Documentos de Académico
Documentos de Profesional
Documentos de Cultura
DE DESTILACIÓN DE ETANOL
1
2. DESCRIPCIÓN DEL PROCESO
2
14. Se desprecia el tiempo muerto en la corriente de donde:
vapor que va desde el último plato de la columna hn = entalpía del líquido del plato n (kJ/kg).
hasta el condensador, y también en la corriente hn +1 = entalpía del líquido del plato n+1 (kJ/kg).
de retorno del reflujo a la cabeza de la torre.
15. Se considera la dinámica del condensador en el H n = entalpía del vapor del plato n (kJ/kg).
desarrollo del modelo de la columna de H n −1 =entalpía del vapor del plato n-1 (kJ/kg).
destilación.
16. No se considera acumulación de vapor a lo largo Los cambios en la entalpía específica de la fase
del sistema. líquida son por lo general muy pequeños comparados
con la entalpía total del plato. Esto significa que,
Las ecuaciones que representan el comportamiento de normalmente, el balance de energía se puede reducir
un plato genérico son las mismas para toda la a una ecuación algebraica a partir de la cual se calcula
columna. el flujo de vapor que abandona el plato. Por lo tanto,
finalmente el balance de energía es el siguiente:
Balance global de materia:
dM n Ln +1hn +1 + Vn −1H n −1 + Fn h f , n −
= Ln +1 + Vn −1 + Fn − Ln − Vn − Sn (1) (5)
dt Ln hn − Vn H n − S n hn = 0
donde:
M n = masa de líquido acumulada en plato n (kg). Cálculo de la temperatura.
Ln +1 = líquido que cae al plato n del plato n+1 (kg/h).
Vn −1 = caudal vapor procedente del plato n-1 (kg/h). La temperatura en cada plato no se obtiene a partir
del balance de energía como ocurre en el fondo de la
Ln = líquido que abandona el plato n (kg/h).
columna, sino que se calcula la temperatura de
Vn = caudal de vapor que abandona el plato n (kg/h). burbuja. La temperatura de burbuja es aquella
Fn = caudal de alimentación del plato n (kg/h) temperatura que está en equilibrio con una
Sn = extracción lateral en el plato n (kg/h) composición del líquido conocida a una determinada
presión también conocida.
Balance global de materia a (j-1) componente:
d ( M n xnj ) Por lo tanto, en cada plato, el algoritmo de cálculo
= Ln +1 xnj +1 + Vn −1 ynj−1 + itera sobre la temperatura hasta que la suma de las
dt (2)
composiciones de la fase vapor del plato N sea igual a
Fn z n − Ln xnj − Vn ynj − S n xnj la unidad.
donde: n
x Nj = 1 − ∑x
j =1
j
N (3) Pn = presión total en el plato n (bar).
xnj = frac. molar del comp. j en el líquido del plato n.
Balance de global de energía:
Presión total en el plato n:
d ( M n hn )
= Ln +1hn +1 + Vn −1H n −1 + Pn = Pn +1 + ∆P (8)
dt (4)
Fn h f − Ln hn − Vn H n − S n hn
3
donde: Caudal de vapor que abandona el plato n:
Pn = presión total en el plato n (bar).
Pn +1 = presión total en el plato n+1 (bar). Como ya se ha dicho anteriormente, el flujo de vapor
que va hacia el plato siguiente se calcula a partir del
∆Pn = pérdida de carga entre el plato n y n+1 (bar). balance de energía en estado estacionario:
2
V
∆P = 0 (9)
K
donde:
V0 = caudal de vapor vivo (m3/h).
K = constante de proporcionalidad (m3/bar·h).
4
Dicha función está calculada sobre una trayectoria En esta formulación, las ecuaciones del modelos no
deseada de las variables de salida a lo largo de un se consideran restricciones explícitas dentro del
horizonte de predicción. problema de optimización, y las únicas variables de
decisión son las variables manipuladas.
La función de coste es la integral sobre los cuadrados La función de la simulación del proceso es integrar
de los residuos que resultan de la diferencia entre las las ecuaciones del modelo a lo largo del horizonte de
salidas predichas del modelo (ypred) y los valores de predicción tomando como condiciones iniciales el
referencia (r) a lo largo de un tiempo de predicción estado actual del proceso y evaluar la función
N2τ (donde N2 es el horizonte de predicción y τ es el objetivo formulada al final de cada integración.
periodo de muestreo).
