Professional Documents
Culture Documents
DE PROCESOS
Prefacio
CAPITULO I
INTRODUCCIÓN
1.1 INTRODUCCIÓN Y RESUMEN
1.2 OPTIMIZACIÓN
1.2.1 Objetivo de la Optimización
1.3 OPTIMIZACIÓN DE PROCESOS
1.4 FORMULACIÓN DE PROBLEMAS DE OPTIMIZACIÓN
1.5 ÁREAS Y MÉTODOS DE OPTIMIZACIÓN
1.6 MÉTODO DE ATAQUE
1.7 DISEÑO OPTIMO Y ESTRATEGIAS DE DISEÑO
1.7.1 Costos incrementales
1.7.2 Consideraciones intangibles y prácticas
PROCEDIMIENTO GENERAL PARA DETERMINAR LAS CONDICIONES
1.8
OPTIMAS
1.9 SUMARIO
1.10 REFERENCIAS
CAPITULO II
TEORÍA CLÁSICA DE MÁXIMOS Y MINIMOS
2.1 INTRODUCCIÓN
2.2 MÉTODOS ANALÍTICOS SIN RESTRICCIONES
2.2.1 Condiciones necesarias y Suficientes para determinar puntos extremos
2.2.2 Evaluación de Máximo y Mínimo Local (Condiciones Suficientes)
2.2.3 Condiciones Suficientes para Una Variable Independiente
2.2.4 Condiciones Suficientes para Dos Variables Independientes
2.2.5 Señal de una Forma Cuadrática
2.2.6 Condiciones suficientes para N Variables Independientes
2.2.7 Aplicación al diseño de procesos
2.3 SOLUCIÓN NUMÉRICA
2.3.1 Uso de MATLAB
2.3.2 Uso de UNTSIM
2.4 FUNCIÓN OBJETIVO CON RESTRICCIONES
2.4.1 Sustitución Directa
2.4.2 Variación de Restricción
Solución Numérica Usando MATLAB
Usando UNTSIM
2.4.3 Multiplicadores de Lagrange
Solución Numérica Usando MATLAB
2.4.4 Interpretación Económica de los Multiplicadores de Lagrange
2.4.5 Restricciones de desigualdad
Usando el simulador UNTSIM
2.4.6 Método de Ascenso de la Pendiente
CONDICIONES NECESARIAS Y SUFICIENTES PARA PROBLEMAS CON
2.5
RESTRICCIONES
2.6 APLICACIÓN A LA INGENIERÍA QUÍMICA
2.6.1 Determinación de valores óptimos con dos variables independientes
Solución Numérica Usando MATLAB
Usando el simulador UNTSIM
2.6.2 Optimización de un CSTR
Solución Numérica Usando MATLAB
Usando el simulador UNTSIM
2.6.3 Tres Reactores en Paralelo
Usando MATLAB
Usando el simulador UNTSIM
2.6.4 Tasa Interna de Retorno
CAPITULO III
OPTIMIZACIÓN DE PLANTAS
LA GRAFICA DEL PUNTO DE EQUILIBRIO PARA PLANIFICAR LA
3.1
PRODUCCIÓN Y SU SIGNIFICANCIA PARA ANÁLISIS OPTIMO
3.2 PRODUCCIÓN OPTIMA OPERACIÓN DE PLANTAS
3.2.1 Producción óptima para costo mínimo por unidad de producción
3.2.2 Producción óptima para máximo beneficio total por unidad de tiempo
Usando UNTSIM
3.3 CONDICIONES OPTIMAS EN OPERACIONES CÍCLICAS
Solución NuméricaUsando MATLB
Usando UNTSIM
3.3.1 Operaciones cíclicas semicontinuas
Formación de incrustaciones en evaporación
Optimización de un Filtro Prensa
a) Método de búsqueda
b) Método analítico
c) Solución Numérica Usando Matlab
d) Usando UNTSIM
CAPITULO IV
ANÁLISIS DE RESULTADOS
4.1 PRECISIÓN Y SENSIBILIDAD DE LOS RESULTADOS
4.2 DINÁMICA DE FLUIDOS (DIÁMETRO ÓPTIMO DE TUBERÍA)
4.2.1 Costos de bombeo
4.2.2 Cargas fijas para el sistema de tubería
4.2.3 Diámetro económico óptimo de tubería
4.2.4 Análisis incluyendo los efectos de impuestos y costo de capital
4.2.5 Sensibilidad de los resultados
TRANSFERENCIA DE CALOR (FLUJO OPTIMO DE AGUA DE
4.3
ENFRIAMIENTO EN UN CONDENSADOR)
Flujo óptimo de agua de enfriamiento en un condensador
a) Método de búsqueda
b) Usando MATLB
c) Usando UNTSIM
4.4 TRANSFERENCIA DE MASA (RAZÓN OPTIMA DE REFLUJO)
CAPITULO V
LA PROGRAMACIÓN LINEAL
5.1 INTERPRETACIÓN GEOMÉTRICA Y CONCEPTOS GENERALES
FORMULACIÓN GENERAL DEL PROBLEMA DE PROGRAMACIÓN
5.2
LINEAL
5.3 SOLUCIÓN GRÁFICA
5.4 EL MÉTODO SIMPLEX
5.5 USO DE PAQUETES DE SOFTWARE
5.5.1 Programación lineal en Excel
5.5.2 Uso del paquete LINDO
5.5.3 Programación Lineal con MATLAB
Refinería de petróleo simplificada
a) Usando el paquete LINDO
b) Uso del Simulador UNTSIM
Caso de Mezcla (Preparación de alimentos)
a) Resolviendo con LINDO
b) Uso del Simulador UNTSIM
5.6 ANÁLISIS DE SENSIBILIDAD
5.6.1 Uso de LINDO
5.7 DUALIDAD EN PROGRAMACIÓN LINEAL CON LINDO
5.7.1 Partes de un problema de PL
5.7.2 Precios sombra o duales
5.7.3 Problemas Primales y Problemas Duales
5.7.4 Casos prácticos con Software
CAPITULO VI
OPTIMIZACIÓN DE SISTEMAS DE CONTROL
6.1 VALORES ÓPTIMOS DE LOS PARÁMETROS Kp, Ki y Kd
PROBLEMAS PROPUESTOS
ESTUDIO DE CASOS
EVAPORADOR DE MÚLTIPLE EFECTO
TRATAMIENTO DE RESIDUOS CONTAMINANTES
BIBLIOGRAFÍA
Prefacio
Científicos, sobre todo matemáticos, siempre han estado ocupados con las
preguntas de optimización, es decir, encontrando los puntos extremos (los máximos y
mínimos). Euclides en 300 A.C. fue asociado con el problema de encontrar la distancia
más corta que puede deducirse de un punto a una recta, y Heron de Alejandría en 100
A.C. estudió el problema de optimización de viaje rápido entre dos puntos por el camino
más corto. Y fue Fermat en 1657 quién desarrolló el principio más general de los viajes
ligeros entre dos puntos en un tiempo mínimo. En 1857 Gibbs desarrolló la ley que
establece que un sistema está en el equilibrio químico si la energía libre es un mínimo
(2). Este resultado se usa hoy rutinariamente para computar la composición de equilibrio
de una mezcla de múltiple componentes de gases, líquidos y sólidos. El desarrollo de la
teoría matemática para optimización ha seguido estrechamente con el desarrollo de
cálculo, como fuera establecido por Hancock(3). De hecho, Hancock escribió el primer
libro moderno sobre el tema, la titulada "Teoría de Máximos y Mínimos" que se publicó
en 1917. Este trabajo sirve hoy incluso como una fuente de consulta definitivo.
A fines de los años 1930’s había un gran interés en el asunto del cálculo de
variaciones, pero el ímpetu real a la optimización vino con el Segunda Guerra Mundial y
el desarrollo de la computadora digital. En los 1940 Dantzig (4) reconoció la estructura
matemática de algunos problemas de la logística militar y desarrolló el Método Simplex
de programación lineal. La programación lineal se ha movido de un tema matemático
interesante a probablemente el procedimiento de optimización más importante y
extensamente aplicado. Su desarrollo siguió estrechamente las capacidades
continuamente crecientes de la computadora digital. La habilidad de resolver conjuntos
grandes de ecuaciones lineales con la computadora ha permitido la aplicación de la
programación lineal a los problemas industriales, como la optimización de una grande
refinería petróleo.
CAPITULO I
INTRODUCCIÓN
1.1 INTRODUCCIÓN Y RESUMEN
Un modelo puede ser inadecuado aun cuando intenta capturar los elementos
apropiados de la realidad si lo hace de una manera distorsionada o sesgada. Una
ecuación que pronostica el volumen mensual de ventas puede ser exactamente lo que el
gerente de ventas quiere pero podría generar grandes pérdidas si arroja constantemente
cálculos de ventas altos. Un termómetro que lee de más (o de menos) tendría poca
utilidad para realizar un diagnóstico médico. En consecuencia, un modelo útil es aquel
que captura los elementos adecuados de la realidad con un grado aceptable de precisión.
A fin de definir las condiciones que nos conducirán a la solución del problema del
sistema, el analista primero debe identificar un criterio según el cual se podrá medir el
sistema. Este criterio a menudo se denomina medida del rendimiento del sistema o
medida de efectividad. En aplicaciones empresariales, la medida de efectividad
generalmente son los costos o las utilidades, mientras que en aplicaciones
gubernamentales esta medida generalmente se define en términos de un índice
costo/beneficio.
1.2 OPTIMIZACIÓN
Sobre la base del criterio de optimización, se desarrolla luego una función objetivo
o función retorno la cual relaciona el criterio de optimización a los parámetros
dominantes. La meta de la optimización es maximizar o minimizar la función objetivo,
según el caso.
El problema de optimización ocurre en los casos donde uno tiene que seleccionar
entre dos o más características cuantitativas afectando las variables de proceso
diferentemente una en contra de la otra. Por ejemplo, la eficiencia de proceso puede ser
equilibrada en contra del rendimiento específico, calidad en contra de la cantidad,
inventario de productos en contra de su ventas, productividad en contra de gastos, etc.
También, las restricciones en los materiales, equipo de proceso, mano de obra, etc.
debe satisfacerse según lo especificado en el modelo del proceso.
Como se muestra en la Fig. 1-1, las ecuaciones de simulación son obtenidas de los
modelos del proceso (ver Modelamiento y Simulación de Procesos del mismo autor). El
procedimiento es para desarrollar modelos precisos basados en los fundamentos de
termodinámica, cinética y fenómenos de transporte. Esto normalmente conduce a
modelos de procesos los cuales representan con precisión los cambios físicos y químicos
que toman lugar sobre una gama amplia de condiciones. Sin embargo, estos modelos
usualmente son más complicados en la forma matemática y pueden requerir la solución
de ecuaciones diferenciales. Consecuentemente, estos modelos de procesos son
usualmente empleados sobre el rango de operación del proceso, y es desarrollada la
simulación (regresión) de las ecuaciones de una forma matemática simplificada, la cual
es entonces usada con el método de optimización para la optimización de la planta. Sin
embargo, puede no ser necesario pasar por la etapa de simulación de las ecuaciones si la
ecuación que describe las principales variables, es decir, las únicas que afectan la
operación económica del proceso o la planta, no es complicada.
Como nuestro objetivo es maximizar los costos, la ecuación, Ec. (1.1) será nuestra
función objetivo.
CT = C 1 + C 2
(1.2b)
De la Ec. (1.1), podemos ver que minimizando los costos se maximiza las utilidades, por
lo que nuestro problema se transforma en este caso a un problema de encontrar el costo
mínimo (minimización)
Se desea producir 100 gmol de R por hora a partir de una alimentación que consiste de
una solución saturada de A (CAo= 0,1 gmol/lit.). La reacción es la siguiente:
A ------------ R
y debe tener lugar en un reactor CSTR (Reactor continuo tipo tanque agitado)
DATOS:
SOLUCION
En este caso las variables que podemos usar para modelar el proceso son: la conversión
(x), el caudal de alimentación (FA), la concentración de entrada (CAo), la concentración
de salida (CA) y el volumen del reactor (V), el tiempo espacial ()o velocidad espacial
(sv), pero debemos considerar que unas son el producto de la relación entre variables, así
la concentración de salida puede describirse en términos de la concentración de entrada y
la conversión, el tiempo espacial y la velocidad espacial en términos del caudal de
alimentación y el volumen del reactor, etc.
b) Debemos encontrar un modelo o modelos que relacionen el factor a optimar con los
componentes de costos.
grmol de A = R/x
A menudo, la tarea más difícil es obtener un modelo satisfactorio del proceso. Para una
mayor discusión ver el texto sobre Modelamiento y Simulacion de Procesos del mismo
autor
(1.3)
Los métodos de programación matemática son de dos tipos y son referidos como
métodos directos e indirectos. Los métodos directos, como los métodos de búsqueda
multivariable y la programación lineal, van de un punto de partida a través de valores
consistentemente mejorados del modelo económico para llegar al óptimo. Los métodos
indirectos, tal como los métodos analíticos y programación lineal, resuelven un conjunto
de ecuaciones, y la solución del conjunto de ecuaciones puede ser el óptimo del modelo
económico. Por ejemplo, en los métodos analíticos el conjunto de ecuaciones algebraicas
se establece por diferenciación del modelo económico con respecto a cada variable
independiente y haciendo las ecuaciones resultantes igual a cero.
