Professional Documents
Culture Documents
Orientadores
Prof. Fernando Luiz Pellegrini Pessoa, DSc
Brenno Castrillon Menezes, DSc
Janeiro de 2018
REFORMULAÇÃO LINEAR PARA CÁLCULO DE
MISTURAS NÃO LINEARES USANDO FATORES DE
QUALIDADE NA INDÚSTRIA DE PROCESSOS
Aprovado por:
________________________________________
Raquel Massad Cavalcante, DSc
________________________________________
Hugo Gomes D’Amato Villardi, DSc
________________________________________
Henrique Plaudio Gonçalves Rangel, BSc
Orientado por:
________________________________________
Fernando Luiz Pellegrini Pessoa, DSc
________________________________________
Brenno Castrillon Menezes, DSc
Obrigado aos meus pais Jefferson Vilasboas e Elizabeth Salvador e minha irmã,
Amanda Salvador, por serem a minha família e me darem educação e suporte durante meus
primeiros anos de vida.
Obrigado aos meus amigos Alexandre Arraes e Felipe Cabo; vocês me ajudaram
imensamente a me tornar o homem que eu sou.
Obrigado Rodrigo Nogueira e Felipe Adrião. Dois amigos que definem motivação e
raça e me ensinaram o significado de resiliência com suas histórias de superação.
Obrigado Monique Godinho pela sua visão de doutoranda fora da área de engenharia
necessária para deixar a monografia o mais claro possível.
Agradeço ao meu orientador Fernando Pellegrini e ao meu coorientador Brenno
Castrillon. Fernando foi essencial para me conectar ao tema da monografia e Brenno me deu
conteúdo que nunca aprenderia na graduação além de fornecer todas as referências para realizar
o presente trabalho.
Agradeço também ao Jeffrey Kelly, criador do programa IMPL e fundador do IAL, por
me disponibilizar a licença gratuita do software para a execução dos resultados necessários para
a monografia além de contribuir ao mundo científico com suas pesquisas.
“A winner is just a loser who tried one more time.”
(George M. Moore, Jr.)
Resumo da Monografia apresentada à Escola de Química como parte dos requisitos
necessários para obtenção do grau de Engenheiro Químico.
Janeiro, 2018
January, 2018
In the chemical industry, there is a continuing effort to minimize cost or maximize profit
with the development of optimization schedules. In any process industry, with the modeling
and solution of the quantity-logic-quality phenomenon, the best operations of the logistics and
productive chains are possible to be achieved. On the quantity axis, flowrates, flows and inven-
tories must be adjusted while taking into account the hydraulic and inventory capacity of the
plant. On the logical axis, decision variables are programmed to choose the best resource allo-
cation to the plant, the most profitable operational mode, the best process sequence, among
others. Finally, on the quality axis, the qualities (properties, composition and conditions of the
material) form the specifications that the algorithm will achieve. The quality axis, which acts
mainly in the process of blending raw materials, intermediate streams and products, will be the
object of study to reach higher profit matching the quality specifications of process feeds and
products.
With the knowledge of the quantity-logic-quality phenomenon, many authors have de-
veloped several techniques for solving the blending problem (quality) and for the scheduling
problem (logistics or quantity + logic), however, their models do not apply for real industrial
scale applications because of their algorithm complexity by additional number of variables or
very time consuming.
In this monograph, a linear reformulation is proposed to approximate non-convex con-
straints of the nonlinear blending of streams. This simpler and faster reformulation makes ex-
plicit the terms named here by factors, which are the fixed properties of material, found in
traditional linear models. The quality factor of the material is multiplied by its flow yielding
the factor-flow, which is balanced around an unit-operation for each quality. The LP factor,
named for the proposed linear reformulation, can be used for blending problems or for blend
scheduling problems. The first case uses LP modeling, in which only continuous variables are
used, while the second case uses MILP modeling, in which integer and continuous variables
are used.
To illustrate the LP factor, we create a blend-shop of heavy fuel oil by adding to the
vacuum residue diluents such as light atmospheric gas oil and light cycle gas oil. The purpose
of this blend-shop is to transform the vacuum residue into a higher market value product using
as little diluent as possible. To correct the calculated factor-flows biases for qualities which are
not varying linearly with the amounts of the raw materials, we use an improved successive
substitution in this reformulation, and therefore it is possible to meet the product quality speci-
fications.
Figura 3.2 Produção por mistura de óleo combustível pesado (HFO) usando fatores 22
Figura 4.1 Método SS aplicado ao exemplo da mistura HFO para concentração de enxofre
(ver seção 6) 26
Figura 4.3 Algoritmo de substituição sucessiva (SS) usando fatores como aproximações
de qualidade ou substitutos 28
Figura 5.2 Produção de mistura de óleo combustível pesado (HFO) usando fatores em
UOPSS 32
DEA Dietanolamina
FCC Craqueamento Catalítico em Leito Fluidizado
FQLQ Fenômeno Quantidade-Lógica-Qualidade
GLP Gás Liquefeito de Petróleo
GOL Gasóleo Leve
GOP Gasóleo Pesado
HFO Óleo Combustível Pesado
HFOB Misturador de Óleo Combustível Pesado
IAL Industrial Algorithms Limited
IML Industrial Modeling Language
IMPL Industrial Modeling and Programming Language
LAGO Gasóleo Atmosférico Leve
LCGO Gasóleo de Ciclo Leve
LP Programação Linear
MILP Programação Linear Inteira Mista
MINLP Programação Não Linear Inteira Mista
NLP Programação Não Linear
PIMS Process Industry Modeling System
RAM Memória de Acesso Aleatório
RAT Resíduo Atmosférico
RPMS Refining and Petrochemical Modeling System
RVP Pressão de Vapor Reid
SG Massa Específica
SLP Programação Linear Sucessiva
SS Substituição Sucessiva
TLR Técnica de Linearização-Reformulação
