See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/319208691

SÍNTESIS DE PROCESOS EN LA INDUSTRIA DE AZÚCAR DE CAÑA

Conference Paper · January 2004

CITATIONS READS

0 2,421

4 authors, including:

Raul Sabadi Rafael Hurtado

Instituto Cubano de Investigaciones de los Derivados de la Caña de Azúcar Pontifical Catholic University of Peru
55 PUBLICATIONS   45 CITATIONS    18 PUBLICATIONS   25 CITATIONS   

SEE PROFILE SEE PROFILE

Mauricio Ribas
Instituto Cubano de Investigaciones de los Derivados de la Caña de Azúcar
31 PUBLICATIONS   31 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Computing management systems for the sugar-alcohol industry View project

Urea supplementation for industrial Candida utilis fermentation View project

All content following this page was uploaded by Raul Sabadi on 22 August 2017.

The user has requested enhancement of the downloaded file.

 SÍNTESIS DE PROCESOS EN LA INDUSTRIA DE AZÚCAR DE CAÑA
PROCESS SYNTHESIS IN CANE SUGAR INDUSTRY

Raúl Sabadí, Rafael Hurtado, Mauricio Ribas, Carlos de Armas

Instituto Cubano de Investigaciones de los Derivados de la Caña de Azúcar (ICIDCA).

Vía Blanca 804 y Carretera Central, San Miguel del Padrón. Ciudad Habana, 11000 Cuba.
Teléfono: 53-7-557237. Fax: 53-7-988243. E-mail: sabadi@icidca.edu.cu

Resumen

En este trabajo se presentan diferentes casos de síntesis de procesos en la producción de azúcar crudo y
refino. Se describen diferentes enfoques para la síntesis y planificación de operaciones en el área de
tachos del ingenio azucarero de caña.

El uso del enfoque de red orientada a eventos (EON) permite el estudio de la utilización del
equipamiento en la fábrica y el análisis de la influencia de la planificación de operaciones en el perfil del
consumo de vapor buscando la estabilización en su demanda. Se describen dos casos de estudio en los
que por primera vez se incluye la producción de refino en el análisis. Se utilizan modelos de
programación lineal para el balance de materiales, incorporados en el paquete de programas SIMFAD© y
en hojas de cálculo Excel. Para el análisis de la planificación de operaciones se utiliza el software
PLANAZUCAR© y se demuestra su utilidad para definir (sintetizar) esquemas de cocción en la producción
de azúcar.

En el tercer caso de estudio se utilizan las herramientas gBSS© y PLANAZUCAR 3.0 basadas en el
enfoque de red de estados y tareas (STN) para la síntesis de esquemas de cocción en la producción de
azúcar crudo. Este enfoque permite estudiar la estrategia de producción sin necesidad de asignar
previamente las tareas a los equipos, soportado por un modelo de programación lineal mixta. En el último
caso se ajusta el balance de materiales a cada equipo y tarea utilizando un modelo de programación no
lineal. En este caso se utiliza el software CALIFA.

Palabras claves: síntesis de procesos, planificación de operaciones, industria, azúcar, cristalización

Abstract

In this paper, several jobs dealing with process synthesis in both raw and refined sugar production from
cane are presented. Some different approaches for process synthesis and operations scheduling in the pans
stage for sugar production from cane are described and their advantages demonstrated.

The use of the event oriented network EON approach has allowed a thorough study of the utilization rates
of the equipment in the factory as well as an analysis of the influence of the production planning on the
steam consumption profile, looking for stability in demand. Two case studies in which by first time the
refined sugar production is incorporated into the analysis are also described. Linear programming models
for the calculation of the material balances in sugar boiling were built. Software package SIMFAD© and
Excel worksheets are used for calculations. For the scheduling analysis, PLANAZUCAR© is used and
demonstrated its usefulness for analyzing and defining boiling schemes in sugar production.

1604
In third case study, the software tools gBSS© and PLANAZUCAR 3.0 based on the state task network
(STN) approach are used for the synthesis of boiling schemes in raw sugar production. This approach
allows studying the production strategy without assigning, a priori, tasks to equipment. It is based over a
mixed integer linear programming model. In the last case study, the material balance is really fitted to the
equipment at the operations level developing a non linear programming model. It has been done using the
software tool CALIFA.

Keywords: process synthesis, scheduling, sugar industry, crystallization

Introducción

Las áreas de cocción, cristalización y centrifugación operan en modo discontinuo a diferencia de otras
áreas de la fábrica de azúcar. El manejo y control del proceso debe centrar sus esfuerzos en tratar de
alcanzar calidades estándar de productos finales y rendimientos deseados, a la vez que mantener niveles
adecuados de acumulación de productos intermedios para evitar interrupciones innecesarias.

La eficiencia de la recuperación de azúcar y el máximo procesamiento de materias primas depende de la

coordinación de operaciones, uso de materiales reciclados, etc. Un aspecto muy importante es la
estabilización de la demanda de vapor a lo largo del tiempo. Los materiales reciclados deben ser
enviados de forma tal que nunca desborden los tanques de acumulación o estos estén vacíos para que los
tachos y centrifugas se mantengan ocupados el mayor tiempo posible y consecuentemente la fábrica
opere a un máximo de capacidad.

Se pueden utilizar diferentes estrategias de operación con los equipos instalados en la fábrica, por lo que
encontrar la más apropiada es una tarea importante y a veces difícil. La modelación matemática del
proceso resulta de una ayuda extraordinaria en este empeño, pudiéndose llegar al resultado deseado, es
decir, a la síntesis del proceso, por la vía de la simulación o por la vía de la optimización. Se han
realizado varios trabajos con este propósito.