Los diferentes métodos matemáticos para determinar las condiciones óptimas, son
presentadas en este texto, presentando una base teórica de las condiciones que mejoren
los requerimientos. Sin embargo, factores que no pueden ser fácilmente cuantificados o
consideraciones prácticas pueden cambiar la recomendación final a otra diferente de la
condición óptima teóricamente correcta. Por lo tanto, la determinación de una
“condición óptima”, como se describe en este texto, sirve como un punto base para un
análisis de costo o diseño, y esto puede a menudo cuantificarse en una forma matemática
especifica. A partir de este punto, el ingeniero debe aplicar su criterio para tomar en
cuenta otros factores prácticos importantes, tales como el retorno sobre la inversión o el
hecho que equipo comercial es a menudo disponible en intervalos discretos de tamaño.
Los factores intangibles pueden tener un efecto sobre el grado de credibilidad que
pueden tener los resultados calculados para las condiciones optimas. Quizás el optimo
esté basado en un precio de venta asumido para el producto del proceso, o puede ser que
este involucrada una evaluación preliminar en la cual no se ha definido con seguridad la
ubicación de la planta. Obviamente para casos de este tipo, un análisis de las condiciones
optimas pueden dar solamente una idea general de los resultados actuales que podrían
ser obtenidos en el trabajo final, y no es razonable ir a los limites extremos de precisión
y exactitud para hacer recomendaciones. Aún para el caso de un diseño final detallado,
los intangibles, tal como la licitación final de varios contratistas para la construcción,
pueda hacerlo no práctico gastar una cantidad grande de esfuerzo haciendo demasiados
refinamientos en la estimación de condiciones optimas
Los métodos analíticos usados para combinar estas relaciones, y encontrar las
soluciones son: Maximización y minimización, programación geométrica, programación
lineal, técnicas de búsqueda de variables simples, procedimientos de optimización de
multivariable, programación dinámica y cálculo de variaciones.
En los siguientes capítulos se hará una breve discusión sobre estas técnicas
analíticas, su aplicación a procesos y la aplicación a los mismos de las técnicas
numéricas usando MATLAB para encontrar la mejor solución.
1.9 SUMARIO
1. Wilde, D.J., Globally Optimal Design, John Wiley and Sons, Inc., New York (1978).
2. Wilde, D.J. and C.S. Beightler, Foundations of Optimization, Prentice Hall, Inc.,
Englewood Cliffs, New Jersey (1967).
3. Hancock, Harris, Theory of Maxima and Minima, Dover Publications, Inc., New
York (1960).
[1] Ver “Ingeniería Económica” del mismo autor, Fig. 7-2 y las discusiones relacionadas
en el Cáp. 7. El material presentado en el presente capítulo considera el diseño óptimo
basado en un valor máximo o mínimo de la variable especificada. El mismo tipo de
aproximación podría usarse si el término óptimo (referido a una inversión) fuese
definido sobre la base de un retorno incremental estipulado.
CAPITULO II
2.1 INTRODUCCIÓN
a) Mapa topológico
b) Sección transversal de f (x1 , x2) a lo largo de la línea S entre los puntos A y B
2. los límites
Cuando la función y sus derivadas son continuas, los puntos extremos locales
ocurrirán a los puntos estacionarios en el interior de la región. Sin embargo, no es
necesario que todos los puntos estacionarios sean puntos extremos locales, desde que
también pueden ocurrir los puntos de silla.
2.2 MÉTODOS ANALÍTICOS SIN RESTRICCIONES
Este teorema nos dice que no se requiere que la función tenga derivadas continuas
para que exista un máximo o un mínimo.
Este teorema incluye solo los puntos interiores; el único método por lo general
aplicable que toma en cuenta el contorno y discontinuidades, es el de comparar
directamente el valor de la función en cada uno de estos puntos. Analíticamente, los
puntos estacionarios se pueden encontrar resolviendo en forma simultánea las n
ecuaciones algebraicas, resultantes de hacer las n derivadas parciales igual a cero. Estas
ecuaciones también se deben examinar para determinar los puntos en donde existan
discontinuidades, realizándose esto por inspección.
___________________________________________________________
________________________________________________________________
Ejemplo 2-1
f "(x) = 3x2 - 1
f "(0) = -1 maximo
f "(1) = 2 minimo
f "(-1) = 2 minimo
b) f (x) = x5
donde los subíndice x1 y x2 indican diferenciación parcial con respecto a estas variables
y evaluación en el punto estacionario.
Para realizar un análisis similar para una función con más de dos variables
independientes, es necesario determinar lo que se llama la señal de la forma cuadrática.
La forma cuadrática general (1) es escrita como:
donde aij son los componentes de la matriz simetrica A, es decir, aij = aji.
Resulta (1) que podemos determinar si Q siempre es positivo o negativo, para todo
los valores finitos de xi y xj, evaluando las señales de Di, el determinante de las
submatrices principales de A.
El segundo término del lado derecho de la Ec. (2-9) es llamado una forma
cuadrática diferencial como se muestra enseguida.
La Ec. (2-11) corresponde a la Ec. (2-6) de la sección previa, y las determinantes de las
submatrices principales de Ho definidas a continuación corresponden a la Ec. (2-7).
y(xo) es
o
un mínimo si |H i| > 0 para i = 1,2,...,n
Si y(x) y sus dos primeras derivadas parciales son continuas, entonces una
condición suficiente para que y(x) tenga un mínimo (máximo) relativo at x o, cuando
dy(xo)/dxj = 0, j = 1,2, ...n, es que la matriz Hessiana sea positiva definida (negativa
definida).
En los procesos industriales, son muchos los casos en los cuales el factor siendo
optimizado es una función de una simple variable. El procedimiento entonces es muy
simple. Considerar el ejemplo mostrado en la Fig. 1-4, donde es necesario obtener el
espesor de aislamiento el cual de el menor costo total. La principal variable involucrada
es el espesor del aislamiento, y pueden desarrollarse relaciones mostrando como esta
variable afecta al costo total.
Las dos relaciones de costos obtenidas pueden ser expresadas en una forma
simplificada similar a la siguiente:
Si x representa una variable tal como el espesor de aislamiento, este valor debe
ser positivo; entonces, si c es positivo, la segunda derivada en el punto óptimo debe ser
mayor que cero, y (c/a)1/2 representa el valor de x en el punto donde los costos variables
totales son mínimos.
2.3 SOLUCIÓN NUMÉRICA
El punto óptimo también se puede encontrar mediante métodos de búsqueda, así para el
ejemplo 1.1, podemos realizar la búsqueda usando una hoja de cálculo, en este caso
sabemos que la conversión debe variar entre 0 y 1, con lo cual tenemos:
Por una simple inspección podemos ver que el costo total es mínimo para la conversión
de 0.5. Si deseamos podemos hacer otra búsqueda para la conversión entre 0.4 y 0.6
dando un menor valor para la variación de la conversión, y así sucesivamente podemos
continuar la búsqueda para rangos mas cortos de la variable independiente.
Ejemplo 1.1
f = 50/x + 50/(1– x)
y la restricción está en que la conversión debe estar entre 0 (no hay reaccción) y 1 (la
conversión es total)
function f = costotot(x)
f = (50/x) + 50/(1- x);
x =
0.5000 <-------- Optimo de la variable
fval =
200 <-------- Optimo de la función
Solución analítica
Para probar, crear un archivo-M costo.m que define una función de dos variables,
x(1) y x(2)
function f = costo(x)
f = 1000*x(1)+4*(10^9)/(x(1)*x(2))+(2.5*(10^5))*x(2);
>> x
x =
1.0e+003 *
1.0000 0.0040
x(1) = P = 1000
x(2) = R = 4
>> fval
fval =
3.0000e+006
>> output
output =
iterations: 7
funcCount: 46
stepsize: 0.9531
firstorderopt: 0.0931
algorithm: 'medium-scale: Quasi-Newton line search'
>>
Usando UNTSIM:
F + S2 = 50,000 (2-13)
para i - 1,2,...m
Hay tres métodos analíticos para determinar los puntos óptimos de la función
y(x1,x2,...,xn) de n variables independientes sujeta a m ecuaciones de restricción
fi(x1,x2,...,xn) = 0. Estos son: sustitución directa, solución por variación restrictiva y
método de los multiplicadores de Lagrange. Encontraremos que la substitución directa
no siempre puede usarse, y el método de multiplicadores de Lagrange será uno de los
más frecuentemente usados.
2.4.1 Sustitución Directa
Esta simplifica los medios para resolver las ecuaciones de restricción para las
variables independientes y para sustituir las ecuaciones de restricción directamente en la
función a ser optimizada. Esto dará una ecuación (modelo económico) con (n-m)
incógnitas, y poder aplicar las técnicas previas para optimización sin restricciones.
Este método (3,14) es usado con poca frecuencia, pero proporciona una base
teórica para métodos numéricos de búsqueda multivariables importantes, tales como el
generalizado de gradiente reducida. Este es ilustrado mejor para el caso de dos variables
independientes considerando el ejemplo mostrado en la Fig. 2-4. Hay un mínimo local
del sistema restringido al punto A y un máximo local al punto B. El máximo del sistema
sin restricción está en C.
Fig. 2.4 Bosquejo de una función de beneficio y(x1,x2) y una ecuación de restricción
f(x1,x2) = 0
Necesitaremos las derivadas totales de f e y para combinar con la Ec. (2-16) para
obtener el resultado final. Usando los primeros términos en una serie de expansión de
Taylor para f e y se tiene:
Esta técnica se ilustra con el siguiente ejemplo. Después se dará la extensión al caso
general para n variables independientes.
Ejemplo 2-3
optimizar: y(x) = x1 x2
Solución analítica
x12 + x22 - 1 = 0
El resultado es:
x1 = + (½)½ y x2 = + (½)½
function f = dostres(x)
f = x(1)*x(2);
>> x0 = [-0.1,0.1];
>> options = optimset('LargeScale','off');
>> [x,fval]=fmincon(@dostres,x0,[],[],[],[],[],[],@confun,options)
x =
-0.7071 0.7071
fval =
-0.5000
Restricción efectiva. Se dice que una restricción es efectiva en un punto, si este la
satisface con igualdad
Usando UNTSIM
Inicio de busqueda
Valores iniciales: [-0.1,0.1]
Optimization terminated successfully:
Magnitude of directional derivative in search direction
less than 2*options.TolFun and maximum constraint violation
is less than options.TolCon
Active Constraints:
1
RESULTADO DE LA OPTIMIZACION
---------------------------------------------
1.- El optimo de la variable es = -0.707104
1.- El optimo de la variable es = 0.70711
2.- El optimo de la funcion es es = -0.5
>>
que viene a ser el mínimo ( 1 punto estacionario). El otro punto estacionario debe
corresponder al máximo el cual se encuentra cuando los dos valores de las variables son
iguales ya sea positivos o negativos. Por lo tanto los puntos estacionarios corresponden a
valores de:
x1 = 0.7071 y x2 = 0.7071
Ejemplo 2-4
optimizar: y(x1,x2)
Para este problema existen dos variables independientes (n=2) y una restricción
(m=1), por lo tanto se requiere la evaluación de un determinante Jacobiano.
Expandiendo da la siguiente ecuación:
Esta es igual a la Ec.(2-18) la cual fue resuelto con la ecuación de restricción para
los valores de x1 y x2 en el punto estacionario en el Ejemplo 2-3.