UOPSS Superestrutura de Porta-Estado de Unidade-Operação
VR Resíduo de Vácuo
NOMENCLATURA
VARIÁVEIS
Símbolo Descrição
𝑓𝑗 𝑆 ,𝑝,𝑡 fator-fluxo de carência ou excedente
𝑣𝑖,𝑝,𝑡 propriedade baseada em volume 𝑝 na porta-estado de entrada 𝑖 no tempo 𝑡
𝑣𝑗,𝑝,𝑡 propriedade baseada em volume 𝑝 na porta-estado de saída 𝑗 no tempo 𝑡
𝑣𝑖,𝑆𝐺,𝑡 massa específica baseada em volume 𝑝 na porta-estado de entrada 𝑖 no tempo 𝑡
𝑤𝑖,𝑝,𝑡 propriedade baseada em massa 𝑝 na porta-estado de entrada 𝑖 no tempo 𝑡
𝑤𝑗,𝑝,𝑡 propriedade baseada em massa 𝑝 na porta-estado de saída 𝑗 no tempo 𝑡
𝑥𝑖,𝑡 fluxo na entrada 𝑖 no tempo t
𝑥𝑗,𝑡 fluxo na saída 𝑗 no tempo t
𝑥𝑗,𝑖,𝑡 fluxo de porta-estado de unidade-operação entre 𝑗 e 𝑖 no tempo 𝑡
𝑥𝑗 𝑆,𝑝,𝑡 carência ou excedente
𝑥𝑚,𝑡 fluxo de unidade-operação 𝑚 no tempo 𝑡
𝑥ℎ𝑚,𝑡 fluxo de unidade-operação de reservatório 𝑚 no tempo 𝑡
𝑦𝑗,𝑖,𝑡 configuração (binária) de porta-estado de unidade-operação entre 𝑗 e 𝑖 no tempo 𝑡
𝑦𝑚,𝑡 configuração (binária) de unidade-operação 𝑚 no tempo 𝑡
𝑧𝑠𝑢𝑚,𝑡 unidade-operação de começo 𝑚 no tempo 𝑡
𝑧𝑠𝑤𝑚,𝑡 unidade-operação de muda-para-si-mesmo 𝑚 no tempo 𝑡
𝑧𝑠𝑑𝑚,𝑡 unidade-operação de desligamento 𝑚 no tempo 𝑡
PARÂMETROS
Símbolo Descrição
̅
𝑓𝑖,𝑝,𝑡 fator na entrada 𝑖, propriedade 𝑝 e tempo 𝑡
̅
𝑓𝑗,𝑝,𝑡 fator na saída 𝑗, propriedade 𝑝 e tempo 𝑡
𝐿 limite inferior do rendimento para a porta-estado de entrada 𝑖 de 𝑚 no tempo 𝑡
𝑟̅𝑖,𝑡
𝑈 limite superior do rendimento para a porta-estado de entrada 𝑖 de 𝑚 no tempo 𝑡
𝑟̅𝑖,𝑡
𝐿 limite inferior do rendimento para a porta-estado de saída 𝑗 de 𝑚 no tempo 𝑡
𝑟̅𝑗,𝑡
𝑈 limite superior do rendimento para a porta-estado de saída 𝑗 de 𝑚 no tempo 𝑡
𝑟̅𝑗,𝑡
𝐿 limite inferior para propriedade baseada em volume 𝑝 na porta-estado de entrada
𝑣̅ 𝑖,𝑝,𝑡
𝑖 de 𝑚 no tempo 𝑡
𝑈 limite superior para propriedade baseada em volume 𝑝 na porta-estado de
𝑣̅ 𝑖,𝑝,𝑡
entrada 𝑖 de 𝑚 no tempo 𝑡
𝐿
𝑣̅ 𝑖,𝑆𝐺,𝑡 limite inferior para massa específica baseada em volume SG na porta-estado de
entrada 𝑖 de 𝑚 no tempo 𝑡
𝑈
𝑣̅ 𝑖,𝑆𝐺,𝑡 limite superior para massa específica baseada em volume SG na porta-estado de
entrada 𝑖 de 𝑚 no tempo 𝑡
𝐿 limite inferior para propriedade baseada em volume 𝑝 na porta-estado de saída 𝑗
𝑣̅𝑗,𝑝,𝑡
de 𝑚 no tempo 𝑡
𝑈 limite superior para propriedade baseada em volume 𝑝 na porta-estado de saída 𝑗
𝑣̅𝑗,𝑝,𝑡
de 𝑚 no tempo 𝑡
𝐿
𝑣̅𝑗,𝑆𝐺,𝑡 limite inferior para massa específica baseada em volume SG na porta-estado de
saída 𝑗 de 𝑚 no tempo 𝑡
𝑈
𝑣̅𝑗,𝑆𝐺,𝑡 limite superior para massa específica baseada em volume SG na porta-estado de
saída 𝑗 de 𝑚 no tempo 𝑡
𝐿 limite inferior para propriedade baseada em massa 𝑝 na porta-estado de entrada 𝑖
𝑤
̅𝑖,𝑝,𝑡
de 𝑚 no tempo 𝑡
𝑈 limite superior para propriedade baseada em massa 𝑝 na porta-estado de entrada
𝑤
̅𝑖,𝑝,𝑡
𝑖 de 𝑚 no tempo 𝑡
𝐿 limite inferior para propriedade baseada em massa 𝑝 na porta-estado de saída 𝑗
𝑤
̅𝑗,𝑝,𝑡
de 𝑚 no tempo 𝑡
𝑈 limite superior para propriedade baseada em massa 𝑝 na porta-estado de saída 𝑗
𝑤
̅𝑗,𝑝,𝑡
de 𝑚 no tempo 𝑡
𝐿
𝑥̅ 𝑚,𝑡 limite inferior para fluxo da unidade-operação 𝑚 no tempo 𝑡
𝑈 limite superior para fluxo da unidade-operação 𝑚 no tempo 𝑡
𝑥̅ 𝑚,𝑡
̅̅̅ 𝐿
𝑥ℎ𝑚,𝑡 limite inferior para fluxo de reservatório da unidade-operação 𝑚 no tempo 𝑡
̅̅̅ 𝑈
𝑥ℎ𝑚,𝑡 limite superior para fluxo de reservatório da unidade-operação 𝑚 no tempo 𝑡
𝐿 limite inferior para fluxo da corrente entre 𝑗 e 𝑖 no tempo 𝑡
𝑥̅𝑗,𝑖,𝑡
𝑈 limite superior para fluxo da corrente entre 𝑗 e 𝑖 no tempo 𝑡
𝑥̅𝑗,𝑖,𝑡
SOBRESCRITOS
Símbolo Descrição
𝐿 limite inferior
𝑈 limite superior
̅ fixação de variável
SUBSCRITOS
Símbolo Descrição
𝑖 porta-estado de entrada
𝑡 período de tempo
SUMÁRIO
1 INTRODUÇÃO 1
1.1 MOTIVAÇÃO 1
1.2 PROPOSTA DE TRABALHO 4
2 REVISÃO DE LITERATURA 5
2.1 REFINARIA DE PETRÓLEO 5
2.1.1 Petróleo 5
2.1.2 Processos 6
2.1.2.1 Unidade de destilação 7
2.1.2.1.1 Frações da unidade de destilação 10
2.1.2.2 Desasfaltação a propano 12
2.1.2.3 Coqueamento retardado 12
2.1.2.4 Craquemento catalítico em leito fluidizado 13
2.1.2.4.1 Gasóleo de Ciclo Leve (LCGO) 15
2.2 PROGRAMAÇÕES DE OTIMIZAÇÃO PARA PRODUÇÃO EM REFINARIA 15
3 REFORMULAÇÃO LP PARA APROXIMAR MISTURA NLP NÃO
CONVEXA 20
3.1 REFORMULAÇÃO LP TRADICIONAL 20
3.2 REFORMULAÇÃO LP USANDO FATORES 22
4 SUBSTITUIÇÃO SUCESSIVA (SS) PARA CORRIGIR FATOR LP E
DIFERENÇAS DE MISTURA NÃO LINEAR 25
5 FÓRMULAS DE MISTURA NA UOPSS: REFORMULAÇÃO NLP E LP
USANDO FATORES 29
5.1 MISTURA NLP 30
5.2 MISTURA FATOR LP 31
6 PRODUÇÃO DE MISTURA DE HFO USANDO AS ABORDAGENS
FATOR LP E NLP 33
6.1 CÁLCULO DOS FLUXOS DE LAGO E LCGO 33
6.2 ANÁLISE ECONÔMICA 36
7 CONCLUSÃO 38
REFERÊNCIAS 39
GLOSSÁRIO 43
APÊNDICE A — PROGRAMAÇÃO DE MISTURA MILP COM FATORES
DE QUALIDADE 44
APÊNDICE B — PROGRAMAÇÃO DE MISTURA NLP 50
ANEXO A — IML QUE CONFIGURA O PROBLEMA HFO LINEAR 51
ANEXO B — IML QUE CONFIGURA O PROBLEMA HFO NÃO LINEAR 54
ANEXO C — EQUAÇÕES GERADAS PELO IMPL A PARTIR DA
CONFIGURAÇÃO IML DO HFO LINEAR 58
ANEXO D — EQUAÇÕES GERADAS PELO IMPL A PARTIR DA
CONFIGURAÇÃO IML DO HFO NÃO LINEAR 59
1
1 INTRODUÇÃO
1.1 MOTIVAÇÃO
2012). Nas indústrias, tipicamente é otimizado o processo de mistura, mas não a produção
(VASBINDER; KELLY, 2005). A atividade de otimização da produção é feita manual e
diariamente para atingir continuamente estoques de matérias-primas e demandas de produção.
Isso tem motivado diversos autores a criarem modelos capazes de realizarem tal
otimização. Entretanto, os modelos criados são viáveis se utilizadas para resolução de
problemas de pequena escala. Em escala industrial, bem mais complexo, não há muitos testes
bons dos algoritmos criados (BERTHOLD, 2014). A explicação desse fato está na formulação
dos modelos que incluem diversas variáveis para serem executadas, tornando o programa lento.
Assim, torna-se necessário uma reformulação desse modelo, mais simples, capaz de resolver
problemas industriais em um tempo razoável. Tabelas 1.1 e 1.2 mostram a quantidade de
variáveis (contínuas para o processo de mistura e binárias para a decisão logística) e de
restrições presentes em uma programação de mistura de um exemplo em escala industrial.