Aguado (1973) publicó un trabajo proponiendo un modelo de programación discreta para el ordenamiento
de operaciones en el área de tachos. En ese trabajo se acepta la existencia del problema pero no se realiza
un análisis consecuente; probablemente debido al entorno en el que fue concebido. El modelo se construye
con un conjunto de restricciones asociadas a los balances de materiales, el consumo de vapor, la capacidad
de almacenamiento para cada material intermedio, relaciones entre el inicio y final de operaciones y
requerimientos de alimentación. Como función objetivo se consideró el consumo de vapor. Como se
mencionó anteriormente, el problema no se definió y de acuerdo a la forma en que se escriben las
ecuaciones, el modelo no describía los aspectos principales del proceso. El problema principal era que no se
consideraban los cortes de materiales entre tachos, es decir, se consideró que los cristales de azúcar crecían
desde la semilla hasta su tamaño comercial en una sola operación. Este trabajo se interrumpió debido a la
dimensión del modelo y a la no disponibilidad del software requerido para resolverlo.

De Armas (1980) propuso otro enfoque, el de representar este problema como una red de actividades con
recursos limitados y el uso de la programación lineal para calcular el balance de materiales. El método de
Monte Carlo (Polentz, 1980) fue utilizado para estimar los tiempos de duración de las actividades en
simulaciones utilizadas para establecer la forma más probable de realizar las operaciones en la casa de
calderas. El modelo matemático que describe el proceso elimina limitaciones de los precedentes, pero
también tiene otras en este nuevo enfoque. El usuario debe indicar la manera en que piensa que debe usarse
el equipamiento. Es decir, la red de actividades se construye sobre una estrategia predefinida de asignar
operaciones a equipos. Esto representa una inflexibilidad y puede conducir a una solución que puede no ser
la óptima. Por otra parte no hay análisis del uso de facilidades como el vapor.

1605
En otros trabajos, Morejón (1982) usó el lenguaje de simulación GASP-IV para enfrentar este problema,
introduciendo el análisis del consumo de vapor y Toledo (1990) propuso el uso de modelos de
programación dinámica, ambos con resultados puramente académicos.

Sabadí (1991) implementa un modelo de programación lineal para determinar los balances de materiales
y purezas y el cálculo de ruta crítica a partir de una descripción gráfica de la estrategia de fabricación. A
partir de este trabajo y basado en las descripciones metodológicas propuestas por De Armas (1980) es
que comienza a trabajarse en la concepción del proceso de fabricación de azúcar desde el punto de vista
de la receta como unidad básica de información aprovechando experiencias de otras industrias.

Una metodología de análisis para la programación de las operaciones en sistemas de producción

complejos es descrita por Graells (1998), desarrollada a partir de criterios establecidos por Puigjaner
(1996) en la Universidad Politécnica de Catalunya. Este enfoque, denominado EON (red orientada a
eventos), está orientado a posibilitar a expertos y analistas el estudio del problema de programación de
las operaciones y a usuarios de la industria una forma de encontrar soluciones prácticas en complejas
aplicaciones industriales y se dirige especialmente a sistemas de manufactura compleja (procesos
químicos discontinuos, industria farmacéutica y química fina). De esta forma, las recetas de fabricación
(Cantón, 1998) requieren de una detallada descripción de las tareas y las operaciones así como de las
restricciones de almacenamiento implicadas (actividades simultáneas, inestabilidad de productos
intermedios, síntesis de productos y otros procesos concurrentes). El modelo matemático está basado en
la programación lineal para determinar los tiempos de inicio, terminación y espera de las operaciones que
intervienen en la producción y una vez que se obtiene una solución factible inicial, esta puede ser
optimizada mediante la utilización de técnicas de recocido simulado (simulated annealing).

Kondili (1993) y Shah (1993) formulan el problema como de programación lineal mezclada con enteros
y lo solucionan por una técnica de “branch and bound”. En este caso se analiza el uso de almacenamiento
intermedio para dividir el proceso de fabricación de productos en distintas etapas, cada una de las cuales
puede efectuarse por separado a partir del empleo de diferentes tipos de almacenamiento. La ventaja de
este enfoque denominado STN (red de estados y tareas) radica en que se optimiza la asignación de tareas
a equipos.

En este trabajo se describe el uso de los enfoques EON y STN en casos de estudio de la industria
azucarera de caña y además un modelo de balances a nivel de operaciones y equipos que los
complementa.

Materiales y Métodos

1.- El enfoque de red orientada a eventos (EON)

Las ecuaciones matemáticas que incluye este modelo son:

a) Tiempo final de la operación i en la etapa j en el equipo k ( TFijk ) es igual al tiempo de inicio de esta
operación en la misma etapa en el mismo equipo ( TI ijk ) más el tiempo de duración de la operación
( TOPijk ), más el tiempo de espera ( TE ijk ).
TFijk  TI ijk  TOPijk  TE ijk

b) Tiempo de inicio de la operación i+1 en la etapa j en el equipo k es mayor o igual que el tiempo de
finalización de la operación i en la etapa j en el mismo equipo.