Esta forma de la ecuación de restricción será usada para eliminar dx2 en la función
beneficio. Resolviendo para dx2 se tiene:
Este ecuación se reemplaza en la ecuación para dy y se obtiene:
y rearreglando se tiene:
Esta es una de las condiciones necesarias para localizar los puntos estacionarios de
una función sin restricción L la cual es construida a partir de la función beneficio
y(x1,x2) y la ecuación de restricción f(x1,x2) = 0. Ahora las mismas manipulaciones
pueden ser repetidas para obtener las demás condiciones necesarias:
por lo tanto, el problema con restricciones puede ser convertido a un problema sin
restricciones mediante la formación de la función Lagrangiana, o aumentada, y
resolviendo este problema por los métodos previamente desarrollados de establecer las
primeras derivadas parciales iguales a cero. Esto dará dos ecuaciones para resolver para
las tres incógnitas x1, x2 y en el punto estacionario. La tercera ecuación a ser usada es
la ecuación de restricción. El hecho de que el multiplicador de Lagrange es tratado
algunas veces como otra variable ya que L / da la ecuación de restricción. El
ejemplo usado para variación de restricción será usado para ilustrar estas ideas.
Ejemplo 2-5:
Encontrar los puntos estacionarios para el siguiente problema con restricción usando el
método de los multiplicadores de Lagrange.
L/x1 = x2 + 2x1 = 0
L/x2 = x1 + 2x2 = 0
donde n > m
Para localizar los puntos estacionarios de un problema con restricción, las primeras
derivadas parciales de la función Lagrangiana con respecto a los x j's y i 's son igualadas
a cero (condiciones necesarias). Existen (n + m) ecuaciones para ser resueltas para las (n
+ m) incógnitas: n - xj's y m - i's.
Ejemplo 2-6
R = 6 y P = 1500 psi.
C = 3.44 x 106
P = 250R
1000 - 4 x 109/P2R + R = 0
PR - 9000 = 0
Resolviendo las ecuaciones anteriores simultáneamente, se tienen los mismos
resultados que los dos métodos anteriores, y el valor para el multiplicador de Lagrange.
P = 1500, R = 6, = -117.3
function f = costo(x)
f = 1000*x(1)+4*(10^9)/(x(1)*x(2))+(2.5*(10^5))*x(2);
x =
1.0e+003 *
1.5000 0.0060
fval =
3.4444e+006
>>
Para este caso tenemos 1 restricción de igualdad ( PR 9000 ), la cual para usarla en el
programa UNTSIM lo escribimos de la siguiente forma:
Ejemplo 2-8
Sin embargo, consideremos ahora que C esta sujeta a la restricción dada por la ecuación
de desigualdad:
PR 9000
Si una o más restricciones no son satisfechas, repetir el paso 2 hasta que todas las
desigualdades hayan sido tratadas en su turno como una restricción de igualdad
(variable de holgura igual a cero).
Inicio de busqueda
Valores iniciales: [1000 2] <----------Dar según criterio
Optimization terminated successfully:
Magnitude of directional derivative in search direction
less than 2*options.TolFun and maximum constraint violation
is less than options.TolCon
Active Constraints:
1 <------- Hay una restricción activa
RESULTADO DE LA OPTIMIZACION
---------------------------------------------
1.- El optimo de la variable es = 1500
1.- El optimo de la variable es = 6
2.- El optimo de la funcion es = 3.44444e+006
>>
Aún cuando en este caso no hemos colocado límites para las variables, para
otros casos, sobre todo cuando no hay restricciones es necesario colocar los límites entre
los cuales se debe hacer la búsqueda.
2.4.6 Método de Ascenso de la Pendiente
El problema es:
El problema es:
Para obtener el valor máximo de dy, se forma la función Lagrangiana como sigue:
Si se usa una aproximación por diferencias finitas para dxj = (xj - xjo) y y/xj es
evaluada a xo, entonces la siguiente ecuación da la línea gradiente.
x = xo + ky ( xo ) (2-32)
Ejemplo 2-7:
x = xo - ky(xo)
La línea gradiente es
x1 = 1 - 2k
x2 = 1 - 2k
y
k = ½ es el punto estacionario
x1 = 1 - 2(½) = 0 x2 = 1 - 2(½) = 0
Las condiciones necesarias han sido desarrolladas por Kuhn y Tucker (14) para
un problema general de optimización no lineal con restricciones de igualdad y
desigualdad. Este problema escrito en términos de minimizar y(x) es:
donde y(x) y fi(x) son los valores reales de las funciones dos veces continuamente
diferenciables.
donde los xn+i's son las variables remanentes (variables de holgura) usadas para
convertir las restricciones de desigualdad a igualdades
Las condiciones necesarias para un mínimo bajo restricciones son dadas por el
teorema siguiente: (7,8,10,14).
En razón a minimizar y(x) sujeta a fi(x)0, i = 1,2, ..., h y fi(x) = 0, i = h+1, ...,
m, las condiciones necesarias para la existencia de un mínimo relativo a x* son:
Examinando estas condiciones, el primer paso es establecer las primeras derivadas
de la función Lagrangiana con respecto a las variables independientes x 1, x2, ..., xn e
igualar a cero para localizar el punto, x* de Kuhn-Tucker. La segunda y tercera
condiciones son repetir las ecuaciones de restricción de igualdad y desigualdad, las
cuales deben satisfacer a las ecuaciones de igualdad y desigualdad las cuales deben ser
satisfechas al mínimo del problema con restricción. La cuarta condición es otro camino
para expresar ixn+i = 0, i = 1, 2, ..., h a partir del establecimiento de las derivadas
parciales de la función Lagrangiana con respecto a las variables de holgura e igualar a
cero. Ya sea i 0 y xn+i = 0 (la restricción es activa) o i = 0 y xn+i 0 (restricción es
inactiva). Luego, el producto de Multiplicador de Lagrange y la ecuación de restricción
establecido igual a cero es equivalente a la declaración, y esta es llamada la condición de
holgura complementaria (15). La quinta condición proviene de examinar la ecuación (2-
37), es decir, y(x*)/bi = - i. El argumento es que a medida que bi es incrementada la
región de restricción es agrandada; y esta no puede resultar en un alto valor para y(x*),
el mínimo en la región. Sin embargo esto podría resultar en un valor bajo de y(x*); y
correspondientemente y(x*)/bi podría ser negativo, es decir, a medida que b i aumenta,
y(x*) podría disminuir. Entonces, si y(x*)/bi es negativo, el Multiplicador de Lagrange
i debe ser positivo para satisfacer la ecuación (2-37). Esta condición es denominada
una calificación de restricción, como se discutirá más adelante. Para la sexta condición,
ha sido mostrada por Bazaraa y Shetty (15) que el Multiplicador de Lagrange asociado
con las restricciones de igualdad son irestringidas en el signo; y por lo tanto no hay un
argumento comparable a uno dado anteriormente sobre los Multiplicadores de Lagrange
asociados con las restricciones de desigualdad.
Estas condiciones son las mismas que las dadas para minimización dadas por la
ecuación (2-45), excepto que la desigualdad es reservada para los Multiplicadores de
Lagrange en la quinta condición. Así mismo, las restricciones de desigualdad son
escritas como menor o igual a cero por conveniencia en la discusión subsiguiente sobre
condiciones suficientes.
Ejemplo 2-9:
Localizar los cinco puntos de Kuhn-Tucker del siguiente problema, y determinar este
carácter , es decir, máximo, mínimo o punto silla.
optimizar: y = x1x2
sujeta a: x1 + x2 < 1
-x1 + x2 < 1
-x1 - x2 < 1
x1 - x2 < 1
Resolviendo da:
x1 = ½, x2 = ½, = -½ y(½, ½) = ¼
El procedimiento es repetido para las otras tres ecuaciones de restricción, cada una
considerada individualmente como una igualdad. Los resultados para los puntos de
Kuhn-Tucker son resumidos en la siguiente tabla:
y: ¼ -¼ ¼ -¼ 0
x1: ½ -½ -½ ½ 0
x2: ½ ½ -½ -½ 0
: -½ ½ -½ ½ 0
f2 = x1 > 0,
f3 = x2 > 0
Estas no satisfacen las condiciones al punto x2* = 1 y x2* = 0. A este punto f1 =
[-3(1 - x1)2, -1] = (0,-1), f2 = (1,0) y f3 = (0,1) no es linealmente independiente. La
condición necesaria no puede sostenerse a un punto como este, y Kuhn y Tucker (14)
dan argumentos que esta calificación de restricción es requerida para asegurar la
existencia de los Multiplicadores de Lagrange en el punto óptimo. La comprobación de
las calificaciones de restricción para un problema general de programación no lineal es
casi una tarea imposible según Avriel (10). Él establece que afortunadamente en la
práctica de calificación de restricción normalmente se mantiene, y es justificable usar la
existencia de los multiplicadores de Lagrange como una base para tener las condiciones
necesarias, dando argumentos de que la calificación de restricción es requerida para
asegurar la existencia de los Multiplicadores de Lagrange.
La siguiente ecuación muestra el efecto de las variables x e y sobre el costo total para
una operación particular:
Solución analítica
En el punto óptimo,
Resolviendo simultáneamente para los valores óptimos de x e y
x = 16
y = 20
CT = 121,6
Se puede verificar para tener la certeza de que los valores encontrados representan las
condiciones del costo mínimo.
Si:
Sustituyendo en M
Por lo tanto, el punto estacionario es un mínimo ya que ambas determinantes son
positivas. Las condiciones optimas deben ocurrir en un punto de costo mínimo.
Para probar, crear un archivo-M costo.m que define una función de dos
variables, x e y
function c = costo(v)
x = v(1);
y = v(2);
c = 2.33*x + 11900/(x*y) + 1.86*y + 10;
Ahora, encontrar un mínimo para esta función usando x = 0,1 y = 0,1 como los valores
iniciales:
a =
15.9753 20.0121
y = 20,0121
CT = 121,667
RESULTADO DE LA OPTIMIZACION
---------------------------------------------
1.- El optimo de la variable es = 15.9753
1.- El optimo de la variable es = 20.0121
2.- El optimo de la funcion es es = 121.667
Aún cuando en este caso se llega numéricamente a una solución consistente, en otros
casos es necesario colocar restricciones para los valores de las variables o límites
inferiores y/o superiores
CT = Cf CAo q + CmV
A B
r = kCA
donde k = 0.1hr-1.
Solución analítica
10 – kCAV =0
Diferenciando se tiene:
Existen cinco variables: q, V, CA, 1, 2; y cinco ecuaciones. Resolviendo
simultáneamente usando las ecuaciones 2 y 3, se tiene:
------------------------------------
CmV – 1qCA = 0
1 = – CmV/qCA
Reemplazando
Resolviendo para CA:
CAo – CA = MCA
Reemplazando
Solución Numérica Usando MATLAB
>> f = inline('(2/(0.04-x))+30/x');
y =
1.1873e+003
La alimentación total a tres reactores químicos en paralelo es 1100 libras por hora.
Cada reactor está operando con diferente catalizador y diferentes condiciones de
temperatura y presión. La función beneficio de cada reactor tiene la velocidad de
alimentación como la variable independiente, y los parámetros en la ecuación son
determinados por el catalizador y condiciones de operación. Las funciones beneficio
para cada reactor son dadas a continuación.
P1 = 0.2F1 - 2(F1/100)2
P2 = 0.2F2 - 4(F2/100)2
P3 = 0.2F3 - 6(F3/100)2
Solución analítica
max: P = 0.2F1 - 2(F1/100)2 + 0.2F2 - 4(F2/100)2 + 0.2F3 - 6(F3/100)2
sujeta a : F1 + F2 + F3 = 1100
F1 = 2F2
2F2 = 3F3
F1 + ½ F1 + 1/3 F1 = 1100
F1 = 600
F2 = 300
F3 = 200
F1 + F2 + F3 = 1100
Para usa la rutina fmincon, debemos multiplicar la función por -1 y luego la funcion
resultante minimizarla, con lo que se tiene:
function f = costoi(x)
f =-0.2*x(1)+ 2*(x(1)/100)^2 -... 0.2*x(2)+4*(x(2)/100)^2-
0.2*x(3)+6*(x(3)/100)^2;
>>Aeq = [1 1 1]
>>beq = [1100]
>>x0 = [1 1 1];
Y el resultado es
x =
600.0000 299.9998 200.0001
fval =
88.0000
Luego este resultado lo dividimos entre ( - 1), con lo que se tiene una respuesta que
coincide con la encontrada analítcamente
RESULTADO DE LA OPTIMIZACIÓN
---------------------------------------------
1.- El optimo de la variable es = 600
1.- El optimo de la variable es = 300
1.- El optimo de la variable es = 200
2.- El optimo de la función es = -88
>>
Igual que en el caso anterior al óptomo de la función debemos dividirlo entre (-1), ya que
al inicio lo multiplicamos por (-1)
La tasa interna de retorno (TIR) se define como la tasa de interés cuando el valor
presente neto (VPN) es cero para un número de años especificado y un flujo inicial de
dinero (“cash flow’) CFo. Este puede ser formulado como un problema de optimización
como sigue.
minimizar: (VPN)2
Solución:
Y simplificando se tiene:
1 + (1 + n)i = (1 + i)n+1 = 0
i = [(1 + i)n+1 - 1] / (n + 1)
Es necesaria una solución iterativa, ya que no es posible obtener una ecuación para i
explicitamenta.