Tabela 1.1 — Quantidade de variáveis contínuas e binárias na programação de mistura de gasolina comum e
premium em escala industrial
Variáveis Contínuas Binárias
Em uma máquina Intel Core i7 a 3,4 GHz com 64 GB de Memória de Acesso Aleatório
(RAM), em 485,74 s ou aproximadamente 8 min essa programação de mistura é resolvida
usando o Industrial Modeling and Programming Language (IMPL), plataforma de modelagem
e resolução de orientação semântica da Industrial Algorithms Limited (IAL). O IMPL tem
embutido o Industrial Modeling Language (IML) que modela as equações do problema.
4
2 REVISÃO DE LITERATURA
2.1.1 Petróleo
2.1.2 Processos
Gás combustível é a mistura de gases rica em metano e etano com teores menores de
propano e butano, além de gases inorgânicos como o gás sulfídrico (H2S). É a fração mais leve
do petróleo e de menor rendimento na destilação.
O GLP é a mistura formada basicamente por hidrocarbonetos de três a quatro átomos
de carbono, que embora gasosos a pressão atmosférica, são comercializados no estado líquido,
por estarem sob pressões da ordem de 10 Kgf/cm² ou por volta de 106 Pa. Sua maior utilização
é como combustível doméstico, mas também é usado como matéria-prima na petroquímica,
como constituinte de gasolina de aviação e como veículo propelente para aerossóis.
Nafta é o termo genérico usado para frações leves do petróleo, que abrange a faixa de
destilação dos produtos comerciais gasolina e querosene. A nafta obtida na destilação é
chamada nafta direta e pode ser fracionada em duas ou três outras naftas conhecidas como
naftas leve e pesada ou naftas leve, intermediária e pesada. O fracionamento da nafta em dois
ou três cortes depende da aplicação final. Pode ser constituinte da gasolina automotiva (em
baixa proporção), matéria-prima na petroquímica, produção de solventes industriais, entre
outros.
Querosene é normalmente constituído de hidrocarbonetos predominantemente
parafínicos de nove a dezessete átomos de carbono. Dependendo do petróleo, esta corrente é
misturada aos gasóleos atmosféricos para geração de óleo diesel ou é usada como querosene de
aviação (produção comercial restrita a alguns petróleos devido às suas características especiais).
Gasóleos Atmosféricos constituem uma fração composta por hidrocarbonetos com faixa
de ebulição podendo variar de 150 a 400 °C e possui uma composição química variada quanto
à distribuição dos hidrocarbonetos parafínicos, naftênicos e aromáticos. São obtidos
separadamente na coluna atmosférica em dois cortes (normalmente em função da otimização
da configuração da torre) e por isso são identificados como leve e pesado. Seu maior uso é
como combustível de motores a diesel, por isso essas frações também são chamadas de diesel
leve e pesado. O diesel leve é chamado de LAGO nesta monografia e esta corrente de processo
será utilizada para o estudo mostrado nas seções seguintes.
Gasóleos de vácuo só passaram a ser obtidos na destilação do petróleo quando a
indústria automotiva passou a exigir um combustível em maior quantidade e melhor qualidade,
sendo necessário uma matéria-prima mais leve que o RAT para craqueamento catalítico em
leito. Assim como os gasóleos atmosféricos, são retirados, normalmente, em dois cortes
identificados, similarmente, como Gasóleo Leve (GOL) e Gasóleo Pesado (GOP). O GOL pode
11
O resíduo da destilação a vácuo pode conter um gasóleo de alta viscosidade. Nesse caso,
pode-se tratá-lo segundo um processo de separação que consiste no uso de propano líquido a
alta pressão como agente de extração. Esse tipo de gasóleo não pode ser obtido através de
destilação, justificando, assim, o uso do processo de desasfaltação a propano em função de seu
bom poder solvente e seletividade. O principal produto é o óleo desasfaltado, que pode ser
incorporado ao gasóleo de vácuo na produção de combustíveis, sendo para isso enviado à
unidade de craqueamento catalítico. Se o objetivo for a produção de lubrificantes, o produto
desasfaltado constitui um óleo de cilindro, que será submetido a processos posteriores para
melhoria de sua qualidade. Nesse caso, é importante observar a faixa de viscosidade do gasóleo
produzido. Trata-se de um processo relativamente simples, formado por três seções principais:
extração, recuperação de extrato e recuperação do rafinado.
Figura 2.2 mostra o fluxograma desse processo.
frações depreciadas, como VR, são transformadas em outras de maior valor comercial, como
GLP, nafta, diesel e gasóleo. Em particular, o coque de petróleo mostra-se como um excelente
material componente de eletrodos na indústria de produção de alumínio e na metalurgia de um
modo geral.
Figura 2.3 esquematiza o processo de coqueamento retardado.
processo de grande versatilidade e alta rentabilidade, que requer alto investimento, e destinado
principalmente à obtenção de gasolina de alta octanagem, obtida na faixa de 50% a 60% em
volume em relação à carga processada.
A evolução do processo começou desde craqueamento térmico, seguido de
craqueamento catalítico em leito fixo, para craqueamento em leito móvel até chegar no FCC.
A unidade FCC é constituída de quatro seções. A seção de reação é composta por equipamentos
de reação e regeneração de catalisador para promoção das reações químicas do processo. A
seção de fracionamento promove a separação do efluente do reator em vários produtos, bem
como recupera e recicla parte dos gasóleos não-convertidos. A seção de recuperação de gases
promove a separação de frações leves convertidas segundo cortes de gasolina, GLP e gás
combustível. Por fim, a seção de tratamentos promove o tratamento da gasolina, GLP e gás
combustível para possibilitar sua comercialização ou transformação posterior em outros
produtos, com uma sensível redução em seu teor de enxofre.
A fluidização tornou o processo de craqueamento muito mais eficaz nas refinarias, pois
sua produção pode ser ajustada de acordo com as necessidades do mercado local, segundo um
processo econômico, que promove a conversão de frações residuais de baixo valor agregado
em frações mais nobres, como o GLP e a gasolina.
Figura 2.4 esquematiza o processo geral de craqueamento catalítico.
às decisões de atribuição de tarefas em certos eventos, ou para algum aspecto específico de cada
subproblema.
Da análise anterior, é possível observar que uma variedade de abordagens de
programação matemática está disponível para o problema de mistura e de programação de
produção de curto prazo. Entretanto, a fim de reduzir a dificuldade inerente ao problema de se
criar um algoritmo eficaz e eficiente de otimização, a maioria das abordagens depende de
hipóteses especiais que geralmente produzem uma solução ineficiente ou irrealista para casos
no mundo real. Algumas das hipóteses comuns são:
(a) especificações fixas para diferentes classes de produto pré-definidas;
(b) vazões de componente e de produto conhecidas e constantes;
(c) todas as propriedades do produto lineares.
Por outro lado, MINLPs mais gerais são capazes de considerar a maior parte das
características do problema com algoritmos heurísticos, sendo que esses algoritmos são
formulados de forma a encontrar boas soluções a maioria das vezes, mas sem garantias de que
sempre encontrará ou a ter processamento computacional rápido, mas sem provas de que será
rápido para todas as situações (BERTHOLD, 2014). Contudo, como observado por diversos
autores, solucionar aspectos logísticos e de qualidade para problemas de larga escala não é
possível em um tempo razoável com os atuais códigos MINLPs e técnicas globais de otimização
(JIA; IERAPETRITOU, 2003; KELLY; MANN, 2003a,b), o que prova que o modelo MINLP
está entre os problemas de otimização mais desafiadores na programação matemática
(BERTHOLD, 2014). O maior problema são as restrições não convexas e não lineares nas quais
o desempenho computacional é bastante dependente dos valores iniciais e das fronteiras
atribuídos às variáveis do modelo.
Para contornar esse problema, aplicado ao subproblema da gasolina (escolha feita
devido à participação de 60-70% do lucro total da refinaria), Méndez et al. (2006) propuseram
uma formulação MILP sequencial que substitui a formulação MINLP muito complexa por
aproximação. O procedimento iterativo lida com as propriedades não lineares da gasolina e com
as receitas variáveis para diferentes classes de produto, garantindo a linearidade do modelo. No
entanto, ainda há o uso de tentativa e erro no procedimento inicial durante a fase de pré-
otimização, sendo utilizada receitas preferenciais para inicialização.