TI i 1 jk  TFijk

1606
c) Si dos operaciones cualesquiera i e i* correspondientes a tareas j y j* se realizan simultáneamente en dos
equipos k y k* y una depende de la otra (operaciones de descarga de materiales de un equipo y carga en
otro) entonces se cumple que:
TI ijk  TI i* j*k *
TFijk  TFi* j*k *
d) El tiempo de espera de la operación i en la etapa j en el equipo k ( TE ijk ) es menor o igual que el
tiempo de espera máximo definido por el usuario para esa operación en esa etapa y el mismo equipo
max
( TE ijk ).
TE ijk  TE ijk
max

e) El tiempo de duración de la operación i en la etapa j en el equipo k ( TOPijk )se define como:

TOPijk  aijk  bijk Qkij
cijk

donde:

aij , bij , cij : Son coeficientes suministrados por el usuario que permiten pronosticar el tiempo de duración
de la operación ( TOPij ) en función de la carga que tenga el equipo k en el momento que se realice la
operación i de la tarea j ( Qkij ).

f) El consumo del material l por cada operación i dentro de cada etapa j y en el equipo k, se define de
forma análoga al tiempo de duración de la operación:

Cons ijkl  d ijkl  eijkl Qkij

fijkl

donde:
d ijkl , eijkl , f ijkl : Son coeficientes suministrados por el usuario que permiten calcular el consumo del recurso
l en función de la carga que tenga el equipo.

g) Adicionalmente es necesario introducirle al modelo restricciones de cotas para las capacidades del
equipamiento con el objetivo de evitar el desbordamiento de los mismos.

Qkmin  Qkij  Qkmax

h) A este modelo matemático se le incorporó la función objetivo de minimizar el tiempo de duración

total del proceso:
n
i) Función objetivo: Min    TI ijk  TEijk
jJ k iI jk k 1

donde:
Jk : Conjunto de tareas que se realizan en el equipo k.
I jk : Conjunto de operaciones que se realizan dentro de la tarea j en el equipo k.

Este modelo matemático ha sido implementado e incorporado en la versión 2.0 del software
PLANAZUCAR desarrollado en el ICIDCA (Hurtado, 1999).

2.- El enfoque de modelo de programación lineal mixta (MILP) sobre red de estados y tareas (STN)

La característica distintiva de la red de estados y tareas (STN) es que tiene dos tipos de nodos: los
“estados”, que representan los productos intermedios y finales así como materias primas y las “tareas”, que

1607
representan a las operaciones de proceso que transforman el material de uno o varios “estados” de entrada a
uno o varios “estados” de salida. La representación STN es adecuada para redes de tareas continuas, semi-
continuas o por cargas (batch). Las reglas que se siguen en su elaboración son:
a) Una tarea puede tener tantos estados de entrada o salida como materiales diferentes existan.
b) Dos o más corrientes que entran al mismo “estado” son necesariamente de igual calidad. La
mezcla de corrientes diferentes debe ser representada como una “tarea”.

El problema de síntesis con enfoque de planificación para un sistema discontinuo puede expresarse como
“Dados la Red de Estados y Tareas de un proceso discontinuo y la información asociada a ella, y un
horizonte de tiempo de interés, determinar el "horario" de las operaciones para cada unidad, es decir, que
tareas, si las hay, se realiza en la unidad y en que momento en el horizonte de tiempo; y el flujo de
materiales a través de la red de forma tal que se optimice un criterio objetivo definido”.

Una consideración clave en cualquier algoritmo de "scheduling" es la representación del tiempo. Esta
formulación se basa en una representación discreta del tiempo. El horizonte de tiempo de interés se
divide en intervalos de igual duración. Los intervalos se numeran desde 1 hasta H, con tiempo inicial y
final 1 y H+1. La principal ventaja de este tipo de representación del tiempo es que facilita la
formulación a partir de una malla de referencia en la que se coloquen todas las operaciones compitiendo
por recursos. En la práctica la longitud del intervalo de tiempo se define como el máximo factor común
de los tiempos de procesamiento involucrados en el problema. Si los niveles de recursos requeridos en
una tarea cambian durante la duración de la misma, la longitud del intervalo de tiempo debe reducirse
para asignar que dichos cambios coincidan con límites del intervalo.
Las restricciones fundamentales que deben ser satisfechas incluyen:
a) la resolución de conflictos cuando las tareas deben ser asignadas a unidades de equipamiento,
b) limitaciones en las capacidades de las unidades y tanques de almacenamiento,
c) los balances de materiales.

A continuación se formulan matemáticamente estas restricciones mencionadas.

a) Restricciones de asignación.

En cualquier tiempo dado t, en un equipo sólo puede comenzar una tarea. Esto conduce a la expresión:

 wijt  1  j ,t
iI j

 Si la unidad j comienza a procesar la tarea i al principio

1
w ijt  del periodo de tiempo t
0
 en otro caso
Si un equipo comienza una tarea dada, entonces no podrá comenzar ninguna otra hasta que la anterior no
haya concluido. Esto implica que si wijt  1 , entonces wi ' jt '  0 para cualquier tarea i ' I j y
t '  t  1,..., t  TPi  1 . Todos estos requerimientos pueden ser expresados como:
t TPi 1
  wijt   1  M (1  wijt )  j ,t ,iI j
i I j t   t
Donde M es un número positivo suficientemente grande. En esta ecuación se puede notar que si
wijt  1 para algún i, j , t entonces la doble sumatoria en el término de la izquierda es forzada a no
exceder el valor de uno (1), lo cual implica que todos los demás wi ' jt '  0 .

b) Limitaciones de capacidad

1608
La cantidad de material que se utiliza para iniciar la tarea i en la unidad j en el tiempo t está limitada por
las capacidades máximas y mínimas de la unidad:
wijtvijmin  Bijt  wijtvijmax i, j,tEi
B : Cantidad de material que comienza a producir la tarea i en la unidad j al principio del periodo de
ijt
tiempo t.
Vijmáx : Capacidad máxima del equipo j para realizar la tarea i.
Vijmín : Capacidad mínima del equipo j para realizar la tarea i.