Ejemplo: para ilustrar la aplicación usaremos el ejemplo 7.2 del texto de Economía de
Procesos, el cual se reduce a la siguiente ecuación representando el valor presente del
flujo de dinero (VPFD), la cual es la función objetivo y el factor a optimizar es el interés
(i)
Usando UNTSIM
RESULTADO DE LA OPTIMIZACIÓN
---------------------------------------------
1.- El valor de la variable es = 0.207169
2.- El valor de la función es = -2.45564e-011
>>
La Fig. 3-1 muestra gráficamente como la cantidad de producción afecta los costos
y beneficios. Los costos fijos permanecen constantes mientras que el costo total, sí como
las utilidades incrementan con el incremento de la capacidad de producción. El punto
donde el costo total de producción es igual a los ingresos representa el punto de
equilibrio, y la capacidad de producción debe ser mayor que la capacidad
correspondiente al punto de equilibrio
Los mismos principios usados para desarrollar un diseño óptimo pueden aplicarse
para determinar las condiciones más favorables en la operación de una planta de
manufactura. Una de las variables mas importantes en plantas de manufactura es la
cantidad de producto producido por unidad de tiempo. La velocidad de producción
depende de muchos factores, tales como el número de horas de operación por día, por
semana, o por mes; la carga puesta sobre el equipo; y las ventas posibles. A partir de un
análisis de los costos involucrados bajo situaciones diferentes y considerando otros
factores afectando a la planta particular, es posible determinar una velocidad de
producción optima o llamada tamaño económico de lote.
1. Mínimo gasto para materias primas, mano de obre, potencia, etc., que
permanece constante y debe ser pagado por cada unidad de producción
tanto como la cantidad producida de material.
2. Gastos extras debido al incremento de la cantidad de producción. Estos
gastos extras son conocidos como costos de sobreproducción. Ejemplos
de costos de superproducción son costos extras causados por consumo
extra de potencia, requerimientos adicionales de mano de obre, o
disminución en la eficiencia de conversión. Los costos de
superproducción pueden a menudo representarse como sigue:
donde P = velocidad de producción tal como unidades totales de producción por unidad
de tiempo.
m = constante
n = constante
Designando h como los costos de operación los cuales permanecen constantes por
unidad de producción y OC como los costos de organización por unidad de tiempo, el
costo total por unidad de producción es:
3.2.2 Producción óptima para máximo beneficio total por unidad de tiempo.
La Ec. (3.5) presenta la relación básica entre costos y beneficios. Una gráfica de
beneficio por unidad de tiempo versus producción pasa por un máximo. Luego esta
ecuación puede usarse para encontrar analíticamente un valor de la producción óptima.
Cuando el precio de venta permanece constante, la producción que de el beneficio
máximo por unidad de tiempo es:
Una planta produce refrigeradores a razón de P unidades por día. Los costos
variables por refrigerador se han encontrado a ser $47,73 + 0,1P1,2. Las cargas fijas
totales diarias son $1750, y todos los demás costos son constantes e iguales a $7325 por
día. Si el precio de venta por refrigerador es 4173, determine:
(a) El beneficio diario para una producción que de el mínimo costo por refrigerador.
Solución
(a) Costo total por refrigerador = cT = 47,73 + 0,1P 1,2 + (1750 + 7325)/P
a) Costo mínimo
Muchos procesos son llevados a cabo en operaciones cíclicas las cuales involucran
periodos cortos para descargar, limpiar y recarga. Este tipo de operaciones ocurre cuando
el producto es obtenido por un proceso “batch” o cuando la velocidad de producción
disminuye con el tiempo, tal como la filtración en una unidad de discos. En una
verdadera operación “batch” no se obtiene producto durante el periodo de parada. En
operaciones cíclicas semicontinuas, se obtiene producto continuamente mientras que la
unidad esta en operación, pero la cantidad disminuye con el tiempo. Por lo tanto en
operaciones “batch” o semicontinuas, la variable de tiempo total requerido por ciclo
debe ser considerado cuando se determina las condiciones optimas.
Ejemplo 3.2 Determinación de las condiciones para el costo total mínimo en una
operación “batch”
Determinar el tiempo por ciclo para condiciones de costo total mínimo por año.
Solución
El costo total anual es un mínimo cuando d(costo total anual)/dPb = 0.
Este mismo resultado podría haberse obtenido graficando el costo total anual versus Pb y
determinando el valor de Pb al punto de costo total anual mínimo.
Para condiciones de costo total anual mínimo y una producción de 1 millón de kg/año:
function c = cost(v)
x = v(1);
c = (30*x^0.25 + 21)*(1000000/x) + 340*x^0.8 + 260000;
Ahora, encontrar un mínimo para esta función usando x = 1,0 como el valor inicial:
>> v = [1];
>> a = fminsearch('cost', v)
a =
1.6258e+003
Lo cual indica que Pb, para costo óptimo = 1625,8 kg por “batch”
Usando UNTSIM
RESULTADO DE LA OPTIMIZACION
---------------------------------------------
1.- El optimo de la variable es = 1625.84
2.- El optimo de la función es = 516077
3.3.1 Operaciones cíclicas semicontinuas
Tiempo por ciclo para cantidad máxima de calor transferido . La ecuación (3.15)
puede usarse como una base para encontrar el tiempo por ciclo el cual permita la
máxima cantidad de calor transferido durante un periodo dado. Cada ciclo consiste de un
tiempo de operación (o ebullición) de b h. Si el tiempo por ciclo para descargar, limpiar,
y recargar es c, el tiempo total en horas por ciclo es t = b +c .Luego, designando al
tiempo total usado para la operación actual de descarga, limpieza y recarga como H, el
número de ciclos durante H h = H/(b +c).
Fig. 3-2 Determinación del tiempo óptimo de operación para máxima cantidad de calor
transferido en un evaporador con formación de incrustaciones.
H h = QH = (Q/ciclo) x (ciclos/H h)
Entonces,
El tiempo óptimo de ebullición está dado por la Ec. (3.17) mostrando el plan
necesario para permitir la cantidad máxima de calor transferido. Debe usarse todo el
tiempo disponible para operación, descarga, limpieza y recarga. Para condiciones
constantes de operación, este mismo plan dará también la máxima cantidad de
alimentación consumida, producto obtenido y liquido evaporado.
Un tercer método para determinar el tiempo óptimo por ciclo es conocido como el
método tangencial para encontrar las condiciones óptimas, y es aplicable a muchos
tipos de operaciones cíclicas. Este método es ilustrado para condiciones de tiempo de
limpieza (c) constante en la Fig. 3-3, donde se grafica la cantidad de calor transferido
versus el tiempo de limpieza. La curva OB está basada en la Ec. (3.15). La cantidad
promedio de calor transferido durante un ciclo completo es Q/(b +c).
Fig. 3-3 Método tangencial para encontrar el tiempo óptimo de operación para máxima
cantidad de calor transferido en evaporador con formación de incrustaciones.
Tiempo por ciclo para costo mínimo por unidad de calor transferido. Existen
muchas circunstancias diferentes las cuales pueden afectar al costo mínimo por unidad
de calor transferido en una operación de evaporación. Un caso simple y comúnmente
dado será considerado. Se puede asumir que se dispone de una unidad de evaporación de
capacidad fija, y que cada día debe manejarse una cantidad definida de alimentación y
evaporación. El costo total para limpieza y cargas de inventario se asume constante sin
importar cuanto tiempo usado para ebullición. El problema es determinar el tiempo por
ciclo, el cual permita la operación a menor costo total.
El costo total incluye (1) cargas fijas sobre el equipo y perdidas de calor, (2) vapor,
materiales, y costos de almacenamiento los cuales son proporcionales a la cantidad de
alimentación y evaporación, (3) desembolsos para mano de obra directa durante la
operación de evaporación actual, y (4) costos de limpieza. Como el tamaño del equipo y
las cantidades de alimentación y evaporación son fijos, los costos considerados en (1) y
(2) son independientes del tiempo por ciclo. Entonces, el tiempo óptimo por ciclo puede
encontrarse minimizando la suma de los costos para limpieza y mano de obra directa
durante la operación.
Si Cc representa los costos para una limpieza y Sb son los costos de mano de obra
directa por hora durante la operación, los costos variables totales durante H h de tiempo
de operación y limpieza debe ser
El valor óptimo de b para costo total mínimo puede obtenerse graficando CT
versus b o derivando la Ec. (3.19) con respecto a b igualando a cero y resolviendo
para b. El resultado es
El tiempo óptimo por ciclo determinado por los métodos precedentes puede no
ajustarse al programa da operación adecuado. Afortunadamente, como se muestra en las
Figs. 3-2 y 3-3, los puntos óptimos usualmente ocurren donde una variación
considerable en el tiempo por ciclo tiene pequeño efecto sobre el factor que esta siendo
optimizado. Entonces es posible, ajustar el tiempo por ciclo para elaborar un programa
de operación adecuado sin causar muchas variaciones en los resultados finales.
Ejemplo 3-3 Tiempo por ciclo para máxima cantidad de producción de un filtro prensa
de placas y armazón. Exámenes con un filtro prensa de placas y armazón, operando a
presión constante, muestran que la relación entre el volumen de producto filtrado y el
tiempo de operación puede representarse por:
La torta formada en cada ciclo debe ser lavada con una cantidad de agua igual a la
dieciséis ava parte del volumen de filtrado por ciclo. La velocidad de lavado permanece
constante e igual a un cuarto de la velocidad de filtrado al final de la filtración. El tiempo
requerido por ciclo para desmontar, descargar, y volver a montar es 6 h. Bajo estas
condiciones donde se aplica la información precedente, determinar el tiempo total por
ciclo necesario para permitir la máxima salida de filtrado durante cada 24 h.
Solución
Filtrado obtenido por ciclo = Pf, ciclo = 150(f + 0,11)1/2 pies3. Caudal de filtrado
obtenido al final del ciclo es
La Ec. (1) describe el tiempo total por ciclo en función del tiempo de filtrado
- Reemplazar en la Ec. (1), el valor encontrado del tiempo de filtrado para obtener
el tiempo total por ciclo.
La solución puede hacerse usando diferentes métodos de los cuales presentaremos dos.
a) Método de búsqueda.-
Usamos una hoja de cálculo (Exel) para determinar el valor de tiempo de filtrado
que nos de la cantidad máxima de filtrado.
- Un primer cálculo se hace variando f de 1 en 1
f Filtrado
1 501.697
2 577.185
3 601.199
4 605.168
5 600.140
6 590.878
7 579.664
8 567.669
9 555.511
El máximo se encuentra entre 3 y 5. Se hace una nueva búsqueda entre estos
valores variando en 0.1
f Filtrado
3.0 601.199
3.1 602.234
3.2 603.096
3.3 603.798
3.4 604.354
3.5 604.774
3.6 605.068
3.7 605.247
3.8 605.317
3.9 605.289
4.0 605.168
- El máximo ocurre para f = 3,8 (si se desea mayor exactitud se puede hacer una
nueva búsqueda entre3,7 y 3,9)
b) Método analítico
Tiempo total por ciclo necesario para obtener la salida máxima de filtrado
0.0017
Luego calculamos tiempo total por ciclo necesario para obtener la salida máxima de
filtrado
ans =
11.7900 horas
d) Usando UNTSIM
RESULTADO DE LA OPTIMIZACION
---------------------------------------------
1.- El optimo de la variable es = 3.82
2.- El optimo de la función es = 0.00165202
CAPITULO IV
ANÁLISIS DE RESULTADOS
4.1 PRECISIÓN Y SENSIBILIDAD DE LOS RESULTADOS
32,17 pies.lbm/(s)(s)(lbf)
donde Cbombeo = costo de bombeo en dólares por año por pie de longitud de tubería
cuando el flujo es turbulento
De manera similar, las Ecs. (4.1) y (4.3) y los factores de conversión necesarios
pueden combinarse para dar el costo anual de bombeo cuando el flujo es viscoso:
donde Cbombeo = costo de bombeo en dólares por año por pie de longitud de tubería
Para la mayoría de tipos de tubería, una gráfica del logaritmo del diámetro de
tubería versus el logaritmo de los costos de compra por pie de tubería es esencialmente
una línea recta. Entonces, el costo de compra para la tubería puede representarse por la
siguiente ecuación:
El costo anual para el sistema de tubería instalado puede ser expresado como:
donde Ctuberia = costo para el sistema de tubería instalado en dólares por año por pie de
longitud de tubería†
El costo total anual para el sistema de tubería y bombeo puede obtenerse sumando
las Ecs. (4.4) y (4.7) o Ecs. (4.5) y (4.7). La única variable en la expresión resultante del
costo total es el diámetro de tubería. El diámetro económico óptimo de tubería puede
encontrarse tomando la derivada del costo total anual con respecto al diámetro de
tubería, igualando el resultado a cero, y resolviendo para Di. Este procedimiento da los
siguientes resultados:
K = $0,055/Kwh.