Em resumo, a principal estratégia na literatura tem sido a decomposição do modelo
MINLP em um procedimento de duas etapas (CASTRO; GROSSMANN, 2014; JIA;
IERAPETRITOU; KELLY, 2003; KELLY et al., 2017; MENEZES; KELLY; GROSSMANN,
2015; MOURET; GROSSMANN; PESTIAUX, 2009). Nesse algoritmo, as relações
19
pela restrição baseada em volume (3.1) e pela restrição baseada em massa (3.2) onde SG
significa massa específica. Esses balanços de qualidade completos ou adequados de variáveis
baseadas em volume e em massa na saída 𝑗 do misturador (𝑣𝑗,𝑝,𝑡 e 𝑤𝑗,𝑝,𝑡 , respectivamente)
representam os termos bilineares (termo com duas variáveis) e trilineares (termo com três
variáveis) pelo produto entre quantidades extensivas em volume (𝑥𝑖,𝑡 ) e propriedades intensivas
(𝑣𝑖,𝑝,𝑡 e 𝑤𝑖,𝑝,𝑡 ) dos fluxos de estoque (QUESADA; GROSSMANN, 1995). O termo não linear
no lado esquerdo da equação (3.1) está relacionado ao produto da propriedade do material
misturado 𝑣𝑗,𝑝,𝑡 e o somatório dos fluxos de entrada 𝑥𝑖,𝑡 , representada por 𝑥𝑗,𝑡 . No lado esquerdo
da equação (3.2), a não linearidade (trilinear) está no produto da propriedade baseada em massa
𝑤𝑗,𝑝,𝑡 e da soma da massa acumulada de entrada 𝑣𝑖,𝑆𝐺,𝑡 𝑥𝑖,𝑡 , produzindo 𝑣𝑗,𝑆𝐺,𝑡 𝑥𝑗,𝑡 .
𝐿 𝑈 (3.3)
𝑣̅𝑗,𝑝,𝑗 𝑥𝑗,𝑡 ≤ ∑ 𝑣̅𝑖,𝑝,𝑡 𝑥𝑖,𝑡 ≤ 𝑣̅𝑗,𝑝,𝑡 𝑥𝑗,𝑡 ∀ 𝑗, 𝑝 ∈ 𝑃𝑣 , 𝑡
𝑖
𝐿 𝐿 𝑈 𝑈 (3.4)
𝑤
̅𝑗,𝑝,𝑡 𝑣̅𝑗,𝑆𝐺,𝑗 𝑥𝑗,𝑡 ≤ ∑ 𝑤
̅𝑖,𝑝,𝑡 𝑣̅𝑖,𝑆𝐺,𝑡 𝑥𝑖,𝑡 ≤ 𝑤
̅𝑗,𝑝,𝑡 𝑣̅𝑗,𝑆𝐺,𝑗 𝑥𝑗,𝑡 ∀ 𝑗, 𝑝 ∈ 𝑃𝑤 , 𝑡
𝑖
Figura 3.2 — Produção por mistura de óleo combustível pesado (HFO) usando fatores.
23
̅ 𝑥𝑖,𝑡 = 𝑓𝑗,𝑝,𝑡
∑ 𝑓𝑖,𝑝,𝑡 ̅ 𝑥𝑗,𝑡 + 𝑥𝑗 𝑠 ,𝑝,𝑡 ∀ 𝑗, 𝑗 𝑠 , 𝑝, 𝑡 (3.5)
𝑖
volumétrico, o fator de massa específica é o seu próprio valor (uma vez que é uma propriedade
baseada em volume), o fator de concentração de enxofre é o produto da massa específica e da
concentração de enxofre (uma vez que é uma propriedade baseada em massa) e o fator de ponto
de fulgor e de viscosidade é representado pelo índice de propriedades (também baseado em
volume).
Considerando estas transformações de propriedade ou índices para seus respectivos
fatores, a proposição do fator LP deste trabalho aborda o balanço do fator-fluxo (fatores
multiplicados por fluxos) na equação (3.5) em toda a unidade-operação do misturador. Esta é a
principal simplificação no modelo, uma vez que o perfil da curvatura não linear (devido às
derivadas dos termos bilineares e trilineares) é negligenciado nas variações de propriedades
misturadas baseadas em volume e em massa, embora isso possa ser contornado por uma
Substituição Sucessiva (SS) melhorada com o suporte do modelo de fator LP apresentado na
seção 4. Ao considerar as propriedades fixas ou fatores como na equação (3.5), a relação de
mistura das propriedades baseadas em volume (por exemplo, SG) varia linearmente com os
fluxos das matérias-primas 𝑥𝑖,𝑡 , embora para propriedades baseadas em massa (por exemplo,
concentração de enxofre (S)) o fator do produto SG e S contém um perfil não linear com relação
a 𝑥𝑖,𝑡 (fluxo volumétrico) como será visto na seção a seguir.
25
Figura 4.1 — Método SS aplicado ao exemplo da mistura HFO para concentração de enxofre (ver seção 6).
Os gráficos das Figuras 4.1 e 4.2 mostram a propriedade baseada em massa para
concentração de enxofre usando os resultados do fator LP para simular os valores dos produtos
27
Figura 4.3 — Algoritmo de substituição sucessiva (SS) usando fatores como aproximações de qualidade ou
substitutos.
29
casos LP e NLP. Essas variáveis são responsáveis pela programação de produção do processo
de uma indústria. No escopo desse trabalho, as variáveis binárias serão ativas (fixadas em 1)
tanto no LP quanto no NLP do HFO, reduzindo a abrangência a um problema de mistura
somente. No caso industrial, as variáveis binárias variam.
A restrição baseada em volume (5.1) e a restrição baseada em massa (5.2) nas portas-
estado de saída 𝑗 do misturador (𝑣𝑗,𝑝,𝑡 e 𝑤𝑗,𝑝,𝑡 , respectivamente) representam os termos
bilineares e trilineares do produto das quantidades extensivas (𝑥𝑗 ′ ,𝑖,𝑡 ) e das propriedades
intensivas (𝑣𝑗 ′ ,𝑝,𝑡 e 𝑤𝑗 ′ ,𝑝,𝑡 ) dos fluxos de estoque. Esses fluxos deixam as portas-estado de saída
𝑗 ′ das unidade-operações upstream e chegam às portas-estado de entrada 𝑖 do misturador com
𝑣𝑖,𝑝,𝑡 e 𝑤𝑖,𝑝,𝑡 como variáveis de propriedade. Se não houver mistura nessas entradas
independentes antes de serem misturadas na unidade-operação HFOB, as propriedades nas
portas-estado 𝑖 são as mesmas das correntes conectadas que chegam de 𝑗 ′ , portanto 𝑣𝑖,𝑝,𝑡 =
𝑣𝑗 ′ ,𝑝,𝑡 e 𝑤𝑖,𝑝,𝑡 = 𝑤𝑗 ′ ,𝑝,𝑡 . O outro termo não linear na equação (5.1) está relacionado ao produto
entre a propriedade de massa específica do material misturado 𝑣𝑗,𝑝,𝑡 e cada termo do somatório
de fluxo de setas 𝑥𝑗,𝑖 ′′ ,𝑡 saindo da porta-estado de saída 𝑗 do misturador. Na equação (5.2), os
31
termos trilineares estão no produto entre a propriedade baseada em massa 𝑤𝑗,𝑝,𝑡 e cada termo
da soma de sua massa acumulada 𝑣𝑗,𝑆𝐺,𝑡 𝑥𝑗,𝑖 ′′ ,𝑡 .
̅ ∑ 𝑥𝑗 ′ ,𝑖,𝑡 = 𝑓𝑗,𝑝,𝑡
∑ 𝑓𝑖,𝑝,𝑡 ̅ ∑ 𝑥𝑗,𝑖 ′′ ,𝑡 + 𝑥𝑗 𝑠 ,𝑝,𝑡 ∀ 𝑗, 𝑗 𝑠 , 𝑝, 𝑡 (5.3)
𝑖 𝑗′ 𝑖 ′′
pois a transformação de propriedade para índice de propriedade pode mudar números positivos
para negativos.