La cantidad de material almacenado en el estado s no puede exceder en ningún momento la capacidad

máxima de almacenamiento para este estado:

0  S st  C s  s ,t
S st : Cantidad de material acumulado en el estado s en el instante t.
C S : Capacidad máxima de acumulación del estado s.

c) Balances de materiales.

Los balances de materiales se expresan matemáticamente como:

S st  S s ,t 1    is  Bi , j ,t TP 
is
  is  Bijt  s ,t
iTs jEi iTs jEi

 is : Proporción de material suministrado por el estado s para realizar la tarea i.

TPis : Tiempo de procesamiento para la salida de la tarea i al estado s  S i .
TPi : Tiempo total de procesamiento de la tarea i, TPi  max TPis .
sSi
Esta restricción establece que el incremento neto S st  S s,t 1  en la cantidad de material almacenado
en el estado s en el tiempo t está dado por la diferencia entre la cantidad producida y la cantidad utilizada
 
de este estado. La cantidad inicial del material en el estado s S s 0 se asume como conocida, esto
permite especificar la condición inicial de los inventarios de materiales, incluyendo productos
intermedios y finales.

Otras restricciones que se incluyen son:

d) Entrega de productos y recepciones de materia primas durante el horizonte de tiempo.
e) La falta de disponibilidad temporal de equipos
f) La disponibilidad limitada de utilidades y mano de obra
g) Utilización de equipos como unidades de almacenamiento de corrientes de alimentación a tareas.
h) Función objetivo

El modelo es capaz de acomodar una variedad de medidas económicas o de comportamiento del sistema.
El criterio principalmente usado en el estudio presente es la maximización de la ganancia. La ganancia
puede expresarse como:

Ganancia = Valor de productos – Costo de existencias - Costo de almacenamiento – Costo de

utilidades

1609
Cada uno de estos términos de la ganancia se cuantifica debajo:
H
Valor de los productos   (C s, H 1 S s , H 1   C st D st )
s t 1
donde:
C st : Precio unitario asociado con el material en el estado s en el tiempo t.

La expresión anterior incluye tanto el valor de material dejado en el almacenamiento de la planta al final
del horizonte, como el valor de material entregado a clientes durante el horizonte. Si es indeseable para el
material en ciertos estados (por ejemplo intermediarios) que sea dejado en almacenamiento al final del
horizonte de tiempo, esto puede ser evitado asignando el correspondiente C s , H 1 a valores negativos
grandes o añadiendo explícitamente la restricción S s , H 1  0 a la formulación matemática.
H
Costo de existencia s   (C s 0 S s 0   C st Rst )
s t 1
De nuevo, tanto el valor del inventario inicial como el costo de material recibido durante el
procesamiento se tienen en cuenta. Merece la pena destacar que las cantidades Rst y Dst o pueden
fijarse a priori o pueden variar, sujeto a los límites superiores dados. En el último caso, el algoritmo
determinará el horario óptimo de obtener materias primas y/o entregar productos, aprovechándose de
cualquier precio, disponibilidad y variaciones de la demanda con el tiempo y aprovechándose del
almacenamiento local disponible al mejor grado posible. El costo algorítmico de permitir esta
flexibilidad adicional es mínimo, dado que Rst y Dst son variables continuas que aparecen linealmente
en las restricciones y la función objetivo.
H
Costo de acumulación    C stS S st
s t 1

Donde C stses el costo corriente de guardar una cantidad unitaria de material en el estado s sobre el
intervalo que empieza en el momento t. Semejante costo puede, por ejemplo, ser incurrido si se requieren
facilidades de almacenamiento refrigerado o calentado para ciertos estados. Aquí Cutu es el costo
unitario de la utilidad u en el intervalo t.
H
Costo de utilitarios    CutU U ut
u t 1
Este modelo matemático ha sido implementado e incorporado en la versión 3.0 del software
PLANAZUCAR desarrollado en el ICIDCA (Hurtado, 2003).

3.- Balances a nivel de tareas y equipos

Tanto en el enfoque EON como en el STN se hace necesario el balance de materiales a nivel de tareas y
equipos. En el proceso de fabricación de azúcar crudo se pueden encontrar diferentes configuraciones de las
corrientes de materiales en el área de cocción, cristalización y centrifugación. En trabajos precedentes se ha
utilizado un modelo de programación lineal para representar estos balances (De Armas, 1993),
resolviéndose primero el balance de flujos y sobre este el balance de purezas. El modelo de optimización no
lineal que se utiliza en este trabajo es fácilmente adaptable a cualquier esquema de fabricación de azúcar y
permite conocer los valores de sólidos, purezas y brix de todas las corrientes en un solo cálculo,
resolviéndose con un algoritmo de programación cuadrática sucesiva (SQP). El modelo incluye las
siguientes restricciones:

a) Ecuaciones de balance de flujo

1610
Estas ecuaciones describen el comportamiento del flujo de materiales durante todo el esquema. La suma de
los flujos que entran a un nodo es igual a la suma de los flujos que salen.
Tflujo
 Cij F j  0 i
j 1

b) Ecuaciones de balance de sólidos

Estas ecuaciones modelan la transferencia de sólidos en peso entre los distintos nodos del esquema. En el
caso del esquema de la figura 1 los balances de sólidos se plantean para todos los nodos. Para escribir las
ecuaciones de balances de sólidos es necesario definir los sólidos en peso.
S l  F j * D j * Bl l  1,.., Tsólidos