Hy = 8760 h/año
F = 1,4
Sustituyendo estos valores en las Ecs. (4.10) a (4.12) da los siguientes resultados
simplificados:
Dependiendo de la exactitud deseada y del tipo de flujo, las Ecs. (4.8) a (4.16)
pueden usarse para estimar el diámetro económico óptimo de tubería. Las Ecs.
Simplificadas (4.13) a (4.16) son suficientemente precisas para estimados de diseño bajo
condiciones ordinarias de planta.
Tabla 4-1 Valores de las variables usadas para obtener la Ec. (4.18). Flujo turbulento –
tubería de acero – diámetro de una pulg. o mayor
Usando los valores dados en la Tabla 4-1, para flujo turbulento en tubería de acero, la
Ec. (4.17) se simplifica a:
Las simplificaciones hechas para obtener las Ecs. (4.13) a (4.16) y la Ec. (4.18)
ilustra una aproximación que puede usarse para aproximar los resultados cuando ciertas
variables aparecen en forma tal que grandes cambios en ellas traen pequeños efectos en
los resultados finales. Las variables mostradas en la Tabla 4-1, y en la Ec. (4.12) son
relativamente independientes del diámetro de la tubería, y son elevadas a una pequeña
potencia para la determinación final del diámetro. Luego los resultados finales no son
particularmente sensibles a las variables listadas en la Tabla 4-1, y el ingeniero práctico
puede decidir si merece la pena la pérdida ligera en una exactitud absoluta por el uso de
las ecuaciones simplificadas.
Tabla 4- 2 Comparación del diámetro económico óptimo de tubería estimado por las
Ecs. (4.18) y (4.13). Flujo turbulento, tubería de acero # de cedula 40, espaciado
aproximado entre accesorios de 15 pies
condensador, oF
las cargas fijas anuales para el condensador son AKFCA, y el costo total anual para agua
de enfriamiento más las cargas fijas es
Solución
U = 50 Btu/(h)(pie2)(oF)
Hy = 6000 h/año
KF = 0,20
CP = 1,0 Btu/(lb)(oF)
CA = $21 /pie2
donde t’ = 170 oF
t1 = 70 oF
t2,opt = 128 oF
Método de búsqueda.- Haciendo uso de una hoja de cálculo, hacemos uso de la Ec.
(4.23) y dando valores para t2 calculamos los costos variables anuales totales. La
búsqueda se hace con los valores de t2 entre 70 oF (temperatura de entrada del agua de
enfriamiento) y 170 oF (temperatura de condensación)
T2: oF Ct: $/año t2 : o F Ct: $/año t2: oF Ct: $/año t2: oF Ct: $/año
70 ----- 90 3097.20 110 2152.73 130 2002.80
71 44044.22 91 3000.03 111 2134.66 131 2004.83
72 22448.51 92 2912.30 112 2118.02 132 2007.69
73 15252.85 93 2832.81 113 2102.74 133 2011.38
74 11657.26 94 2760.52 114 2088.74 134 2015.91
75 9501.72 95 2694.61 115 2075.96 135 2021.30
76 8066.25 96 2634.33 116 2064.33 136 2027.57
77 7042.27 97 2579.10 117 2053.82 137 2034.74
78 6275.50 98 2528.36 118 2044.37 138 2042.83
79 5680.23 99 2481.69 119 2035.93 139 2051.87
80 5205.02 100 2438.68 120 2028.48 140 2061.91
81 4817.16 101 2399.01 121 2021.98 141 2072.97
82 4494.83 102 2362.36 122 2016.41 142 2085.12
83 4222.92 103 2328.48 123 2011.73 143 2098.41
84 3990.65 104 2297.15 124 2007.93 144 2112.89
85 3790.10 105 2268.16 125 2004.99 145 2128.64
86 3615.35 106 2241.33 126 2002.89 146 2145.76
87 3461.86 107 2216.51 127 2001.64 147 2164.32
88 3326.10 108 2193.55 128 2001.20 148 2184.44
89 3205.29 109 2172.33 129 2001.59 149 2206.25
90 3097.20 110 2152.73 130 2002.80 150 2229.90
De la tabla podemos ver que el costo total mínimo es de 2001,20 $/año cuando la
temperatura de salida del agua de enfriamiento es 128 0F
Usando MATLB
function c = costa(v)
x = v(1);
c = (43200/(x-70))+(84000/(x-70))*log(100/(170-x));
que representa los costos variables totales anuales, al reemplazar los valores
correspondientes.
Ahora, encontrar un mínimo para esta función usando buscando en el intervalo 70 a 170
F:
x =
Pero todo este cálculo lo puede hacer MATLAB. Por ejemplo escribiendo la función
costo en linea:
>> f = inline('(43200/(x-70))+(84000/(x-70))*log(100/(170-x))');
x =
fval =
>>
Usando UNTSIM
El ejemplo siguiente ilustra el método general para determinar el reflujo óptimo en una
operación de destilación.
Fig 4-3 Diagrama de equilibrio para mezcla de benceno – tolueno a presión total de 760
mm Hg (método de McCabe – Thiele para determinar el número de etapas teóricas)
Los siguientes costos son para el equipo instalado incluyendo costos de entrega e
instalación.
pulg. M $/plato
60 1,52 1200
70 1,78 1500
80 2,03 1850
90 2,29 2250
Área de Costo
transferencia
Pies2 m2 $
Área de Costo
transferencia
Pies2 m2 $
Solución
Los costos variables involucrados son el costo de la columna, costo del rehervidor,
costo del condensador, costo de vapor y costo de agua de enfriamiento. Cada uno de
estos costos es función de la relación de reflujo, y la relación óptima de reflujo ocurre
donde la suma de los costos variables es un mínimo. El costo variable total será
determinado a varias relaciones de reflujo, y la relación óptima de reflujo se encontrara
por método gráfico
Los moles de destilado por hora (MD) y los moles de fondos por hora (MB) pueden
determinarse por un balance de materiales como sigue:
= $8235
CAPITULO V
LA PROGRAMACIÓN LINEAL
Como el nombre lo indica, todas las ecuaciones de un modelo que hagan uso de
programación lineal deben ser lineales. Aunque esta restricción es severa, son muchos
los problemas que pueden ser llevados a este contexto. En la formulación de
programación lineal, la ecuación que determina la ganancia o el costo de la operación se
denomina función objetivo. Debe tener la forma de una suma de términos lineales. Las
ecuaciones que describen las limitaciones bajo las cuales el sistema debe operar son las
restricciones. Todas las variables deben ser no negativas, es decir, cero o positivas.
Ejemplo 5.1
Una compañía fabrica dos tipos de motores pequeños con combustible sólido. Con
el motor A, gana $3 por motor y con el motor B gana $4 por motor. Dispone de 80 h por
semana para producirlos y en los procesos se requieren: 4h para A y solo 2 h para B. Sin
embargo, debido a lo peligroso del material usado, son necesarias 5 h de preparación y
limpieza para el motor B y 2 h para A. el tiempo de preparación total disponible es 120 h
por semana. Determinar el número de cada clase de motores a producir que dé como
resultado máxima ganancia.
Solución
La función objetivo es:
Maximizar: 3A + 4B ganancia
4A + 2B 80 tiempo de procesamiento
P = 3A + 4B
En este lugar geométrico P puede variar siempre que el valor de las variables se
mantenga en la región posible.
xi 0 (condición inherente)
i = 1, 2, . . ., n
Ecuaciones de restricción
. .
. .
. .
Esto es, las fuentes son limitadas. Se buscan los valores de xi que optimicen la
función objetivo. Los coeficientes ci reciben el nombre de coeficientes de costo. Los
valores de las variables xi deben satisfacer las ecuaciones de restricción. Generalmente,
hay más incógnitas que ecuaciones, es decir, n > m y algunos de los valores de las xi se
pueden especificar arbitrariamente (por lo general cero). Por ejemplo en un proceso
químico, las variables independientes pueden ser flujos y las ecuaciones de restricción
pueden ser balances de materia y energía en los procesos de la planta.
El segundo tipo general de restricción especifica que todas las actividades deben
tener un valor positivo.
x1 0
sujeta a x 0
Ax b
Ejemplo 5.2
Suponga que una planta procesadora de gasolina recibe cada semana una cantidad
fija de materia prima para gasolina. Esta última se procesa en dos tipos de gasolina de
calidad regular y Premium. Estas clases de gasolina son de alta demanda; es decir, se
tiene garantizada su venta y se obtiene diferentes utilidades para la compañía. Sin
embargo su producción involucra ambas restricciones, tiempo y almacenaje en sitio. Por
ejemplo, sólo una de las clases se puede producir a la vez, y las instalaciones están
abiertas solamente 8 horas por semana. Además, existe un límite de almacenamiento
para cada uno de los productos. Todos estos factores se enlistan abajo (observar que una
tonelada métrica, o ton, es igual a 1 000 kg):
Producto
Recurso Regular Prémium Disponibilidad del recurso
Materia prima para
la gasolina 7 m3 /tonelada 11 m3 /tonelada 77 m3 /semana
Tiempo de 10 hr/tonelada 8 hr/tonelada 80 hr/semana
producción
Almacenamiento 9 toneladas 6 toneladas
Aprovechamiento 150/tonelada 175/tonelada
Desarrollar una formulación de programación lineal para maximizar las utilidades de
esta operación
Solución
El ingeniero que opera esta planta debe decidir la cantidad a producir de cada
gasolina para maximizar las utilidades. Si las cantidades producidas cada semana de
gasolina regular son designadas x1 y x2, respectivamente, la ganancia total se puede
calcular como:
Las restricciones se pueden desarrollar en una forma similar. Por ejemplo, el total
de gasolina cruda utilizada se puede calcular como
7 x1 + 11 x2 ≤ 77
Sujeta a
7 x1 + 11 x2 ≤ 77 (restricciones de materiales)
10 x1 + 8 x2 ≤ 80 (restricciones de tiempo)
x1 , x2 ≥ 0 (restricciones positivas)
Debido a que las soluciones gráficas están limitadas a dos o tres dimensiones,
tienen utilidad practica limitada. Sin embargo son muy útiles para demostrar algunos
conceptos básicos que resaltan las técnicas algebraicas generales usadas para resolver
problemas con grandes dimensiones en la computadora.
Sujeta a
7 x1 + 11 x2 ≤ 77 (1)
10 x1 + 8 x2 ≤ 80 (2)
x1 ≤ 9 (3)
x2 ≤ 6 (4)
x1 ≥ 0 (5)
x2 ≥ 0 (6)
Solución
(a)
(b)
Fig. 5-2 Solución gráfica del problema de programación lineal, a) Las restricciones
definen un espacio de solución factible. b) La función objetivo se puede incrementar
hasta que se alcance el valor más alto que cumpla con todas las restricciones.
Gráficamente, se mueve hacia arriba y a la derecha hasta que toca el espacio factible en
un solo punto óptimo.
Así, como en la Fig. 5-2a, los valores posibles de x1 y x2 que obedecen dicha
restricción se hallan por debajo de esta línea (la dirección es designada por la gráfica y
por la pequeña flecha). Las otras restricciones se pueden evaluar en forma similar, como
sobrepuestas sobre la Fig. 5-2a. Observe como estas encierran una región donde todas se
encuentran. Este es el espacio de solución factible (el área ABCDE en la gráfica).
