1/32

Análisis de Procesos
Temas complementarios

Capítulo V. Optimización
de procesos
Semestre 02 - Año 2021
2/32
Contenido
1. Introducción
2. Optimización en ingeniería química
3. Métodos numéricos de optimización
4. Búsqueda unidireccional
5. Programación lineal
6. Programación lineal mixta
7. Programación no lineal
8. Programación no lineal con variables
enteras
9. Métodos heurísticos y metaheurísticos
de optimización
4/32
Introducción
Análisis de procesos:
Proceso (definición y objetivos)
Elementos de diseño
Selección del proceso
Capacidad de la planta
Ubicación
Selección condiciones de operación
Diseño
Balances de materia y energía
Dimensionamiento
Simulación
5/32
Introducción
Análisis de procesos:
Análisis económico
Costos fijos
Costos de operación
Otros costos
Otros
Integración energética
Servicios industriales
Análisis del riesgo
Optimización del Proceso
6/32
Introducción
Industria Química Por qué se busca optimizar?

Más competitiva
(calidad del producto/rentabilidad)

Optimización del Proceso

Ahorro de costos Alimentación en columna
(ahorro energético)

Mayor eficacia Optimizar Treacción para maximizar

conversión de producto principal

Logística Industria farmacéutica:

Asegurar stock de productos,
MP, productos intermedios
7/32
Introducción
Entonces, Optimización Herramienta muy útil

Auge de la Optimización del Proceso

• Computadores con alta capacidad de cálculo
• Desarrollo de algoritmos matemáticos robustos
• Mejora en la predicción de los modelos de
simulación de operaciones unitarias y estimación
económica
 8/32
Introducción
Técnicas de Optimización
• Programación lineal (LP: Linear Programming)
Solución única. Simplex (más utilizado)
• Programación lineal mixta (MILP: Mixed Integer
Linear Programming)
Variables discretas binarias o enteras. Branch & bound (más utilizado)
• Programación no lineal (NLP: Non linear
programming)
Algunas funciones no lineales (mínimos locales). SQP (Sequential Quadratic
Programming) Algoritmo de programación cuadrática sucesiva (Más usado)
• Programación no lineal mixta (MINLP: Mixed Integer
non linear programming)
Variables discretas binarias o enteras a la NLP.
Problema original: varios subproblemas de NLP,
Se resuelven con una MILP
9/32
Introducción
Ventajas e inconvenientes:
No existe ningún método que garantice la solución
No existe ningún protocolo que garantice
convergencia
No existe ningún algoritmo intrínsecamente robusto

Buenas prácticas en optimización

• La mejor estrategia es mantener el modelo lo más
sencillo posible
• Es necesario dedicar mucho tiempo a obtener el
modelo del proceso
10/32
Introducción
Buenas prácticas en optimización
• Realizar análisis de sensibilidad, modificando las
variables más importantes del proceso para conocer
su efecto sobre el sistema
(Temperatura, flujo, purga) – Condiciones de operación
(Tamaño, etapas, etc.) – Condiciones de diseño

• Construir el modelo poco a poco, incluyendo

restricciones una a una (determinar problemas)
• Iniciar optimización desde diferentes valores
iniciales factibles (los métodos son muy sensibles al
valor inicial)
11/32
Introducción
Buenas prácticas en optimización
• Considerar que además de restricciones evidentes
(pureza de una corriente, por ejemplo) existen
restricciones lógicas (opciones mutuamente
excluyentes, por ejemplo) y restricciones inherentes
al proceso (emisiones, por ejemplo)
• Analizar críticamente los resultados (significado
físico, coherencia, etc.)
12/32
Optimización en Ing. Química

• Optimización: Es tomar decisiones

mediante programación matemática para
encontrar la mejor solución en cualquier
tipo de problema práctico

Maximizar ganancias
Maximizar producción
Optimizar es ….
Minimizar costos
Minimizar impacto ambiental
 13/32
Optimización en Ing. Química

• Ejemplo: Diseño detallado de una torre

Se necesita:
• Mínimo costo
• Mínima inversión
• Máxima utilidades
• etc.

Qué optimizar? Localización de alimento,

número de platos y calidad de productos
 14/32
Optimización en Ing. Química

Cómo planear cuánto y cuando produce cada fábrica

Cuándo y cuánto entrega productos intermedios
Cuánto de cada producto final y producto intermedio debo producir ?
 15/32
Optimización en Ing. Química
Planificación de la producción
(scheaduling)

Cuánto tiempo debe consumir cada reactor?

Cuánto debe fluir entre cada equipo
16/32
Optimización en Ing. Química
Diseño de redes de intercambio de calor

Cuánto y cuáles intercambiadores deben operar?