Para el cálculo de la densidad del flujo se construyó una ecuación de regresión que expresa la densidad del
material en función del brix.
D j  62.430 * (62.209  0.228 * Bl  0.001 * B 2 )
l

A partir de la definición anterior, el balance de sólidos plantea que la suma de los flujos de sólidos que
entran a un nodo es igual a la suma de los flujos de sólidos que salen:

Tflujo Tsólidos
  Cij  jl S l  0 i
j 1 l 1

c) Ecuaciones de balance de purezas

Los balances de purezas son ecuaciones que nos permiten calcular las purezas de las corrientes que entran y
salen de cada nodo, estos balances se pueden expresar de la forma siguiente:
Tflujo Tsólidos Tpurezas
   Cij  jl  jk Sl Pk  0 i
j 1 l 1 k 1
En el esquema de la figura 1 no se plantea el balance de purezas en los nodos de disolución de mieles y
azúcar C ya que en todos ellos no hay cambio de purezas.

d) Relaciones tecnológicas y operacionales

Estas relaciones pueden cambiar de un esquema a otro. Las mismas se adicionan al modelo con el objetivo
de que se cumplan algunos requerimientos industriales que no se pueden expresar solamente con las
ecuaciones de balances. El usuario tiene la libertad de seleccionarlas todas o algunas de ellas e incluso
introducir otras. En la medida en que estas restricciones tecnológicas se acerquen más a la realidad, más
confiables serán los resultados que ofrece el modelo.

e) Función Objetivo

El modelo matemático está basado en la programación no lineal y el mismo admite diferentes funciones
objetivos: minimizar la pureza de la miel final, maximizar el recobrado, minimizar el consumo de vapor.
Para propósitos de este trabajo se utilizó el máximo de recobrado como función objetivo:

FACom.BACom.PACom.
Max *100
Fmel.Bmel.Pmel.  FSir.E BSir.E PSir.E  FSir. Afin.BSir. Afin.PSir. Afin.

1611
Este modelo matemático está implementado en la versión 1.0 del software CALIFA (Hurtado, 2002).

Resultados y Discusión

1) Caso de estudio con el enfoque EON

Para validar este modelo se definió un caso de estudio real basado en el esquema de producción de azúcar
crudo de tres masas cocidas con doble semilla de un ingenio azucarero argentino (Paz, 2000). En este
trabajo se presenta la simulación del sector cocimientos y refinería de una fábrica de azúcar de caña, que
muele 24000 toneladas de caña por día. Se definieron una serie de recetas para la producción de las tres
masas cocidas y se realizaron los balances de flujos totales, sólidos y purezas para el esquema completo. Se
definieron 20 recetas de fabricación: 14 de COMERCIALES y 6 de AGOTAMIENTO, a partir del
fraccionamiento del proceso de fabricación en recetas flexibles. Cada una de ellas se describió de la
forma siguiente:

a) Cálculo de los coeficientes de las corrientes: Indican si la corriente es de entrada o salida a la receta y
además expresan la proporción en que se utilizan los materiales involucrados en el proceso. Al menos
una de las corrientes debe tener valor igual a 1.0 ó –1.0, lo cual indicará que es la de referencia. Los
coeficientes del resto de las corrientes relacionan la cantidad de las mismas en relación con esta corriente
principal. Este valor se determina según los balances de materiales calculados previamente.

b) Cálculo de los factores de tamaño: Se toma la relación entre el volumen de la subtarea de mayor
tamaño y el volumen de la corriente de referencia.

c) Cálculo de la duración de las operaciones (TOP): Se establecen teniendo en cuenta el comportamiento

histórico de las operaciones en la industria según la expresión: TOP = a + b * Qc. En la descripción de las
recetas esto se ha representado asignando al coeficiente a del tiempo de operación el valor mínimo y
colocando un tiempo de espera (TW) igual al complemento requerido para llegar al valor máximo de
duración de la sub-tarea. Durante la realización de los cálculos, este tipo de definición permite que la
tarea tome valor entre el mínimo y el máximo según lo requieran las circunstancias para disminuir el
tiempo total del proceso.

d) Utilización de recursos en las operaciones: El consumo de recursos de la operación (CR) viene dado
por la expresión: CR = a + b * Qc Se analiza en fracciones de tiempo (INICIO y FINAL) ya que las
operaciones no consumen uniformemente algunos de estos recursos a lo largo de su tiempo de duración.

A continuación se describieron las rutas de trabajo, o sea, asignar equipos a las tareas de cada una de las
recetas establecidas y finalmente se combinaron estas rutas para formar árboles generales (lanzamientos)
que se correspondieran con las estrategias de trabajo en la industria. Este caso de estudio se analizó con
el software PLANAZUCAR 2.0 (Hurtado, 2000). El análisis de las estrategias de fabricación con el
sistema PLANAZUCAR determinó que era factible la utilización de un sistema orientado a la
planificación de operaciones en plantas batch en la casa de calderas del ingenio azucarero. La flexibilidad
en la elaboración de recetas de fabricación resultó determinante en la concepción de las estrategias de
trabajo en la casa de calderas.
2) Caso de estudio con el enfoque STN-MILP

El objetivo de este caso es evaluar la herramienta de software gBSS (General Batch Scheduling System),
desarrollada en el Imperial College y la versión 3.0 de PLANAZUCAR, desarrollada en el ICIDCA, en
la síntesis de esquemas de cocción en ingenios azucareros. Aunque es un caso de estudio real, no se ha
representado con un alto nivel de detalle buscando evaluar principalmente el enfoque de trabajo y el
software.