Después, se puede agregar la función objetivo a la gráfica. Para hacer esto se debe
escoger un valor de Z. Por ejemplo, para Z = 0 la función objetivo es ahora
0 = 150 x1 + 175 x2
o resolviendo para x2
Como se muestra en la Fig. 5-2b, ésta presenta una línea punteada interceptando el
origen. Ahora, puesto que estamos interesados en maximizar Z, se puede aumentar esta a
digamos 600, y la función objetivo es
7(4,9) + 11(3,9) 77
10(4,9) + 8(3,9) 80
4,9 9
3,9 6
2. Solución alterna. Suponga que la función objetivo del ejemplo tuviera coeficientes,
de tal forma que fueran paralelos precisamente a una de las restricciones. En nuestro
problema ejemplo, una forma en la cual esto podría ocurrir, sería que las utilidades
fueran cambiadas a $140/ton y $220/ton. Entonces más que un solo punto, el
problema podría tener un número infinito de óptimos correspondientes a un
segmento de línea (ver Fig. 5-3a)
4. Problema sin límite. Como en la Fig. 5-3c, esto usualmente significa que el
problema está bajo restringido y, por tanto, con finales abierto como para el caso de
la solución no factible, puede a menudo surgir de errores cometidos durante la
especificación del problema.
Fig. 5-3 Además de una sola ecuación óptima (por ejemplo Fig. 4-2b), existen otros
tres resultados posibles de un problema de programación lineal: a) alternativa óptima,
b) solución no factible y c) de resultado sin limites.
Además, se puede reconocer que no todo punto extremo es factible; esto es,
satisfacer todas las restricciones. Por ejemplo, observar que el punto F en la Fig. 5-2a es
un punto extremo, pero no es factible. Si nos limitamos a puntos extremos factibles, se
reduce el campo factible todavía más.
Por último, una vez que se ha identificado todos los puntos extremo factibles, el
que ofrezca el mejor valor de la función objetivo representará la solución óptima. Se
podría encontrar esta solución óptima mediante la exhaustiva (e ineficiente) evaluación
del valor de la función objetivo en cada punto extremo factible. en la siguiente sección
se analiza el método simples, que ofrece una estrategia preferible que representa en
forma gráfica un rumbo acelerativo a través de la secuencia de puntos extremos factibles
para arribar al óptimo de una manera extremadamente eficiente.
Variables de holgura. Como lo indica su nombre, una variable de holgura mide cuanto
de una fuente restringida esta disponible; es decir, cuanta “holgura”de la fuente está
disponible. Por ejemplo, recordar la fuente restringida que se uso en los ejemplos 4.1 y
4.2:
7 x1 + 11 x2 ≤ 77
Se puede definir una variable de holgura S1 como la cantidad de gasolina cruda que
no se usa para un nivel de producción particular (x1 , x2). Si esta cantidad se agrega al
lado izquierdo de la restricción, forma la relación exacta
7 x1 + 11 x2 + S1 = 77
Sujeta a
7 x1 + 11 x2 + S1 = 77
10 x1 + 8 x2 + S2 = 80
x1 + S3 =9
x2 + S4 = 6
x1 , x2 , S1 , S2 , S3 , S4 0
Advertir cómo se han formado de igual modo cuatro ecuaciones, de tal manera que
las incógnitas están alineadas en las columnas. Se hizo así para resaltar que ahora se trata
de un sistema de ecuaciones algebraicas lineales
Esta observación nos lleva a concluir que los puntos extremo se pueden
determinar en la forma estándar al igualar las dos variables a cero. En nuestro ejemplo,
esto reduce el problema a una forma resoluble de 4 ecuaciones con 4 incógnitas. Por
ejemplo, para el punto E haciendo x1 = S4 = 0 se reduce la forma estándar a
11 x2 + S1 = 77
8 x2 + S2 = 80
+ S3 =9
x2 =6
Para generalizar una solución básica para m ecuaciones lineales con n incógnitas se
desarrolla al igualar n – m variables a cero, y resolviendo las m ecuaciones para las m
incógnitas restantes. Las variables cero son formalmente referidas como variables no
básicas, mientras las m variables restantes son llamadas variables básicas. Si todas las
variables básicas son no negativas, el resultado es llamado solución factible básica. El
óptimo será una de éstas.
Segundo, una porción significativa de éstas puede ser no factible. Por ejemplo, en
el problema actual de los = 15 puntos extremos, solo 5 son factibles. Claramente, si
se pudiese evitar resolver todos estos sistemas innecesarios, se podría desarrollar un
algoritmo más eficiente. Un procedimiento como tal se describe a continuación.
S1 = 77
S2 = 80
S3 =9
S4 =6
Así, los valores iniciales de las variables básicas son dados automáticamente como
iguales a los lados derecho de las restricciones.
El siguiente paso implica moverse a una nueva solución factible básica que nos
lleva a una mejora de la función objetivo. Esto se lleva a cabo al aumentar una variable
actual no básica (en este punto, x1 o x2) por arriba de cero para que Z aumente. Recuerde
que, para el ejemplo actual, los puntos extremos deben tener 2 valores cero. Por tanto,
una de las variables básicas actuales (S1 , S2 , S3 , S4) deben también igualarse a cero.
Para resumir este paso importante una de las variables no básicas actuales debe
hacerse básica (no cero). Esta variable se llama variable de entrada. En el proceso, una
de las variables básicas actuales se hace no básica (cero). Esta variable se llama variable
de salida.
7 x1 + S1 = 77
10 x1 = 80
x1 + S3 =9
S4 =6
La solución de este sistema de ecuaciones define en forma efectiva los valores de las
variables básicas en el punto B: x1 = 8, S1 = 21, S3 = 1, S4 = 6.
La tabla se puede usar para realizar los mismos cálculos al emplear el método de
Gauss-Jordan.
Para este ejemplo, el renglón pivote es S2 (ya que tiene el mayor valor en la igualdad
al lado de la solución 80) que corresponde a la variable de entrada y el elemento pivote
es 10 (el elemento de mayor valor en este renglón) que corresponde al coeficiente de la
variable de salida x1. Al dividir el renglón entre 10 y reemplazar S2 por x1 se tiene:
Z x1 x2 S1 S2 S3 S4 Solución
1 -150 -175 0 0 0 0 0
-0 -(-150) -(-120) -0 -(-5) 0 0 -(-200)
1 0 -55 0 15 0 0 1200
Así la nueva tabla resume toda la información para el punto B. Esto incluye el hecho
de que el movimiento ha aumentado la función objetivo a Z = 1200
Esta tabla se puede usar entonces para representar el próximo, y en este caso, el paso
final. Sólo una más de las variables, x2, tiene un valor negativo en la función objetivo, y
se escoge, por tanto, como la variable de salida. De acuerdo con los valores de la
intercepción (ahora calculados como la columna de solución sobre los coeficientes de la
columna x2), la primera restricción tiene el valor positivo más pequeño y, por tanto, se
selecciona a S1 como la variable de entrada. Así, el método simplex mueve los puntos de
B a C en la Fig. 5-4. Por último, la eliminación de gauss-Jordan se puede implementar
para resolver las ecuaciones simultáneas. El resultado es la tabla final,
Básica Z x1 x2 S1 S2 S3 S4 Solución
Z 1 0 0 10.1852 7.8704 0 0 1413.889
x2 0 0 1 0.1852 -0.1296 0 0 3.889
x1 0 1 0 -0.1481 0.2037 0 0 4.889
S3 0 0 0 0.1481 -0.2037 1 0 4.111
S4 0 0 0 -0.1852 0.1296 0 1 2.111
Uso de UNTSIM
>> untsim
Copyright 2002 UNT
MSc. Luis Moncada
All rights reserved
ESTE PROGRAMA EJECUTA CALCULOS DE PROGRAMACIÓN LINEAL
*****************************************************
Adecue el problema para ejecutarlo con MATLAB
ver Optimización Capítulo 5, Ejemplo 5.6
Ingresar Coeficientes de la función [a; b;.. ]: [-150; -175]<--
Invertimos signos para
Si existen restricciones ingresar lo que pide el programa
minimizar
Si no existen escribir simplemente []
RESTRICCIONES DE DESIGUALDAD
Ingresar Matriz de Coeficientes de las restricciones [ ]
: >> [7 11; 10 8]
Ingresar vector del lado derecho de las restricciones [ ]
: [77; 80]
RESTRICCIONES DE IGUALDAD
Ingresar Matriz de Coeficientes de las restricciones [ ]
: []
Ingresar vector del lado derecho de las restricciones [ ]
: []
Limites inferiores de las variables (vector): [0; 0]
Limites superiores de las variables (vector): [9; 6]
Optimization terminated.
Para salvar este inconveniente se puede usar los paquetes de software tal como
Excel, Lindo, Matlab, MathCad, IMSL, etc., algunos de los cuales se darán a
continuación.
Ejemplo 5.4
Utilice una hoja de cálculo en Excel para calcular los valores adecuados en el problema
de procesamiento de la gasolina dado anteriormente.
Solución
Una hoja de cálculo de Excel para calcular los valores pertinentes en el problema
de procesamiento de gasolina es mostrado en la Fig. 5-5. Las celdas no sombreadas son
las que contienen los datos numéricos y leyendas. Las celdas sombreadas involucran las
cantidades que se calculan con base en las otras celdas. Reconozca que la celda a ser
maximizada es la D12, la cual contiene la utilidad total. Las celdas que cambian son
B4:C4, en las cuales se tiene las unidades de la gasolina producida regular y Premium.
Fig. 5.5 Acondicionamiento de una hoja de cálculo Excel para usar Solver para la
programación lineal
Una vez que se crea la hoja de cálculo, se selecciona Solver del menú de
Herramientas (Tools). En esta etapa se mostrará un recuadro de dialogo, requiriendo de
usted la información pertinente. Estas celdas pertinentes del resultado del dialogo de
Solver se llenarán como
Se debe incluir las restricciones una por una al seleccionar el botón Agregar. Esto
abrirá un recuadro de diálogo como el siguiente
Fig. 5.6 Hoja de cálculo de Excel con la solución al problema de programación lineal
Ejemplo 4.5
Los “stocks” de materia prima son: S1 = 1000 lbs, S2 = 1000 lbs y S3 = 1200 lbs
para cada uno de los tipos disponibles.
Solución
Planteo
m1 m2 m3 U : $/lb
Producto A 4 5 3 5
Producto B 5 2 8 3
1000 1000 1200
1.- Variables:
Maximizar: Z = 5 x1 + 3x2
4.- Enunciado:
Maximizar Z = 5 x1 + 3x2
5.- Introduciendo las variables de holgura para transformar las inecuaciones de las
restricciones a ecuaciones
Variables de holgura: x3 , x4 y x5
SUBJECT TO
1) 1058.823
X1 176.470581 0.000000
X2 58.823528 0.000000
2) 0.000000 0.294118
3) 0.000000 0.764706
4) 200.000000 0.000000
NO. ITERATIONS = 2
X2 = 58.823528
Maximizar Z = 5 x1 + 3x2
Minimizar Z = – 5 x1 – 3x2
>> b=[1000; 1000; 1200]
4. El rango de variables
>> lb = zeros(2,1);
5. La rutina de cálculo:
x =
176.4706
58.8235
>> fval <------- Optimo de la función
fval =
-1.0588e+003
Si no ponemos (; al final de la orden se visualizan todos los resultados del cáculo
x =
176.4706
58.8235
fval =
-1.0588e+003
exitflag =
output =
iterations: 5
cgiterations: 0
algorithm: 'lipsol'
lambda =
Maximizar: 3A + 4B (ganancia )
4A + 2B 80 tiempo de procesamiento
2A + 5B 120 tiempo de preparación.
4x1 + 2x2 80
x =
10.0000
20.0000
>> fval
fval =
-110.0000
>>
Sujeta a
7 x1 + 11 x2 ≤ 77 (1)
10 x1 + 8 x2 ≤ 80 (2)
x1 ≤ 9 (3)
x2 ≤ 6 (4)
x1 ≥ 0 (5)
x2 ≥ 0 (6)
Sujeta a
7 x1 + 11 x2 ≤ 77 (1)
10 x1 + 8 x2 ≤ 80 (2)
x1 ≤ 9 (3)
x2 ≤ 6 (4)
-x1 ≤ 0 (5)
-x2 ≤ 0 (6)
x =
4.8889
3.8889
>> fval
fval =
-1.4139e+003
Uso de UNTSIM
RESULTADO DE LA OPTIMIZACION
---------------------------------------------
1.- El optimo de la variable es = 4.88889
1.- El optimo de la variable es = 3.88889
2.- El optimo de la función es = -1413.89
>>
La refinería produce gasolina especial que se vende a $50 el barril con un octanaje
mayor o igual que 95, gasolina corriente que se vende a $45 el barril con un octanaje
mayor o igual que 89, petróleo diesel que se vende a $25 el barril con un número de
contaminación no superior a 55. Para satisfacer la demanda del mercado, la refinería
debe producir por lo menos 25 000 barriles diarios de gasolina especial, 10 000 de
gasolina corriente y 30 000 de petróleo diesel. El petróleo crudo cuesta 4 27,5 por barril.