Figura 5.2 — Produção de mistura de óleo combustível pesado (HFO) usando fatores em UOPSS.
33
Também conhecido como Óleo Combustível Marinho, HFO é tipicamente uma mistura
de LAGO e LCGO com VR como visto nas figuras 3.1, 3.2, 5.1 e 5.2. Para refinarias de petróleo
sem Coqueamento Retardado, Viscorredução, etc. pode haver quantidade significativa de VR
produzida de uma unidade de destilação a vácuo que precisa ser misturado com um fluxo de
diluente (nesse caso será usado LAGO e LCGO) para reduzir a viscosidade do óleo
combustível. HFO é considerado um sub-produto já que seu preço de mercado é menor do que
o custo de petróleo bruto e por isso é importante não aumentar muito o fluxo de LAGO/LCGO
que podem se tornar produtos de maior valor agregado como o diesel.
Para isso, é feito uma produção de mistura de HFO usando o modelo de fator LP para
calcular os fluxos de LAGO e de LCGO (seção 6.1) que maximizarão o lucro (seção 6.2).
negligenciados embora estes podem ser usados para compensar a incerteza estimada do
processo e da medição no sistema.
Tabela 6.2 — Fatores-fluxos para a mistura LP de óleo combustível pesado (diagrama na Figura 4.3).
Fluxo DENS SULF
(m³·d-1) (m³·d-1 ·kg·m-³) (m³·d-1·kg·m-³ ·% m/m)
LAGO 237,6190 201,9761 161,5809
LCGO 500,0000 490,0000 490,0000
VR 800,0000 824,0000 4120,0000
HFO 1537,6190 1515,9761 4771,5809
Especificação .. 1552,9952 5047,2343
Carência ou excedente .. -37,0190 -275,6534
Delta de índice ou de
.. -0,0241 -0,1818
propriedade
Índice ou propriedade calculada
.. 0,9859 3,0682
(linear)
Índice ou propriedade calculada
.. 0,9859 3,1475
(não linear)
% (linear - não linear)/não linear .. 0,00% 2,52%
FLSH VISC
(m³·d-1 ·[índice]) -1
(m³·d ·[índice])
LAGO 72678,4244 -7456,9071
LCGO 25333,4371 -14046,6800
VR 246,0289 -1777,5034
HFO 98257,8903 -23281,0904
Especificação 172059,5622 -23281,0904
Carência ou excedente -73801,6718 0,0000
Delta de índice ou de
-47,9974 0,0000
propriedade
Índice ou propriedade calculada
63,9026 -15,1410
(linear)
Índice ou propriedade calculada
63,9069 -15,1410
(não linear)
% (linear - não linear)/não linear 0,01% 0,00%
7 CONCLUSÃO
REFERÊNCIAS
BERTHOLD, T. Heuristic Algorithms in Global MINLP Solvers. Berlin: Verlag Dr. Hut,
2014. p. 308.
CERDÁ, J.; PAUTASSO, P. C.; CAFARO, D. C. A Cost-Effective Model for the Gasoline
Blend Optimization Problem. AIChE J., sep. 2016, v. 62, n. 9. p. 3002-3019.
CERDÁ, J.; PAUTASSO, P. C.; CAFARO, D. C. Optimizing Gasoline Recipes and Blend-
ing Operations using Nonlinear Blend Models. Ind. Eng. Chem. Res., jun. 2016. p. 7782-
7800.
CLAUSEN, J. Branch and Bound Algorithms - Principles and Examples. University of Co-
penhagen. mar. 1999. p. 30.
JIA, Z.; IERAPETRITOU, M.; KELLY, J. D. Refinery Short-Term Scheduling Using Con-
tinuous Time Formulation: Crude-Oil Operations. Ind. Eng. Chem. Res., v. 42, 2003. p.
3085-3097.
JOLY, M. Refinery Production Planning and Scheduling: The Refining Core Busi-
ness. Braz. J. Chem. Eng., São Paulo, v. 29, n. 2, jun. 2012. p. 371-384. Disponível em:
<http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0104-
66322012000200017&lng=en&nrm=iso>. Acesso em: 11 jan. 2018.
KELLY, J. D.; MENEZES, B. C.; GROSSMANN, I. E. Decision Automation for Oil and
Gas Well Startup Scheduling using MILP. Comput. Aided Chem. Eng. Elsevier, 2017. v.
40. p. 1399-1404.
MORO, L. F. L.; ZANIN, A. C.; PINTO, J. M. A Planning Model for Refinery Diesel Pro-
duction. Comput. Chem. Eng.. Elsevier, v. 22, 1998. p. S1039-S1042.
SHAH, N. Single- and Multisite Planning and Scheduling: Current Status and Future
Challenges. I n : A I C h E s y m p o s i u m s e r i e s , 320., 1998, [New York]. New York:
AIChE. p. 94.
WENKAI, L. et al. Scheduling Crude-Oil Unloading, Storage and Processing. Ind. Eng.
Chem. Res., v. 41, n. 26, nov. 2002. p. 6723-6734.
42
ZYNGIER, D.; KELLY, J. D. UOPSS: A New Paradigm for Modeling Production Planning
& Scheduling Systems. In: European Symposium on Computer Aided Process Engineering,
22., 2012, London. Proceedings…London: Elsevier, 2012. p. 17-20.
GLOSSÁRIO
Coalescência: Junção de duas ou mais fases formando uma fase em uma mistura multifásica.
Inventário: Nas empresas, são os bens disponíveis em estoque para venda no processo normal
de um negócio, ou a serem utilizados na fabricação de produtos comercializados pela empresa,
e costumam conter a descrição do produto bem como a quantidade existente e o local onde se
encontra.
Otimização não convexa: Problema na qual sua função objetivo e restrições são côncavas.
Uma função côncava é caracterizada por sempre estar acima do segmento de reta na região
entre os dois pontos da função na qual o segmento de reta os une, ou seja, a otimização não
convexa calcula o valor máximo.
Pressão de vapor Reid: Pressão de vapor absoluta exercida por um líquido a 37,8 ºC (100 ºF)
como determinado pelo método de teste ASTM-D-323.
Propriedade intensiva: Grandeza física cujo valor não depende da quantidade da substância
para a qual ela é medida. Exemplos: potencial químico, concentração, densidade, pressão,
temperatura, capacidade calorífica específica, condutividade térmica, entre outros.