1612
En las figuras 1 y 2 aparecen representadas las estrategias de operación en la producción de azúcares
comerciales y en la figura 3 la correspondiente a la producción de azúcares de agotamiento. En estos
esquemas los círculos representan los tachos, identificados por su número en el interior, y los otros
equipos (cristalizadores, tanques intermedios por ejemplo) están representados por rectángulos y otros
símbolos. Las flechas indican los movimientos de los materiales (cortes entre equipos, descargas de
materiales, cargas de materia prima). Cercano a ellas se colocan números que indican las fracciones de
uso de cada material, éstas se obtienen de los balances de materiales previos y/o se asignan por
requerimientos tecnológicos. Las masas cocidas A y B se producen utilizando siete tachos y las masas
cocidas C se realizan en dos tachos. En todos los casos existe descarga de materiales intermedios a
tanques.

Figuras 1 y 2. Estrategias de producción de azúcares comerciales y de agotamiento.

En la figura 3 se muestra la representación STN de las estrategias de producción de azúcares

comerciales. De igual forma se hace con la producción de azúcares de agotamiento. A partir de estas
representaciones, de las características del equipamiento instalado y de las tareas y operaciones que se
realizan en él se preparan los archivos de datos para gBSS y PLANAZUCAR. En esta información se
incluye la descripción de las posibles recetas de producción, indicando en cuáles equipos podría
realizarse cada operación; pero sin asignar uno de ellos en particular. Otras informaciones que se
incorporan en la descripción del proceso son los consumos de servicios como el vapor en cada operación.

Figura 3. Representación STN de las estrategias de producción de azúcares comerciales.

1613
Las características del caso de estudio son las siguientes:
Horizonte de Tiempo: 24 horas.
Intervalo de análisis: 1 hora.
Utilitario: Vapor.
Función objetivo: Maximizar la cantidad de Azúcar A y Azúcar B, considerando como precios de estos
productos 1.0.
Algoritmo de solución: LP-SOLVE Versión 2.0.

Tabla 1. Características del modelo matemático que representa el problema estudiado

GBSS PLANAZUCAR
Horizonte de tiempo: 24 unidades reales 24 unidades reales
Intervalo de discretización del tiempo: 1.00 unidades reales 1.00 unidades reales
Número de variables enteras: 584 584
Número total de variables: 1620 1617
Número de restricciones: 1543 1905
Tiempo total de CPU (segundos): 4575 3240
Valor óptimo de la función objetivo: 336.23 324.4

En las figuras 4 y 5 se muestran los resultados de la síntesis del proceso a través del diagrama Gantt y de
los perfiles de utilización de recursos.

Figura 4. Diagrama GANTT del proceso (PLANAZUCAR).

A pesar de que en este caso de estudio no se definieron los detalles de las operaciones correspondientes a
cada tarea en las recetas de cocimientos, se puede apreciar que el modelo admite perfectamente esta
definición y su análisis en la búsqueda de la solución óptima del problema. Esta solución permite que se
utilicen de una forma más efectiva las capacidades instaladas ya que no se trabaja con una propuesta
inicial que puede hacer inflexible el análisis. Por supuesto que cualquier solución deberá tener en cuenta
la conectividad real entre los equipos del área de trabajo para evitar soluciones no factibles en la práctica
en la fábrica. Esto también puede incluirse como una extensión del modelo en las restricciones del
problema.

1614
 Figura 5. Perfiles de producción y consumo de materiales (PLANAZUCAR).

El hecho de utilizar variables discretas del tiempo (problema MILP) provoca que el número de variables
sea muy grande incluso para casos pequeños de análisis:

Tabla 2. Dimensiones del modelo generado (8, 12, 16, 20 y 24 horas)

Variables Restricciones
Horas Total Enteras Total Localización Capacidad Balances Utilitarios
8 497 168 593 96 336 153 8
12 777 272 921 144 544 221 12
16 1057 376 1249 192 752 289 16
20 1337 480 1577 240 960 357 20
24 1617 584 1905 288 1168 425 24

Esta situación provocó que los trabajos iniciales de Aguado (1973) se quedaran en el planteamiento
teórico. Con gBSS y PLANAZUCAR ya es posible encontrar solución al problema aunque con un
requerimiento mayor de tiempo de máquina (tiempo de CPU); en nuestro caso la solución requirió para
ambas aplicaciones de software tiempos cercanos o que pasan la hora. Esta no es una limitación
definitiva de este enfoque dado que la evolución de las microcomputadoras permite avizorar equipos
cada vez más rápidos en el futuro cercano. Vale significar que cuando comparamos PLANAZUCAR con
gBSS estamos comparando un software que se ejecuta sobre una microcomputadora con uno que lo hace
sobre una estación de trabajo que han sido usualmente equipos más potentes. Es decir, ya con
PLANAZUCAR sobre una PC se logran velocidades de cálculo mayores que con gBSS sobre una
estación de trabajo sólo con 2 años de diferencia. Esto último además es uno de los aspectos novedosos
de este trabajo.

3) Caso de balances a nivel de equipos y tareas

Este modelo se validó en un esquema real de fabricación de azúcar crudo de tres masas cocidas
correspondiente al ingenio azucarero cubano “Camilo Cienfuegos” (Ribas, 2002). En los nodos se
representaron las operaciones de cocción, centrifugación, preparación de semillas y distribución de
materiales, considerando el flujo de sólidos entre los nodos y las aguas evaporadas en el proceso. En la
tabla 1 se muestra aquellas magnitudes que son datos, en este caso se fijan todos los valores de las

1615
corrientes de sólidos de entrada al esquema así como su brix y pureza. También se dan como dato los
valores de brix de las mieles disueltas y del azúcar C disuelta.