Los costos de operación de la columna de destilación del petróleo crudo son $2,5
el barril de cada uno de los productos obtenidos; nafta ligera virgen, nafta pesada virgen
y destilado virgen. El destilado virgen y parte de la nafta pesada virgen, se envían a la
unidad de separación catalítica. El costo de la operación depende de la alimentación a la
unidad y cuesta $1,0 el barril de nafta pesada virgen y $1,5 el barril de destilado virgen.
– 3LVNPG + 2CNPG 0
SUBJECT TO
X7 + X8 >=25000
-3.0X7 + 2.0X8>=0
X5 + X6 <=50000
X1<=100000
-0.2X1 + X7 + X9 =0
-0.5X1 + X5 + X10 =0
X2>=0
X3>=0
X4>=0
X5>=0
X6>=0
X7>=0
X8>=0
X9>=0
X10>=0
X11>=0
X12>=0
X13>=0
X14>=0
1) 1145139.
VARIABLE VALUE
X1 100000.000000
X2 0.000000
X3 0.000000
X4 0.000000
X5 33333.332031
X6 16666.666016
X7 11777.777344
X8 17666.666016
X9 8222.222656
X10 16666.666016
X11 7333.333496
X12 0.000000
X13 18333.333984
X14 22916.666016
Min: + 27.5X1 + 2.5X2 + 2.5X3 + 2.5X4 + X5 + 1.5X6 - 50.0X7 - 50.0X8 - 45.0X9 - 45.0X10
- 45.0X11 - 45.0X12 - 25.0X13 - 25.0X14
Sujeta a
-5.0X13 + 4X14 0 0 0 0 0 0 0 0 0 0 0 0 0 -5 4 0
-X20 0 -1 0 0 0 0 0 0 0 0 0 0 0 0 0
-X30 0 0 -1 0 0 0 0 0 0 0 0 0 0 0 0
-X40 0 0 0 -1 0 0 0 0 0 0 0 0 0 0 0
-X50 0 0 0 0 -1 0 0 0 0 0 0 0 0 0 0
-X60 0 0 0 0 0 -1 0 0 0 0 0 0 0 0 0
-X70 0 0 0 0 0 0 -1 0 0 0 0 0 0 0 0
-X80 0 0 0 0 0 0 0 -1 0 0 0 0 0 0 0
-X90 0 0 0 0 0 0 0 0 -1 0 0 0 0 0 0
-X100 0 0 0 0 0 0 0 0 0 -1 0 0 0 0 0
-X110 0 0 0 0 0 0 0 0 0 0 -1 0 0 0 0
-X120 0 0 0 0 0 0 0 0 0 0 0 -1 0 0 0
-X130 0 0 0 0 0 0 0 0 0 0 0 0 -1 0 0
-X140 0 0 0 0 0 0 0 0 0 0 0 0 0 -1 0
-0.2X1 + X7 + X9 =0 -0.2 0 0 0 0 0 1 0 1 0 0 0 0 0 0
PROGRAMACION LINEAL
Este programa ejecuta calculos de PROGRAMACION LINEAL
Adecue el problema para ejecutarlo con MATLAB
ver Optimizacion Capitulo 5, Ejemplo 5.6
Ingresar Coeficientes de la funcion [ ]: [27.5 2.5 2.5 2.5 1 1.5
-50.0...
-50.0 -45.0 -45.0 -45.0 -45.0 -25.0 -25.0]
Si existen restricciones ingresar lo que pide el programa
Si no existen escribir simplemente []
RESTRICCIONES DE DESIGUALDAD
Ingresar Matriz de Coeficientes de las restricciones [ ]
: [0 0 0 0 0 0 -1 -1 0 0 0 0 0 0;0 0 0 0 0 0 3 -2 0 0 0 0 0 0;...
0 0 0 0 0 0 0 0 -1 -1 -1 -1 0 0;0 0 0 0 0 0 0 0 -3 5 -8 1 0 0;...
0 0 0 0 0 0 0 0 0 0 0 0 -1 -1;0 0 0 0 0 0 0 0 0 0 0 0 -5 4;...
0 0 0 0 1 1 0 0 0 0 0 0 0 0;1 0 0 0 0 0 0 0 0 0 0 0 0 0;...
0 -1 0 0 0 0 0 0 0 0 0 0 0 0;0 0 -1 0 0 0 0 0 0 0 0 0 0 0;...
0 0 0 -1 0 0 0 0 0 0 0 0 0 0;0 0 0 0 -1 0 0 0 0 0 0 0 0 0;...
0 0 0 0 0 -1 0 0 0 0 0 0 0 0;0 0 0 0 0 0 -1 0 0 0 0 0 0 0;...
0 0 0 0 0 0 0 -1 0 0 0 0 0 0;0 0 0 0 0 0 0 0 -1 0 0 0 0 0;...
0 0 0 0 0 0 0 0 0 -1 0 0 0 0;0 0 0 0 0 0 0 0 0 0 -1 0 0 0;...
0 0 0 0 0 0 0 0 0 0 0 -1 0 0;0 0 0 0 0 0 0 0 0 0 0 0 -1 0;...
0 0 0 0 0 0 0 0 0 0 0 0 0 -1]
Ingresar vector del lado derecho de las restricciones [ ]
: [-25000;0;-10000;0;-30000;0;50000;100000;0;0;0;0;0;0;0;0;0;0;0;0;0]
RESTRICCIONES DE IGUALDAD
Ingresar Matriz de Coeficientes de las restricciones [ ]
: [-0.2 0 0 0 0 0 1 0 1 0 0 0 0 0;-0.5 0 0 0 1 0 0 0 0 1 0 0 0 0;...
0 0 0 0 -0.7 -0.1 0 1 0 0 1 0 0 0;0 0 0 0 -0.4 -0.3 0 0 0 0 0 1 1 0;...
0 0 0 0 -0.2 -0.7 0 0 0 0 0 0 1 0];
Ingresar vector del lado derecho de las restricciones [ ]
: [0;0;0;0;0]
x =
1.0e+004 *
10.0000
0.0000
0.0000
0.0000
3.3333
1.6667 <------- Valores optimos de las variables
1.1778
1.7667
0.8222
1.6667
0.7333
0.0000
1.8333
2.2917
fval =
output =
iterations: 7
cgiterations: 0
algorithm: 'lipsol'
lambda =
>>
Alimento 2 30 50 30 unidades
Para no incurrir en la repetición de las comidas, se permite consumir hasta 6
porciones/persona-día de cada uno de los alimentos.
Los precios de los alimentos son S/ 1,0/porción y S/1,5/porción para los alimentos
1 y 2 respectivamente.
Solución
1. Las variables son:
X1: porciones de alimento 1
X2: porciones de alimento 2
2. La función objetivo es Z:
MIN Z = 1,0X1 + 1,5X2
3. Las restricciones son:
50X1 + 30X2 200 (vitamina A)
10X1 + 50X2 100 (vitamina B)
25X1 + 30X2 150 (vitamina C)
X1 6
X2 6
MIN X1 + 1.5X2
SUBJECT TO
X1 <= 6
X2 <= 6
LP OPTIMUM FOUND AT STEP 0
VARIABLE VALUE
Minimizar f = X1 + 1.5X2
Sujeta a:
X1 6
X2 6
RESTRICCIONES DE DESIGUALDAD
Ingresar Matriz de Coeficientes de las restricciones [ ]
: [-50 -30; -10 -50; -25 -30;1 0;0 1]
Ingresar vector del lado derecho de las restricciones [ ]
: [-200; -100; -150; 6; 6]
RESTRICCIONES DE IGUALDAD
Ingresar Matriz de Coeficientes de las restricciones [ ]
: [] <------- No hay restricciones de igualdad
Ingresar vector del lado derecho de las restricciones [ ]
: [] <------- No hay restricciones de igualdad
x =
4.7368
1.0526
fval =
6.3158
output =
iterations: 7
cgiterations: 0
algorithm: 'lipsol'
Una compañía manufactura cuatro variantes del mismo producto y en la parte final del
proceso manufacturero están el ensamblaje, pulido y empaque. Pues cada variante el
tiempo requerido para estas operaciones es mostrado debajo (en minutos) cual es la
ganancia por unidad vendida.
Dado el estado corriente de la fuerza laboral, la compañía estima, cada año, han
tenido 100000 minutos de tiempo de ensamblaje, 50000 minutos de tiempo
pulido y 60000 minutos de tiempo empacado. ¿Cuántos de cada variante del
producto debe manufacturar la compañía por año y cuál debería ser la ganancia
asociada?
Suponga que ahora la compañía es libre para decidir cuanto tiempo le dedica a
cada una de las tres operaciones (ensamble, pulido y empaque) dentro del tiempo
admisible total de 210000 (= 100000 + 50000 + 60000) minutos. Cuanto de cada
variante deberá hacer la compañía por año y cual es el beneficio asociado?
Variables
Haciendo:
Restricciones
En la segunda situación, donde la única limitación es el tiempo total gastado en todas las
operaciones, nosotros simplemente tenemos:
Objetivo
Trataremos con cada caso a su vez, y notando que el análisis presentado a continuación
SOLO se aplica para un cambio simple, si dos o más aspectos cambian entonces
necesitamos resolver efectivamente el problema de PL.
En términos del problema original podemos decir efectivamente que la decisión para
producir 16000 de la variante 2 y 6000 de la variante 3 permanece optima aún cuando el
beneficio por unidad de variante 2 no sea actualmente 2.5 (pero siempre que
permanezca en el rango entre 2.3571 a 4.50).
En términos del fundamento del algoritmo simplex esto se mantiene porque la base de la
solución actual del simplex (vertice de la región factible) permanece óptima
proporcionando el coeficiente de X2 en la función objetivo variando ente 2.3571 y 4.50.
Para las variables, la columna REDUCED COST nos da, para cada variable la
cual es actualmente cero (X1 y X4), un estimado de cuanto cambiará la función
objetivo si hacemos que la variable no sea cero.
Variable X1 X4
Costo de Oportunidad 1.5 0.2
Nuevo valor (= o >=) X1=A X4=B
o X1>=A X4>=B
Cambio estimado de la función objetivo 1.5A 0.2B
Por lo tanto si exactamente 100 de la variante 1 fuese a ser producido cual debería ser su
estimado del nuevo valor de la función objetivo?
Notar aquí que el valor en la columna de Reduced Cost para una variable es a menudo
denominado "costo de oportunidad" para la variable.
Notar aquí que una interpretación alternativa (e igualmente válida) de los costos
reducidos es la cantidad por la cual el coeficiente para una variable en la función
objetivo necesita ser cambiado antes de que esa variable se convierta en no cero.
Aquí para la variable X1 la función objetivo necesita a ser cambiada por 1.5
(incrementar ya que estamos maximizando) antes que la variable devenga en no cero. En
otras palabras, refiriéndonos a nuestra situación original, el beneficio por unidad de
variante 1 necesitaría ser incrementado por 1.5 antes de que sea lucrativo para cualquier
producción de variante 1. Similarmente el beneficio por unidad de variante 4 necesitaría
incrementarse por 0.2 antes de que sea lucrativo cualquier producción de variante 4.
para cada restricción la tabla RIGHTHAND DIDE RANGES nos muestra como
puede cambiar la función objetivo si hacemos cambios en el lado derecho de las
restricciones dentro de los limites permitidos
De la tabla tenemos
Por lo tanto
Notar que, como parecería lógico, si la restricción es imprecisa el precio sombra es cero
(así como si la restricción es imprecisa un pequeño cambio en el lado derecho no puede
alterar la solución óptima).
Comentarios
ESQUEMA DE CONTENIDOS
________________________________________________
C:\Plant C:\Plant
Design\Optimizacion\lindo1.ht Design\Optimizacion\lindo1.ht
m - 5.7.1 m - 5.7.2
C: C:
\Plant \Plant
Design\Optimizacion\lindo2.ht Design\Optimizacion\lindo1.ht
m - casos m - 5.7.3
INTRODUCCIÓN_______________________________________________
____________________
En el punto anterior vimos cómo usar el programa LINDO para resolver problemas de
programación lineal. En este maht-block presentaremos el concepto de la dualidad, el
cual cobra gran importancia dentro de la teoría general de la PL. Asimismo, usaremos
nuevamente LINDO para obtener los precios sombra o duales de un problema, y
veremos cual es la interpretación económica de los mismos.