44
tal que:
𝐿 𝑈
𝑥̅𝑗,𝑖,𝑡 𝑦𝑗,𝑖,𝑡 ≤ 𝑥𝑗,𝑖,𝑡 ≤ 𝑥̅𝑗,𝑖,𝑡 𝑦𝑗,𝑖,𝑡 ∀ (𝑗, 𝑖) ∈ 𝐽𝐼, 𝑡 (A. 2)
𝐿 𝑈
𝑥̅ 𝑚,𝑡 𝑦𝑚,𝑡 ≤ 𝑥𝑚,𝑡 ≤ 𝑥̅ 𝑚,𝑡 𝑦𝑚,𝑡 ∀ 𝑚 ∉ 𝑀𝑇𝐾 , 𝑡 (A. 3)
̅̅̅ 𝐿
𝑥ℎ𝑚,𝑡 𝑦𝑚,𝑡 ≤ 𝑥ℎ𝑚,𝑡 ≤ ̅̅̅ 𝑈
𝑥ℎ𝑚,𝑡 𝑦𝑚,𝑡 ∀ 𝑚 ∈ 𝑀𝑇𝐾 , 𝑡 (A. 4)
𝐿
∑ 𝑥𝑗 ′ ,𝑖,𝑡 ≥ 𝑥̅ 𝑚,𝑡 𝑦𝑚,𝑡 ∀ (𝑖, 𝑚) ∈ 𝑀𝐷 , 𝑡 (A. 5)
𝑗 ′ ∈𝐽𝐹
𝑈
∑ 𝑥𝑗 ′ ,𝑖,𝑡 ≤ 𝑥̅ 𝑚,𝑡 𝑦𝑚,𝑡 ∀ (𝑖, 𝑚) ∈ 𝑀𝐷 , 𝑡 (A. 6)
𝑗 ′ ∈𝐽𝐹
𝐿
∑ 𝑥𝑗,𝑖 ′′ ,𝑡 ≥ 𝑥̅ 𝑚,𝑡 𝑦𝑚,𝑡 ∀ (𝑚, 𝑗) ∈ 𝑀𝑅𝑀 , 𝑡 (A. 7)
𝑖 ′′ ∈𝐼 𝑆
𝑈
∑ 𝑥𝑗,𝑖 ′′ ,𝑡 ≤ 𝑥̅ 𝑚,𝑡 𝑦𝑚,𝑡 ∀ (𝑚, 𝑗) ∈ 𝑀𝑅𝑀 , 𝑡 (A. 8)
𝑖 ′′ ∈𝐼𝑆
𝐿
∑ 𝑥𝑗,𝑖 ′′ ,𝑡 ≥ 𝑥̅ 𝑚,𝑡 𝑦𝑚,𝑡 ∀ (𝑚, 𝑗) ∈ 𝑀𝐵𝐿 , 𝑡 (A. 9)
𝑖 ′′ ∈𝐼𝐹
46
𝑈
∑ 𝑥𝑗,𝑖 ′′ ,𝑡 ≤ 𝑥̅ 𝑚,𝑡 𝑦𝑚,𝑡 ∀ (𝑚, 𝑗) ∈ 𝑀𝐵𝐿 , 𝑡 (A. 10)
𝑖 ′′ ∈𝐼𝐹
𝐿
∑ 𝑥𝑗 ′ ,𝑖,𝑡 ≥ 𝑟̅𝑖,𝑡 𝑥𝑚,𝑡 ∀ (𝑖, 𝑚) ∈ 𝑀𝐵𝐿 , 𝑡 (A. 11)
𝑗 ′ ∈𝐽 𝑆
𝑈
∑ 𝑥𝑗 ′ ,𝑖,𝑡 ≤ 𝑟̅𝑖,𝑡 𝑥𝑚,𝑡 ∀ (𝑖, 𝑚) ∈ 𝑀𝐵𝐿 , 𝑡 (A. 12)
𝑗 ′ ∈𝐽𝑆
𝐿
∑ 𝑥𝑗,𝑖 ′′ ,𝑡 ≥ 𝑟̅𝑗,𝑡 𝑥𝑚,𝑡 ∀ (𝑚, 𝑗) ∈ 𝑀𝐵𝐿 , 𝑡 (A. 13)
𝑖 ′′ ∈𝐼𝐹
𝑈
∑ 𝑥𝑗,𝑖 ′′ ,𝑡 ≤ 𝑟̅𝑗,𝑡 𝑥𝑚,𝑡 ∀ (𝑚, 𝑗) ∈ 𝑀𝐵𝐿 , 𝑡 (A. 14)
𝑖 ′′ ∈𝐼𝐹
As restrições semi contínuas (A.2) até (A.4) relacionam as variáveis contínuas e binárias
do diagrama representado pela Figura 5.1 para respectivamente:
a) fluxos-quantidades das setas 𝑥𝑗,𝑖,𝑡 para (𝑗, 𝑖) ∈ 𝐼𝐽;
b) cargas de processamento de unidade-operações não tanque 𝑥𝑚,𝑡 (𝑚 ∉ 𝑀𝑇𝐾 );
c) reservatórios ou níveis de inventário 𝑥ℎ𝑚,𝑡 (𝑚 ∈ 𝑀𝑇𝐾 ).
Se suas variáveis binárias 𝑦𝑗,𝑖,𝑡 ou 𝑦𝑚,𝑡 são ativas ou iguais a um (1), essas quantidades
𝐿 𝑈 𝐿 𝑈
(fluxos e reservatórios) variam entre os limites: 𝑥̅𝑗,𝑖,𝑡 e 𝑥̅𝑗,𝑖,𝑡 para 𝑥𝑗,𝑖,𝑡 , 𝑥̅ 𝑚,𝑡 e 𝑥̅ 𝑚,𝑡 para 𝑥𝑚,𝑡
(𝑚 ∉ 𝑀𝑇𝐾 ) e ̅̅̅ 𝐿
𝑥ℎ𝑚,𝑡 e ̅̅̅ 𝑈
𝑥ℎ𝑚,𝑡 para 𝑥ℎ𝑚,𝑡 (𝑚 ∈ 𝑀𝑇𝐾 ). Nas equações de (A.5) até (A.10), quando
a variável binária 𝑦𝑚,𝑡 da unidade-operação 𝑚 (𝑚 ∉ 𝑀𝑇𝐾 ) é ativa, o somatório do fluxo-
quantidade das setas chegando ou saindo das portas-estado devem estar entre os limites da
𝐿 𝑈
unidade-operação (𝑥̅ 𝑚,𝑡 e 𝑥̅ 𝑚,𝑡 ). As equações (A.5) e (A.6) representam a soma das setas
chegando das portas-estado de saída upstream 𝑗 ′ para as portas-estado de entrada 𝑖 (ou
misturadores) de 𝑚 ∈ 𝑀𝑅𝑀 . As equações (A.7) e (A.8) representam a soma das setas chegando
das portas-estado de saída upstream 𝑗 ′ nas portas-estado de entrada 𝑖 (ou misturadores) de 𝑚 ∈
𝑀𝐵𝐿 . As equações (A.9) e (A.10) são a soma das setas saindo das portas-estado de saída 𝑗 (ou
separadores) de 𝑚 em direção às portas-estado de entrada downstream 𝑖 ′′ de outra unidade-
operação.
47
completo na raiz; o algoritmo explora os ramos dessa árvore os quais representam subconjuntos
do conjunto de soluções. Antes de enumerar os candidatos a solução de um ramo, esse ramo é
verificado quanto aos limites superior e inferior estimados da solução ótima e é descartado se
não produz uma solução melhor do que a melhor solução encontrada até agora pelo algoritmo
(CLAUSEN, 1999).
Na equação (A.19), para todas as unidades físicas, no máximo uma unidade-operação
𝑚 (como 𝑦𝑚,𝑡 para procedimentos, modos e tarefas) é permitido em 𝑈𝑚 por vez. O conjunto
𝑈𝑚 representa as unidade-operações 𝑚 dentro da mesma unidade física.
As restrições de transição temporal de (A.20) até (A.22) de acordo com Kelly e Zynger
(2007) controlam a operação do HFOB semi-contínuo. Em uma abordagem de espaço discreto
reduzido, a variável de configuração independente 𝑦𝑚,𝑡 (𝑚 ∈ 𝑀𝐵𝐿 ) ativa as variáveis
dependentes de começo (startup), muda-para-si-mesmo (switch-over-to-itself) e desligamento
(shutdown) (𝑧𝑠𝑢𝑚,𝑡 , 𝑧𝑠𝑤𝑚,𝑡 e 𝑧𝑠𝑑𝑚,𝑡 , respectivamente) que são relaxados no intervalo [0,1] ao
invés de considerá-los como variáveis lógicas. A equação (A.22) é necessária para garantir a
integralidade das variáveis relaxadas.
tempo com ∆t como passo-tempo, aonde a equação (A.27) é a restrição de corte de agregação
temporal de duração da unidade-operação e número do período é np (KELLY; ZYNGIER,
2007, 2009).