Tabla 3. Datos del modelo

Corrientes Sólidos (ton.) Brix Purezas

Meladura al sistema 611.11 68 86
Sirope E 81.20 68 90
Sirope de adinación 71.90 68 90
Miel A disuelta - 68 -
Miel B disuelta - 65 -
Azúcar C disuelta - 88 -

Adicionalmente a los datos mostrados en la tabla 1 es necesario dar información acerca de los tamaños de
los cristales de semilla, en este caso se trabajó con cristales de 0.25 mm, los tamaños de los cristales de
azúcar A y B, se consideró 0.65 mm y 0.60 mm. Otra magnitud importante lo constituyen las fracciones de
cristales de azúcar en las masas cocidas, se fijaron en 0.5.

El modelo calcula el consumo de vapor a través de índices suministrados por el ingenio.

Cons.Total.Vapor  1.15 * AE MCA  1.20 * AE MCB  1.10 * AE MCC

Se consideraron además las siguientes restricciones tecnológicas.

a) Las condiciones de equilibrio entre los cristales y las masas cocidas A, B y C y sus licores madres
correspondientes (mieles), pero sobre todo las directivas de producción con vista a la facilidad de
manipulación en las centrífugas, así como el máximo aprovechamiento del equipamiento, permiten
establecer relaciones bastante estrechas que se deben cumplir en cuanto al rendimiento en cristales de cada
tipo de masa. Se considera un rendimiento de un 50% para los cristales de las masas cocidas A, B y C con
respecto a dichas masas.

S Azúcar ( A), ( B), (C )  0.5S MC ( A)( B)(C )

b) Una relación muy importante la constituye el crecimiento de cristales a partir del tamaño de
semilla. Estas ecuaciones están incluidas en el modelo de tal forma que se puede estudiar muy fácilmente el
efecto de diferentes tamaños de semillas desde el punto de vista de los balances sin tener en cuenta algunos
aspectos fenomenológicos de la transferencia de masa en la superficie del cristal.

c) Para escribir las ecuaciones de crecimiento de cristales para cada masa cocida, se asume que los cristales
forman un cubo perfecto y las relaciones en peso son iguales a las relaciones de volumen.

3
S Azúcar ( A), ( B )d 
  a 
Fcs * S semilla  ds 

Los valores de d a pueden variar en dependencia del tipo de azúcar, siendo ligeramente mayor para el
azúcar A (0.65 – 1.1 mm), le sigue el azúcar B (0.60 – 1.0 mm) y el azúcar C Los valores de d s varían en
un rango de (0.15 – 0.55 mm).

Los resultados se obtuvieron utilizando el software CALIFA (Hurtado, 2002). La aplicación concreta de
este modelo mostró el efecto que tiene la selección de los tamaños de cristales de semilla y de azúcares A y

1616
B sobre el recobrado, el consumo de vapor, la miel final, el azúcar C y la pureza de la miel final. Se
realizaron un total de 56 simulaciones con diferentes tamaños de cristales de semillas y azúcares A y B. En
todos los casos se consideró como función objetivo el máximo de recobrado y se obtuvo convergencia del
algoritmo en pocas iteraciones. Para tamaños fijos de cristales de azúcar A y B el máximo de recobrado
comienza a disminuir a partir de un determinado tamaño de semilla. Para tamaños de semillas menores de
0.22 mm los valores del máximo de recobrado se mantienen constante independientemente de los tamaños
de los cristales de azúcar A y B en el rango estudiado. A medida que aumenta los tamaños de cristales de
azúcar A y B mayor es la probabilidad de poder aumentar los tamaños de cristales de semillas sin que se
afecte significativamente el máximo de recobrado. Un decrecimiento notable del máximo de recobrado por
esta causa se traduce en un aumento de la miel final manteniendo constante la pureza de la misma. Una
disminución del recobrado producto de una mala proporción entre el tamaño de semilla y el de los azúcares
A y B implica un aumento del azúcar C disuelta, esto trae como consecuencia un incremento del consumo
de vapor y por lo tanto de la proporción de vapor consumido/azúcar producido. Se debe decir que todos
estos resultados fueron obtenidos a partir de las ecuaciones de balances del modelo y por lo tanto no tienen
en cuenta otros fenómenos que se presentan en la cristalización como el de la viscosidad de las masas
cocidas sino simplemente muestran como a partir de un tamaño adecuado de semilla y azúcares A y B se
puede mejorar los valores de recobrado.

Conclusiones

Se pudo comprobar que es posible la síntesis de esquemas de procesos de la industria azucarera con el uso
de modelos de optimización. Para ello se probaron los enfoques EON con programación lineal y STN con
programación lineal mixta. Igualmente se comprobó la utilidad de formulaciones no lineales para los
cálculos de balances a nivel de equipos y tareas.

En el caso de la representación EON se comprobó su utilidad para llegar a la síntesis por la vía de la
simulación y después mejorar la solución obtenida con algún método de optimización. El algoritmo
evaluado de “simulated annealing” no resultó el más adecuado.