Una formulación standard es Todo lo anteriormente mencionado permite la
programación de un problema no lineal formulado de
tk + N 2 ⋅τ forma genérica como la minimización en tiempo real
∫ γ [( y (t ) − r (t ))] dt +
2
min J= pred de una función objetivo no lineal con restricciones.
u ( k / k ),...,u ( k + N u −1 / k )
tk (14)
N u −1 3.2 Formulación de un controlador predictivo no
∑ β [∆u(k + j t )]
2
lineal iterativo (EPSAC).
j =0
5
Si se emplea una notación matricial, la ecuación 17 acciones de control, u * ( t + k / t ) , tomando como
quedaría como: condición inicial el estado actual del proceso y
evaluando también las predicciones, y * (t + k / t ) .
Y = Y + GU (19)
donde:
Una secuencia de acciones de control que se podría
(20) escoger sería la siguiente: u ( t − 1) + ∆u * ( t ) .
Y = [ y base (t + N 1 / t ) ... y base ( t + N 2 / t )]
T
Con esta secuencia y teniendo en cuenta que:
U = [δu(t / t ) ... δu (t + N u − 1 / t )]
T
ubase (t / t ) − u (t − 1)
γ (R − Y − GU ) (R − Y − GU ) + β (AU + b )T (AU + b )
T
ubase (t + 1 / t ) − ubase (t / t )
b= (27)
...
ubase (t + N u − 1 / t ) − ubase (t + N u − 2 / t ) Y el problema de optimización, la minimización de J
sujeta a las restricciones (10), se resuelve con
Los coeficientes de la matriz G se calculan utilizando técnicas simples de programación cuadrática (QP).
el modelo linealizado alrededor de estado actual en
cada periodo de muestreo. Mientras δ u (t + k / t ) ≠ 0 , los controles
Sin embargo, para un proceso dinámico complejo u (t + k / t ) = ubase (t + k / t ) + δu (t + k / t ) son
resulta difícil obtener una linealización del modelo.
subóptimos, porque la aproximación está basada en el
Por esta razón se ha desarrollado una posible
principio de superposición (12), sin embargo puede
alternativa que es el empleo del modelo no lineal para
converger en los controles óptimos redefiniendo
calcular los coeficientes hk y gk mediante una
simulación del modelo. iterativamente u base (t + k / t ) ≡ u (t + k / t ) y
Si se tiene en cuenta la ecuación 21, y recordando que volviendo a calcular δu (t + k / t ) y u (t + k / t ) hasta
hk = g k − g k −1 , se puede rescribir la ecuación 18 de que δu (t + k / t ) ≈ 0 , de manera que el término
la siguiente forma: y optimize (t + k / t ) es prácticamente cero.
yoptimize (t + k / t ) = g k [u (t − 1) + ∆u (t ) − ubase (t )] Para reducir el número de iteraciones, el valor
N u −1 inicial de ubase (t + k / t ) es importante. Una
+ ∑ g [∆u(t + i ) + u
k −i base (t + i − 1) − ubase (t + i )] elección simple y efectiva (De Keyser, 1998) es
i =1 empezar con la política de control óptimo derivada
(23) del salto previo u base (t + k / t ) ≡ u (t + k / t − 1) . En
Los coeficientes de la respuesta en escalón se pueden este artículo se ha utilizado esta estrategia.
calcular periodo de muestreo simulando el modelo no
lineal del proceso con una secuencia concreta de
6
4. RESULTADOS DE LA SIMULACIÓN.
0.05
0.1
Se han simulado variaciones para ambas variables
controladas durante un periodo de simulación de 4.5
horas. El comportamiento obtenido por los dos 0.0
0 1 2 3 4 5
controladores fue similar. La Fig. 4 muestra cómo el TIME
3500 columna.neutro_out.W
Pero el análisis de los esfuerzos de cálculo indican Uinf[1]
Usup[1]
una clara ventaja del controlador EPSAC. El periodo 3000
7
13000
[5] De Keyser, R.M.C. (1998) A gentle introduction
12000 to model based predictive control. EC-PADI2
International Conference on Control
11000
Engineering and Signal Processing. Lima, Perú,
10000
Plenary Paper.
eb.f_cal_in.W
Uinf[2]
Usup[2]
9000 [6] Henson M.A. (1998) Nonlinear model predictive
control: current status and future directions.
8000
Computers and Chemical Engineering, 23, 187-
7000 202.
0 1 2 3 4 5
TIME
[7] J. Gmehling - U. Onken. "Vapor-Liquid
Fig. 7 La 2ª variable manipulada (vapor introducido Equilibrium Data Colletion". Ed. Dechema.
en el evaporador) Chemistry Data Series
Referencias