𝐿
∑ 𝑦𝑗,𝑖 ′′ ,𝑡 ≤ 𝑈𝑆𝐸𝑗,𝑡 𝑦𝑚,𝑡 ∀ 𝑗 ∈ 𝐽𝑈𝑆𝐸 , 𝑡 (A. 23)
𝑖 ′′
𝑈
∑ 𝑦𝑗,𝑖 ′′ ,𝑡 ≥ 𝑈𝑆𝐸𝑗,𝑡 𝑦𝑚,𝑡 ∀ 𝑗 ∈ 𝐽𝑈𝑆𝐸 , 𝑡 (A. 24)
𝑖 ′′
𝐿
∑ 𝑦𝑗 ′ ,𝑖,𝑡 ≤ 𝑈𝑆𝐸𝑖,𝑡 𝑦𝑚,𝑡 ∀ 𝑖 ∈ 𝐼𝑈𝑆𝐸 , 𝑡 (A. 25)
𝑗′
𝑈
∑ 𝑦𝑗 ′ ,𝑖,𝑡 ≥ 𝑈𝑆𝐸𝑖,𝑡 𝑦𝑚,𝑡 ∀ 𝑖 ∈ 𝐼𝑈𝑆𝐸 , 𝑡 (A. 26)
𝑗′
I M P L (c)
Copyright and Property of i n d u s t r I A L g o r i t h m s
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
! Calculation Data (Parameters)
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
&sCalc,@sValue
START,0.0
BEGIN,0.0
END,1.0
PERIOD,1.0
BIGNUM,1000000.0
LAGODENS,0.85
LAGOSULF,0.8*LAGODENS
LAGOFLSH,50.0
LAGOFLSH,10^(-6.1188+2414/(LAGOFLSH+230.5556))
LAGOVISC,5.0
LAGOVISC,49.08258*LOG(LOG(LAGOVISC+1.0)+0.8)-41.10743
LCGODENS,0.98
LCGOSULF,1.0*LCGODENS
LCGOFLSH,78.0
LCGOFLSH,10^(-6.1188+2414/(LCGOFLSH+230.5556))
LCGOVISC,10.0
LCGOVISC,49.08258*LOG(LOG(LCGOVISC+1.0)+0.8)-41.10743
VRDENS,1.03
VRSULF,5.0*VRDENS
VRFLSH,200.0
VRFLSH,10^(-6.1188+2414/(VRFLSH+230.5556))
VRVISC,250000.0
VRVISC,49.08258*LOG(LOG(VRVISC+1.0)+0.8)-41.10743
HFODENS,1.01
HFOSULF,3.25*HFODENS
HFOFLSH,65.0
HFOFLSH,10^(-6.1188+2414/(HFOFLSH+230.5556))
HFOVISC,380.0
HFOVISC,49.08258*LOG(LOG(HFOVISC+1.0)+0.8)-41.10743
&sCalc,@sValue
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
! Chronological Data (Periods)
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
@rPastTHD,@rFutureTHD,@rTPD
START,END,PERIOD
@rPastTHD,@rFutureTHD,@rTPD
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
! Construction Data (Pointers)
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
Include-@sFile_Name
52
HFO.ups
Include-@sFile_Name
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
! Capacity Data (Prototypes)
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
&sUnit,&sOperation,@rRate_Lower,@rRate_Upper
HFOB,,0.0,BIGNUM
&sUnit,&sOperation,@rRate_Lower,@rRate_Upper
&sUnit,&sOperation,&sPort,&sState,@rTotalRate_Lower,@rTotalRate_Upper
ALLINPORTS,-BIGNUM,BIGNUM
ALLOUTPORTS,-BIGNUM,BIGNUM
&sUnit,&sOperation,&sPort,&sState,@rTotalRate_Lower,@rTotalRate_Upper
&sUnit,&sOperation,&sPort,&sState,@rTeeRate_Lower,@rTeeRate_Upper
ALLINPORTS,-BIGNUM,BIGNUM
ALLOUTPORTS,-BIGNUM,BIGNUM
&sUnit,&sOperation,&sPort,&sState,@rTeeRate_Lower,@rTeeRate_Upper
&sUnit,&sOperation,&sPort,&sState,@rYield_Lower,@rYield_Upper,@rYield_Fixed
ALLINPORTS,-BIGNUM,BIGNUM
ALLOUTPORTS,-BIGNUM,BIGNUM
HFOB,,ohfo,,1.0,1.0
&sUnit,&sOperation,&sPort,&sState,@rYield_Lower,@rYield_Upper,@rYield_Fixed
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
! Cost Data (Pricing)
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
&sUnit,&sOperation,&sPort,&sState,@rFlowPro_Weight,@rFlowPer1_Weight,@rFlow-
Per2_Weight,@rFlowPen_Weight
LAGO,,olago,,-65.0,,,
LCGO,,olcgo,,-55.0,,,
VR,,ovr,,0.0,,,
HFO,,ihfo,,40.0,,,
&sUnit,&sOperation,&sPort,&sState,@rFlowPro_Weight,@rFlowPer1_Weight,@rFlowPer2_Weight,@rFlowP
en_Weight
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
! Constituent Data (Properties)
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
&sFactor
DENS
SULF
FLSH
VISC
&sFactor
&sUnit,&sOperation,&sPort,&sState,&sFactor,@rFactor_Value
HFOB,,olago,,DENS,LAGODENS
HFOB,,olcgo,,DENS,LCGODENS
HFOB,,ovr,,DENS,VRDENS
HFOB,,ohfo,,DENS,HFODENS
HFOB,,ohfo,DENS,dens,1.0
HFOB,,olago,,SULF,LAGOSULF
HFOB,,olcgo,,SULF,LCGOSULF
53
HFOB,,ovr,,SULF,VRSULF
HFOB,,ohfo,,SULF,HFOSULF
HFOB,,ohfo,SULF,SULF,1.0
HFOB,,olago,,FLSH,LAGOFLSH
HFOB,,olcgo,,FLSH,LCGOFLSH
HFOB,,ovr,,FLSH,VRFLSH
HFOB,,ohfo,,FLSH,HFOFLSH
HFOB,,ohfo,FLSH,FLSH,1.0
HFOB,,olago,,VISC,LAGOVISC
HFOB,,olcgo,,VISC,LCGOVISC
HFOB,,ovr,,VISC,VRVISC
HFOB,,ohfo,,VISC,HFOVISC
HFOB,,ohfo,VISC,VISC,1.0
&sUnit,&sOperation,&sPort,&sState,&sFactor,@rFactor_Value
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
! Content Data (Past, Present Provisos)
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
&sUnit,&sOperation,@rHoldup_Value,@rStart_Time
&sUnit,&sOperation,@rHoldup_Value,@rStart_Time
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
! Command Data (Future Provisos)
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
&sUnit,&sOperation,@rSetup_Lower,@rSetup_Upper,@rBegin_Time,@rEnd_Time
ALLPARTS,1,1,BEGIN,END
&sUnit,&sOperation,@rSetup_Lower,@rSetup_Upper,@rBegin_Time,@rEnd_Time
&sUnit,&sOperation,&sPort,&sState,&sUnit,&sOperation,&sPort,&sState,@rSetup_Lower,@rSetup_Up-
per,@rBegin_Time,@rEnd_Time
ALLPATHS,1,1,BEGIN,END
&sUnit,&sOperation,&sPort,&sState,&sUnit,&sOperation,&sPort,&sState,@rSetup_Lower,@rSetup_Up-
per,@rBegin_Time,@rEnd_Time
&sUnit,&sOperation,&sPort,&sState,@rTotalRate_Lower,@rTotalRate_Upper,@rTotalRate_Tar-
get,@rBegin_Time,@rEnd_Time
LAGO,,olago,,0.0,500.0,,BEGIN,END
LCGO,,olcgo,,0.0,500.0,,BEGIN,END
VR,,ovr,,800.0,800.0,,BEGIN,END
HFO-DENS,Slack,i,,-BIGNUM,0.0,,BEGIN,END
HFO-SULF,Slack,i,,-BIGNUM,0.0,,BEGIN,END
HFO-FLSH,Surplus,i,,-BIGNUM,BIGNUM,,BEGIN,END
HFO-VISC,Slack,i,,-BIGNUM,0.0,,BEGIN,END
&sUnit,&sOperation,&sPort,&sState,@rTotalRate_Lower,@rTotalRate_Upper,@rTotalRate_Tar-
get,@rBegin_Time,@rEnd_Time
54
I M P L (c)
Copyright and Property of i n d u s t r I A L g o r i t h m s
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
! Calculation Data (Parameters)
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
&sCalc,@sValue
START,0.0
BEGIN,0.0
END,1.0
PERIOD,1.0
BIGNUM,1000000.0
LAGODENS,0.85
LAGOSULF,0.8
LAGOFLSH,50.0