La formulación MILP del enfoque STN permite, por primera vez, que no haya que proponer “a priori” la
asignación de equipos a tareas en la estrategia de trabajo para evaluar su factibilidad y optimizarla. El
sistema propone una solución óptima para las condiciones de proceso y equipos. El modelo matemático
que describe a esta representación del proceso es más riguroso que el enfoque EON desarrollado en la
UPC. Por la razón anterior el modelo es mayor y requiere mayor potencia de cálculo, es decir, una
computadora más potente. Sin embargo, las pruebas realizadas demuestran que no es prohibitiva esta
supuesta desventaja teniendo en cuenta el desarrollo de los medios de cálculo actuales. El algoritmo de
solución LPSOLVE resultó ser adecuado para el modelo estudiado. Se logran mayores velocidades de
cálculo que con gBSS (45 minutos contra 76 minutos en el caso de 24 horas de horizonte de tiempo).

En el caso de los balances en equipos y tareas se pudo construir y resolver un modelo matemático que
suministra una importante información para el análisis del proceso de fabricación de azúcar y la toma de
decisiones. El modelo matemático construido es de naturaleza no lineal y ofrece una mejor descripción del
proceso que el modelo escrito con restricciones lineales únicamente. El algoritmo SQP de solución
empleado es lo suficientemente potente como para resolver problemas de optimización de este tipo a gran
escala.

Los enfoques de trabajo utilizados en los casos de estudio es de aplicación general para industrias de
procesos discontinuos por lo que el hecho de disponer de este conocimiento permite que se pueda
emplear en casos de estudio de procesos como los de producciones farmacéuticas, polímeros, etc. Todos
estos enfoques se han recogido en las herramientas de software PLANAZUCAR y CALIFA.

1617
 Referencias

- Aguado, A. (1973), "Un modelo de programación discreta para la secuenciación de los tachos en los
centrales azucareros". Investigación Operacional, No.8, Enero-Febrero., 16-22.
- De Armas, C. (1980), "Design and management of production systems in boiling house of sugars
mills". PhD Thesis, Brno.
- De Armas, C. and Sabadí, R. (1993), "Balances de sólidos y purezas en el área de cristalización. Su
enfoque matemático-computacional". Azúcar y Alcohol. April-may. Year 13, no. 67, 14-19. Brazil.
- Cantón, J., Graells, M., Puigjaner, L. (1998), “Handling of complex recipes in detailed batch
production scheduling: application to the pharmaceutical industry” 13th International Congress of
Chemical and Process Engineering – CHISA’98, Vol. 6, p. F2.3, Praha, Chec Republic, (ISBN 80-
86059-26-X).
- Graells, M. et al. (1998), “General approach and tool for the scheduling of complex production
systems”. Proceedings European Symposium on Computers Applications in Process Engineering
(ESCAPE-8), Belgium.
- Hurtado, R. (1999), “Un planificador de operaciones para la industria azucarera“. Tesis de Maestría
en Informática aplicada a la Ingeniería. ISPJAE, La Habana.
- Hurtado, R and Sabadí, R. (2000), “PLANAZUCAR 2.0. Manual de Usuario”. ICIDCA, La Habana.
- Hurtado, R., Ribas, M., Sabadí, R. (2002), “Analysis of sugar production flow sheets. Part II: Software
tool and case study”. Proceedings PRES 2002, Prague, August 2002.
- Hurtado, R , Sabadí, R., Ribas, M. (2003), “PLANAZUCAR 3.0. Manual de Usuario”. ICIDCA, La
Habana.
- Morejón, A. (1982) “Simulación de la casa de calderas usando el lenguaje GASP IV”. Trabajo de
Diploma, ISPJAE, La Habana.
- Paz, D, Sabadí, R., Cantón, J.(2000), “Uso de un software de simulación de operaciones batch en el
área de cocimientos en la producción de azúcares de caña”. Revista Industrial y Agrícola de
Tucumán (RIAT). Tomo 77 (1-2), pag. 27-43.
- Polentz, LL. M. (1980), “The Monte Carlo method of predicting production time”, Chemical
Engineering, Agosto.
- Puigjaner, L., Espuña, A., Santos, G. and M. Graells (1996). “Design of batch plants”. Batch
Processing Systems Engineering (Eds.: G. V. Reklaitis, A. K. Sunol, D. W. T. Rippin and O.
Hortaçsu), NATO ASI Series No. 143, Springer-Verlag, Berlin pp. 86-113.
- Ribas, M., Hurtado, R., Sabadí, R. (2002), “Analysis of sugar production flow sheets. Part I:
Mathematical modelling”. Proceedings PRES 2002, Prague, August 2002.
- Sabadí, R. et. al. (1991), "SIMFAD: un sistema para la simulación de fábricas de azúcar y derivados.
Parte I: Descripción de módulos de procesos". Cuba Azúcar No. 4.
- Sabadí, R. et. al (1999), “A new approach for short-term scheduling in the production of sugar from
cane”. 2nd. Conference on Process Integration, Modeling and Optimization for Energy Saving and
Pollution Reduction. Proceedings, pags. 559-564. ISBN 963 8192 87 9.
- Sabadí, R. et. al. (2001), "Process scheduling in sugar refinery industries”. Proceedings PRES´01,
Florence, Italy. Pag.185-188.
- Kondili, E., Pantelides, C. C., Sargent, R. W. H. (1993), “A general algorithm for short-term
scheduling of batch operations – 1. MILP formulation” Computers & Chem. Eng., Vol. 17, No. 2,
211-227.
- Shah, N., Pantelides, C. C., Sargent, R. W. H. (1993), “A general algorithm for short-term
scheduling of batch operations. II Computational issues”. Computers & Chem. Eng., Vol. 17, No. 2,
229-244.
- Toledo, A. L. (1990), “Investigación y desarrollo de un sistema de conducción del área de cristalización
en centrales azucareros”, Tesis presentada en opción al grado científico de Doctor en Ciencias
Técnicas, ISPJAE, La Habana.

1618

View publication stats