manera similar a otras unidades que
representan el proceso original.
En General para cualquier etapa i, el subproblema a resolver es:

 
max f i S i 1 , d i   f i*1 S i 
d i 
A este nivel todas las etapas subsecuentes ya se han analizado, por lo cual el
complemento a la estructura óptima depende solo del valor que se obtenga en
Si.
Finalmente, cuando i = N, la primera etapa del flujo de información, se tiene la
última suboptimización, a partir de la cual se recupera el plan optimo global.
En este nivel los grados de libertad del sistema son equivalentes al número de
variables de diseño de la última etapa dN, por lo cual se requiere de un solo
proceso de búsqueda para optimizar esta unidad.
La solución global se recupera siguiendo el camino inverso al de la solución
numérica que se ha planteado mediante esta técnica.
Aunque el proceso de optimización se ha esquematizado para una
variable de diseño para cada etapa, la extensión a problemas de
optimización de multivariables para cada etapa es directa; en tal caso, el
método de optimización debe escogerse adecuadamente, pero el uso de
programación dinámica es equivalente.

En resumen la programación dinámica determina una secuencia optima de

decisiones. Podemos conceptualizar dos grandes casos para este tipo de
problemas:
1.- Cuando se trata de una secuencia de decisiones sin necesidad de utilizar
ningún método de optimización explícito; en este caso simplemente debe
arreglarse el mejor orden de implementación de una serie de eventos
discretos.
2.- Cuando el modelo matemático de cada etapa de análisis contiene grados
de libertad, los cuales deben satisfacerse mediante la aplicación de algún
método formal de optimización.
Problema: secuencia de decisiones sin utilizar ningún método de optimización.
Se desea evaluar la siguiente operación industrial:
Unidad 1 Unidad 2 Unidad 3

Para la unidad 1 se consideran dos tipos de maquinas, A y B, que cuestan

100.000 y 200.000 $, respectivamente. Los costos de operación de estas
maquinas depende de las eficiencias a las que operan y son las siguientes:
Costos de Operación ( 103 $/mes )
Eficiencia % A B
70 7 5
80 14 10
90 19 14
Costo fijo 103 $ 100 200
La operación de la unidad 2 esta relacionada con la eficiencia de la unidad 1. Se
esta considerando un tipo de unidad que puede operar a tres temperaturas
diferentes, de acuerdo al siguiente cuadro de datos
% de eficiencia Costo 103 $/mes
Unidad 1 350 °C 400 °C 450 °C
70 5 15 20
80 3 12 15
90 2 8 12
Costo fijo 103 $ 150 300 400
La unidad 3 esta relacionada con la temperatura de la unidad 2, y las ventas
anuales que se obtienen reflejan la mayor calidad de producto que se obtiene a
mayor temperatura de operación de la unidad 2:
Ventas
Temperatura Unidad 3,
Unidad 2, °C
103, $/año
350 500
400 600
450 700

Determine la secuencia de operaciones optima usando programación

dinámica. Suponga para los costos fijos una depreciación lineal de 5 años.

Solución:
Tenemos como base un año de operación, y encontraremos la secuencia de
decisiones de máxima utilidad del sistema global.

Unidad 3:
La última tabla proporciona directamente el efecto de considerar todos los
posibles valores de la variable de entrada a esa unidad, en este caso la
temperatura a la que opera la unidad 2.
Unidades 2 + 3:
Al considerar la unidad 2, se toma en cuanta los óptimos obtenidos en la etapa
anterior de solución. Debemos considerar todas las posibles entradas del
sistema combinado que se analiza, en este caso todas las posibles eficiencias
de la unidad 1.
La unidad 1 puede operar a eficiencias de 70, 80 o 90%. Por ejemplo la
utilidad anual que se espera al considerar la eficiencia de 70 % a una
temperatura de 350 °C.
Ingreso
Utilidad Costo de
por menos menos costo fijo
anual = operación
ventas

Utilidad = 500 - 5*12 - 150/5 = 410

La tabla siguiente resumen los cálculos de utilidades
% de eficiencia Utilidades
Unidad 1 350 °C 400 °C 450 °C
70 410 360 380
80 434 396 440
90 446 444 476
Optimos locales
Unidades 1 + 2+ 3:
Consideremos por último la combinación de las tres unidades. Para cada
eficiencia de la unidad 1 debe incorporarse el correspondiente valor optimo
local que se determinó por agrupación de las unidades 2 y 3. Por ejemplo,
para una eficiencia de 70 % y una unidad tipo A, le utilidad esperada es:

Utilidad Costo de
Utilidad anual = menos menos costo fijo
anterior operación

Utilidad = 410 - 7*12 - 100/5 = 306 $/año

La tabla siguiente resumen los cálculos de utilidades

Utilidad $/año
Eficiencia % A B
70 306 310
80 252 280
90 228 268

De esta tabla se determina que la utilidad optima es 310, que implica la

unidad 1 es con una maquina tipo B, que debe operar con 70 % de eficiencia
y la unidad B operar a 350 °C
Problema: secuencia de decisiones utilizando un método de optimización.

Problema: OPTIMIZACIÓN DE UN SISTEMA DE EXTRACCIÓN DE 3 ETAPAS

Deseñar un sistema de extracción de 3 etapas como se muestra en la figura. La concentración inicial

de soluto de xF = 0,20 kg de soluto / kg de solvente B, con un flujo de solvente B = 1000 kg. Optimizar
el proceso utilizando programación dinámica. La función objetivo puede escribirse como:

m a x Bx F  x1    C1  C 2  C 3 
C1,C 2 ,C3 
C3 C2 C1

B, xF B, x1 B, x2 B, x1
3 2 1

C, y3 C, y2 C, y1
Regresión de datos de la Curva de Equilibrio, Ecuación 2 del problema

0,2

0,19

0,18

0,17

0,16

0,15

0,14

0,13

0,12

0,11

0,1

0,09

0,08
y = -5108,17308x 5 + 3127,73164x4 - 628,87893x3 + 38,80718x2 + 1,54299x + 0,00021
0,07 R2 = 0,99981

0,06

0,05

0,04

0,03

0,02

0,01

0
0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,1 0,11 0,12 0,13 0,14 0,15 0,16 0,17 0,18 0,19 0,2