OBJETIVOS___________________________________________________
_____________________
- Familiarizarse con el uso de LINDO para hallar e interpretar los precios duales.
CONCEPTOS
FUNDAMENTALES_____________________________________________
________
Cada precio sombra estará asociado a una restricción del problema, y nos indicará
en cuánto “mejoraría” la función objetivo –evaluada en el punto solución- si dicha
restricción se “relajase” en una unidad. En el contexto anterior, “mejorar” significa:
“aumentar” en el caso de un problema de maximización, y “disminuir” en el caso de un
problema de minimización. Por su parte, “relajar” una restricción en una unidad
significa: “incrementar” el RHS en una unidad en caso de que la restricción sea con <=,
y “disminuir” el RHS en una unidad en caso de que la restricción sea con >=.
Ejemplo: Resolveremos con LINDO el problema anterior (recordar que, por defecto,
LINDO ya presupone que todas las variables de la función objetivo han de ser no
negativas, i.e.: X >= 0, Y >= 0):
En este caso, el problema dual estará constituido por 20.000 variables y 100
restricciones.
Minimizar 4 X1 + 13 X2
Sujeto a:
18 X1 + 12 X2 <= 3
6 X1 + 2 X2 = 17
X1 >= 0, X2 >= 0
Maximizar - 4 X1 - 13 X2
Sujeto a:
18 X1 + 12 X2 <= 3
6 X1 + 2 X2 <= 17
- 6 X1 - 2 X2 <= - 17
X1 >= 0, X2 >= 0
Minimizar 3 Y1 + 17 Y2 – 17 Y3
Sujeto a:
18 Y1 + 6 Y2 – 6 Y3 <= - 4
12 Y1 + 2 Y2 – 2 Y3 <= - 13
CASOS DE ESTUDIO
Caso 1
El costo total inicial para el primer efecto es 18 000 dólares y de cada efecto
adicional 15 000 dólares, el periodo de vida útil se estima en 10 años y el valor de
rescate de esas unidades al final de la ida útil se puede considerar igual a 0.
Se debe usar el método de depreciación por la línea recta. Las cargas fijas menos
la depreciación ascienden a 15 % anual basadas en el costo inicial del equipo.
Las cargas de mantenimiento anual suman 5 % del costo total del equipo, todos
los otros costos son independientes del No. de efectos. La unidad debe operar 300 días
al año.
C3 = Costo de vapor
V = libras de agua evaporada
W = libras de vapor usado
lb de agua evaporada/lb de vapor = 0.85N = V/W
C3 = W x costo del vapor
N = 3.96 4 efectos
Usando UNTSIM
Problema. Las descargas de aguas de desecho de las grandes ciudades son con
frecuencia, la causa principal de la contaminación en un rió. La Fig. 1 ilustra el tipo de
sistema que un ingeniero ambiental podría enfrentar. Varias ciudades están localizadas
sobre un río y sus afluentes.
Cada ciudad genera contaminación a una razón de carga P que tiene unidades de
miligramos por día (mg/d). La carga contaminante está sujeta al tratamiento de desechos
que resulten de una remoción fraccional x. Así, la cantidad descargada al río es el
exceso no removido por el tratamiento,
Wi = (1 – xi)Pi
(1)
Suponiendo que los cabezales de agua (por ejemplo las ciudades 1 y 2 en el río
mostrado antes) están libres de contaminantes, las concentraciones en los cuatro nodos
se pueden calcular como:
(3)
Advierta que hay una diferencia en los costos de tratamiento entre las ciudades
corriente arriba (1 y 2) y corriente abajo (3 y 4) por la naturaleza impredecible de las
Tabla 1. Parámetros para las cuatro plantas de tratamiento de aguas de desecho que
descargan contaminantes a un sistema de ríos, junto con los resultados de
concentración (ci) para tratamiento cero. También se enlista el flujo, el factor
de remoción y los estándares para los segmentos del río
Hemos optado por usar la programación lineal para determinar los niveles de
tratamiento que satisfacen los estándares de calidad del agua un mínimo costo.
También, se evaluará el impacto al hacer el estándar más restringido debajo de la ciudad
3. esto es, el mismo caso pero ahora con los estándares para los segmentos 3 – 4 y 4 –
5 disminuidos a 10 mg/L.
Todos los factores antes mencionados se pueden combinar en el siguiente
(6)
0 x1, x2, x3, x4 1 (7)
El problema se puede resolver por una variedad de paquetes tales como LINDO,
MATLAB, EXCEL, etc.
Para esta aplicación se usa la hoja de cálculo EXCEL. Como en la figura 2, los
datos junto con los cálculos de la concentración se pueden introducir de manera fácil en
las celdas de la hoja de cálculo.
Una vez que se crea la hoja de cálculo, se elige la función Solver. En este
Worksheet:
Report Created:
Cambiando celdas
Celda Nombre Valor final Costo Coeficiente Aumento Disminución
reducido objetivo permisible permisible
$C$4 X 0.8 0 2000 1E + 30 0
$C$5 X 0.5 0 4000 1E + 30 1200
$C$6 X 0.5625 0 16000 0 16000
$C$7 X 0 1000 10000 1E + 30 10000
Restricciones
Celda Nombre Valor final Costo Coeficiente Aumento Disminución
reducido objetivo permisible permisible
$E$4 conc 20 0 20 80 20
$F$5 conc 20.00 -30.00 20 20 20
$F$6 conc 20.00 -440.00 20 17.878787 15.909091
$F$7 conc 15.28 0.00 20 1E + 30 4.72
Fig. 4. Reporte de sensibilidad en una hoja de cálculo lista para evaluar el costo de
tratamiento de agua sobre un sistema de ríos regulado.
Ahora examinemos la solución (véase figura 3). Observe que el estándar ajustará
en todos los puntos de mezclado. De hecho la concentración en la ciudad 4 será en
realidad menor que el estándar (16.28 mg/L0, aunque no se requiere tratamiento para la
ciudad 4.
Como un caso de simulación, se puede disminuir los estándares 3-4 y 4-5 para
ahora tener 10 mg/L. Antes de hacer esto se puede examinar el reporte de sensibilidad.
Para el caso actual, la columna clave de la figura 4 es el precio anticipado. El precio
anticipado es un valor que expresa la sensibilidad de la función objetivo (en nuestro
caso, el costo) con una unidad que cambia una de las restricciones (estándares calidad-
agua). Por tanto, representa el costo adicional en que se incurrirá al hacer los estándares
más restrictivos. Para nuestro ejemplo, revela que el precio anticipado más grande, -
$440/cS3, ocurre para uno de los cambios de estándar (es decir corriente debajo de la
ciudad 3) que se están contemplando. Esto indica que nuestra modificación será costosa.
Esto se confirma cuando se vuelve a ejecutar el Solver con los nuevos estándares
(es decir, se disminuye el valor de las celdas G6 y G7 a G10). Como se muestra en la
tabla 2, el resultado es que el costo del tratamiento aumentó de $12600/diarios a $19
640/diarios. Además, al reducir el estándar de concentraciones para las llegadas
inferiores significará que la ciudad 4 debe comenzar a tratar sus desechos, y que la
ciudad 3 debe actualizar su tratamiento. Observar también que no se efectúa el
tratamiento en las ciudades corriente arriba.
USO DE LINDO
40 - 40 x2 20 - 40 x2 -20
SUBJECT TO
-100X1<=-80
-40X2<=-20
X1>=0
X2>=0
X3>=0
X4>=0
X1<=1
X2<=1
X3<=1
X4<=1
1) 12600.02
X1 0.800000 0.000000
X2 0.500000 0.000000
X3 0.562501 0.000000
X4 0.000000 10000.000000
PROBLEMAS PROPUESTOS
1. Determínese la presión de operación y relación de reciclamiento óptimas, para un
proceso en donde el hidrocarburo de alimentación se mezcla con el reciclado y es
comprimido antes de pasar por un reactor catalítico. El producto y el material no
reaccionado se separan por destilación, reciclando el material no reaccionado. Se
deben escoger la presión P y la relación de reciclamiento R, de manera que se
minimice el costo total anual requerido para producir 10 7 lb al año. La alimentación
se lleva a la presión adecuada con un costo anual de $ 1000, P se mezcla con el
reciclado y se alimenta en el reactor a un costo anual de $4 x 109/PR. El producto es
retirado por un separador a un costo de $105/R al año, y el material no reaccionado se
recicla mediante un compresor de recirculación a un costo anual de $1,5 x 105 R.
2. 100 grmol de R debe producirse por hora de una alimentación que consiste de una
solución saturada de A (CAo = 0,1 grmol/lit)
La reacción es la siguiente
A-----------> R
3. Un evaporador de múltiple efecto se debe usar para evaporar 400 000 lb. de agua/día
de una solución salina. El costo total inicial para el primer efecto es 18 000 dólares y
para cada efecto adicional 15 000 dólares. El periodo de vida útil se estima en 10
años, y el valor de rescate de estas unidades al final de ese periodo se puede
considerar cero. Se debe usar el método de depreciación de la línea recta. Las cargas
fijas menos la depreciación ascienden a 15 % anual basado en el costo inicial del
equipo. El costo del vapor de agua es $0,50/1000 lb. Las cargas de mantenimiento
anual suman 5 % del costo total del equipo, todos los otros costos son
independientes del número de efectos. La unidad debe operar 300 días al año. Si las
libras de agua evaporada por libra de vapor es igual a 0,85N en donde (N es número
de efectos). Determine:
4. Una planta de extracción con solvente funciona con una columna de platos continua
con flujo por gravedad. La unidad debe operar 24 horas diarias. El flujo de
alimentación es 1 500 pies3/día y debe operar 300 días /año. La velocidad promedio
es 40 pies3 de solvente y alimentación combinados por hora y por pie 2 de sección
transversal. Los costos fijos anuales para la instalación pueden estimarse de la
siguiente ecuación:
Determinar el tiempo por ciclo para condiciones de costo total mínimo / año.
8. Suponga que para el ejemplo 9.8, la planta procesadora de gasolina decide producir
una tercera clase de producto con las siguientes características:
Suprema
Materia prima para gasolina 15 m3/tonelada
Tiempo de producción 12 hr/tonelada
Almacenamiento 5 toneladas
Aprovechamiento $250/tonelada
Además suponga que una nueva fuente de materia prima para la gasolina se ha
descubierto, de tal forma que el total disponible se duplica a 154 m3/semana.
9. Diseñe el contenedor cilíndrico óptimo (ver Fig. P9) de tal forma que abra por un
extremo y tenga paredes de espesor insignificante. El contenedor va a almacenar 0,2
m3. Realice el diseño de tal forma que sean mínimos el área del fondo y sus lados.
10. Diseñe el contenedor cónico óptimo (ver Fig. P10) de tal forma que tenga una tapa
y paredes de espesor insignificante. El contenedor va a almacenar 0,2 m 3. Realice el
diseño de modo que tanto su tapa como sus lados sean minimizados.
11. Diseñe el tanque cilíndrico óptimo con tapas semiesféricas (ver Fig. P11). El
contenedor va a almacenar 0,2 m3 y tiene paredes de espesor insignificante. Observe
que el volumen de cada una de las tapas semiesféricas se puede calcular con:
a) Diseñe el tanque de tal forma que el área sea sea minimizada. Interprete el
resultado.
Observar que hay suficiente espacio en los almacenes e la planta para almacenar
un total de 450 kg / a la semana
d) Evalúe cual de las siguientes opciones aumentará más las utilidades: incrementar
la materia prima, el tiempo de producción o el almacenamiento
Los productos dan utilidades de $2 500, – $50 3 y $200 por tonelada para Z1, Z2 y
Z3 respectivamente. Observe que al producir Z2 se obtiene de hecho una pérdida. El
costo del proceso de tratamiento es de $300 por tonelada. Además, la compañía tiene
acceso a un límite de 7 500 y 10 000 toneladas de X y Y durante el periodo de
producción. Determine qué cantidad de productos y desechos se deben crear para
maximizar las utilidades.
Fig. P. 15
(p. 15)
BIBLIOGRAFÍA
1. Contemporary Engineering Economics
3. Ingeniería económica
6. Evaluación de proyectos
Baca Urbina Gabriel Ed. McGraw Hill,1995
7. Matemáticas financieras