LAGOFLSH,10^(-6.1188+2414/(LAGOFLSH+230.5556))
LAGOVISC,5.0
LAGOVISC,49.08258*LOG(LOG(LAGOVISC+1.0)+0.8)-41.10743
LCGODENS,0.98
LCGOSULF,1.0
LCGOFLSH,78.0
LCGOFLSH,10^(-6.1188+2414/(LCGOFLSH+230.5556))
LCGOVISC,10.0
LCGOVISC,49.08258*LOG(LOG(LCGOVISC+1.0)+0.8)-41.10743
VRDENS,1.03
VRSULF,5.0
VRFLSH,200.0
VRFLSH,10^(-6.1188+2414/(VRFLSH+230.5556))
VRVISC,250000.0
VRVISC,49.08258*LOG(LOG(VRVISC+1.0)+0.8)-41.10743
HFODENS,1.01
HFOSULF,3.12
HFOFLSH,65.0
HFOFLSH,10^(-6.1188+2414/(HFOFLSH+230.5556))
HFOVISC,380.0
HFOVISC,49.08258*LOG(LOG(HFOVISC+1.0)+0.8)-41.10743
&sCalc,@sValue
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
! Chronological Data (Periods)
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
@rPastTHD,@rFutureTHD,@rTPD
START,END,PERIOD
@rPastTHD,@rFutureTHD,@rTPD
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
! Construction Data (Pointers)
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
Include-@sFile_Name
55
HFO_NLP.ups
Include-@sFile_Name
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
! Capacity Data (Prototypes)
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
&sUnit,&sOperation,@rRate_Lower,@rRate_Upper
HFOB,,0.0,BIGNUM
&sUnit,&sOperation,@rRate_Lower,@rRate_Upper
&sUnit,&sOperation,&sPort,&sState,@rTotalRate_Lower,@rTotalRate_Upper
ALLINPORTS,-BIGNUM,BIGNUM
ALLOUTPORTS,-BIGNUM,BIGNUM
&sUnit,&sOperation,&sPort,&sState,@rTotalRate_Lower,@rTotalRate_Upper
&sUnit,&sOperation,&sPort,&sState,@rTeeRate_Lower,@rTeeRate_Upper
ALLINPORTS,-BIGNUM,BIGNUM
ALLOUTPORTS,-BIGNUM,BIGNUM
&sUnit,&sOperation,&sPort,&sState,@rTeeRate_Lower,@rTeeRate_Upper
&sUnit,&sOperation,&sPort,&sState,@rYield_Lower,@rYield_Upper,@rYield_Fixed
HFOB,,ilago,,0.10,1.0
HFOB,,ilcgo,,0.10,1.0
HFOB,,ivr,,0.10,1.0
HFOB,,ohfo,,1.0,1.0
&sUnit,&sOperation,&sPort,&sState,@rYield_Lower,@rYield_Upper,@rYield_Fixed
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
! Cost Data (Pricing)
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
&sUnit,&sOperation,&sPort,&sState,@rFlowPro_Weight,@rFlowPer1_Weight,@rFlow-
Per2_Weight,@rFlowPen_Weight
LAGO,,olago,,-65.0,,,
LCGO,,olcgo,,-55.0,,,
VR,,ovr,,0.0,,,
HFO,,ihfo,,40.0,,,
&sUnit,&sOperation,&sPort,&sState,@rFlowPro_Weight,@rFlowPer1_Weight,@rFlowPer2_Weight,@rFlowP
en_Weight
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
! Constituent Data (Properties)
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
&sDensity
DENS
&sDensity
&sProperty
SULF
FLSH
VISC
&sProperty
&sProperty,@sDensity
SULF,DENS
&sProperty,@sDensity
&sUnit,&sOperation,&sPort,&sState,&sDensity,@rDensity_Lower,@rDensity_Upper,@rDensity_Target
56
LAGO,,olago,,DENS,LAGODENS,LAGODENS
LCGO,,olcgo,,DENS,LCGODENS,LCGODENS
VR,,ovr,,DENS,VRDENS,VRDENS
HFOB,,ilago,,DENS,LAGODENS,LAGODENS
HFOB,,ilcgo,,DENS,LCGODENS,LCGODENS
HFOB,,ivr,,DENS,VRDENS,VRDENS
HFOB,,ohfo,,DENS,0.0,HFODENS
&sUnit,&sOperation,&sPort,&sState,&sDensity,@rDensity_Lower,@rDensity_Upper,@rDensity_Target
&sUnit,&sOperation,&sPort,&sState,&sProperty,@rProperty_Lower,@rProperty_Upper,@rProperty_Target
LAGO,,olago,,SULF,LAGOSULF,LAGOSULF
LCGO,,olcgo ,,SULF,LCGOSULF,LCGOSULF
VR,,ovr,,SULF,VRSULF,VRSULF
HFOB,,ilago,,SULF,LAGOSULF,LAGOSULF
HFOB,,ilcgo,,SULF,LCGOSULF,LCGOSULF
HFOB,,ivr,,SULF,VRSULF,VRSULF
HFOB,,ohfo,,SULF,0.0,HFOSULF
LAGO,,olago,,FLSH,LAGOFLSH,LAGOFLSH
LCGO,,olcgo,,FLSH,LCGOFLSH,LCGOFLSH
VR,,ovr,,FLSH,VRFLSH,VRFLSH
HFOB,,ilago,,FLSH,LAGOFLSH,LAGOFLSH
HFOB,,ilcgo,,FLSH,LCGOFLSH,LCGOFLSH
HFOB,,ivr,,FLSH,VRFLSH,VRFLSH
HFOB,,ohfo,,FLSH,VRFLSH,HFOFLSH
LAGO,,olago,,VISC,LAGOVISC,LAGOVISC
LCGO,,olcgo,,VISC,LCGOVISC,LCGOVISC
VR,,ovr,,VISC,VRVISC,VRVISC
HFOB,,ilago,,VISC,LAGOVISC,LAGOVISC
HFOB,,ilcgo,,VISC,LCGOVISC,LCGOVISC
HFOB,,ivr,,VISC,VRVISC,VRVISC
HFOB,,ohfo,,VISC,LAGOVISC,HFOVISC
&sUnit,&sOperation,&sPort,&sState,&sProperty,@rProperty_Lower,@rProperty_Upper,@rProperty_Target
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
! Content Data (Past, Present Provisos)
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
&sUnit,&sOperation,@rHoldup_Value,@rStart_Time
&sUnit,&sOperation,@rHoldup_Value,@rStart_Time
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
! Command Data (Future Provisos)
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
&sUnit,&sOperation,@rSetup_Lower,@rSetup_Upper,@rBegin_Time,@rEnd_Time
ALLPARTS,1,1,BEGIN,END
&sUnit,&sOperation,@rSetup_Lower,@rSetup_Upper,@rBegin_Time,@rEnd_Time
&sUnit,&sOperation,&sPort,&sState,&sUnit,&sOperation,&sPort,&sState,@rSetup_Lower,@rSetup_Up-
per,@rBegin_Time,@rEnd_Time
ALLPATHS,1,1,BEGIN,END
&sUnit,&sOperation,&sPort,&sState,&sUnit,&sOperation,&sPort,&sState,@rSetup_Lower,@rSetup_Up-
per,@rBegin_Time,@rEnd_Time
57
&sUnit,&sOperation,&sPort,&sState,@rTotalRate_Lower,@rTotalRate_Upper,@rTotalRate_Tar-
get,@rBegin_Time,@rEnd_Time
LAGO,,olago,,0.0,500.0,,BEGIN,END
LCGO,,olcgo,,0.0,500.0,,BEGIN,END
VR,,ovr,,800.0,800.0,,BEGIN,END
&sUnit,&sOperation,&sPort,&sState,@rTotalRate_Lower,@rTotalRate_Upper,@rTotalRate_Tar-
get,@rBegin_Time,@rEnd_Time
58
IMPL©
c2r_xmfbalance(HFOB,,1) = 1 v3r_xjif(LAGO,,olago,,HFOB,,LAGO,,1) 1
v3r_xjif(LCGO,,olcgo,,HFOB,,LCGO,,1) -1 v3r_xjif(HFOB,,HFO,,HFO,,i,,1) 800.000000000000
I M P L (c)
c2r_xmfbalance(HFOB,,1) = 1 v3r_xjif(LAGO,,olago,,HFOB,,LAGO,,1) 1
v3r_xjif(LCGO,,olcgo,,HFOB,,LCGO,,1) -1 v3r_xjif(HFOB,,HFO,,HFO,,i,,1) 800.000000000000