Cuánto servicios industriales se deben consumir ?
17/32
Optimización en Ing. Química

• Problema a optimizar

Min f(x,y) ó Max f(x,y) Función objetivo

g (x,y) ≤ 0
Restricciones i
hj (x,y) = 0

Variables modificables: variables independientes o grado de libertad

Resto de variables: Dependientes. Se calculan hasta lograr el objetivo
(Max o Min)
x, y: Continuas o discretas
binarias o enteras
Ejemplo variable binaria: Decisión 1 = si
0 = no
18/32
Optimización en Ing. Química

Algoritmo de optimización
 19/32
Optimización en Ing. Química

HYSYS ofrece los siguientes tipos de solvers dependiendo del problema

20/32
Optimización en Ing. Química
 21/32 Métodos numéricos de optimización
• Concavidad y convexidad de funciones
Si f(x,y) y gi (x,y) ≤ 0 Son convexas Problema de fácil resolución
hj (x,y) = 0 (converge rápidamente)

No convexas
Cóncava

Convexa

Si es un problema no-lineal, pero todas las funciones son

convexas se garantiza que el óptimo obtenido es el óptimo
global
Dificultades de resolución
(convergencia)
Por el contrario,
problemas no convexos Local
Optimo
Global
22/32
Métodos numéricos de optimización
• Concavidad y convexidad de funciones
Si f(x,y) tiene restricciones
Se forma una región convexa
convexas (gi (x,y) ≤ 0)
Máximo factible Máximo con
restricciones
El máximo de la función objetivo está
fuera de la región factible (sombreada)
Al menos una restricción es activa y se
satisface como igualdad
Máximo factible
Máximo con
restricciones
Si el óptimo está dentro de la región
factible, la solución es la misma sin
restricciones
23/32
Métodos numéricos de optimización
• Algoritmos de optimización no lineales sin
restricciones
Se pueden clasificar en función a la necesidad de
calcular las derivadas de las funciones (se necesita
potencia de cálculo)

1. Búsqueda sin usar derivadas:

• Método Simplex
• Método Powel
• Algoritmo de Hooke y Jeeves
• Método Rosembrock
• Método de las direcciones conjugadas
24/32
Métodos numéricos de optimización
• Algoritmos de optimización no lineales sin
restricciones
2. Búsqueda usando primera derivada:
• Método del gradiente
• Método del gradiente conjugado
• Métodos cuasi Newtonianos
3. Búsqueda usando segunda derivada:
• Método de Newton

Cual es el más usado?

Método simplex
25/32
Métodos numéricos de optimización
• Algoritmos de optimización no lineales con
restricciones
Métodos:
1. Métodos de penalización exterior
2. Métodos de penalización interior
3. Métodos de proyección de gradiente
4. Método del Gradiente Reducido Generalizado
(GRG)
5. Programación lineal sucesiva
6. Programación cuadrática sucesiva
27/32
Búsqueda unidireccional
Método simplex sin restricciones
Se basa en utilizar una figura regular como base
(triangulo equilatero, por ejemplo)
Procedimiento:
1. Se selecciona un valor inicial (x1, x2)1
2. Para la terna, se usan los parámetros p y q

p
n
a
2
n  1 n 1  q
n
a
2
1 n 1 
n: número de incógnitas a: distancia entre los puntos
3. Primera terna de evaluación:
(x1,2  x1,1  p, x2,2  x2,1  q)
(x1,3  x1,1  q, x2,3  x2,1  p)
28/32
Búsqueda unidireccional
Método Simplex sin restricciones
Procedimiento:
4. La función objetivo se evalúa en los vértices del triángulo
(a,b,c)

Se rechaza el peor valor (b). El nuevo vértice (d) se obtiene

mediante reflexión del peor punto respecto al eje formado por los
vértices que no han sido rechazados (a y c)
5. En el método simplex original se mantiene la geometría.
En simplex modificado, se permiten distorciones para
acelerar la búsqueda
29/32
Búsqueda unidireccional
• Búsqueda Unidireccional:
Método simplex sin restricciones
Ejemplo: Buscar el mínimo de la función:
y = 2x12 + x22 - 25x1 – 15x2 + 200
30/32
Búsqueda unidireccional
Ejemplo: Buscar el mínimo de la función:
y = 2x12 + x22 - 25x1 – 15x2 + 200
x1 x2 y Puntos Simplex Punto rechazado
1 3.000 4.000 99.00
2 4.000 4.293 86.04
3 3.292 5.000 89.36 1, 2 y 3 1
4 4.293 5.293 78.16 2, 3 y 4 3
5 5.000 4.586 77.24 2, 4 y 5 2
6 5.293 5.586 71.12 4, 5 y 6 4
7 6.000 4.879 72.62 5, 6 y 7 5
8 6.293 5.879 68.26 6, 7 y 8 7
9 5.586 6.586 67.34 6, 8 y 9 6
10 6.586 6.879 66.24 8, 9 y 10 8
11 5.879 7.586 65.91 9, 10 y 11 9
12 6.879 7.8797 66.56 10, 11 y 12 12
31/32
Búsqueda unidireccional
Ejemplo: Buscar el mínimo de la función:
y = 2x12 + x22 - 25x1 – 15x2 + 200

X1

Solución: (6,25 ; 7,50)

32/32
Optimización de procesos

Gracias por su
atención