Reformulação Linear para Cálculo de Misturas

Não Lineares usando Fatores de Qualidade na

Indústria de Processos

Gabriel Salvador de Andrade

Monografia em Engenharia Química

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

Gabriel Salvador de Andrade

Monografia em Engenharia Química submetida ao Corpo Docente da Escola de Química, como

parte dos requisitos necessários à obtenção do grau de Engenheiro Químico.

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

Rio de Janeiro, RJ - Brasil

Janeiro de 2018
Andrade, Gabriel Salvador de.
Reformulação linear para cálculo de misturas não lineares usando fatores de qualidade
na indústria de processos/ Gabriel Salvador de Andrade. Rio de Janeiro: UFRJ/EQ, 2018.
xv, 59 p.; il.
(Monografia) – Universidade Federal do Rio de Janeiro, Escola de Química, 2018.
Orientadores: Fernando Luiz Pellegrini Pessoa e Brenno Castrillon Menezes.
1. Programação linear. 2. Otimização. 3. P r o d u ç ã o d e mistura. 4 . F a t o r - f l u xo . 5 .
Monografia. (Graduação – UFRJ/EQ). 6. Fernando Luiz Pellegrini Pessoa e Brenno
Castrillon Menezes. I. Título.
 AGRADECIMENTOS

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.

REFORMULAÇÃO LINEAR PARA CÁLCULO DE MISTURAS NÃO LINEARES

USANDO FATORES DE QUALIDADE NA INDÚSTRIA DE PROCESSOS

Gabriel Salvador de Andrade

Janeiro, 2018

Orientadores: Prof. Fernando Luiz Pellegrini Pessoa, D.Sc.

Brenno Castrillon Menezes, D.Sc.

Nas indústrias químicas, há um contínuo esforço em minimizar custo ou maximizar

lucro com o desenvolvimento de otimização para programações de produção. Em qualquer
indústria de processo, com a modelagem e solução do fenômeno quantidade-lógica-qualidade,
as melhores operações nas cadeias logísticas e de produção são possíveis de serem alcançadas.
No eixo quantidade, as vazões, os fluxos e os inventários devem ser ajustados levando em
consideração a capacidade hidráulica e de inventário da planta. No eixo lógica, variáveis de
decisão são programadas para escolher a melhor alocação dos recursos para a planta, o modo
operacional mais rentável, a melhor sequência de processos, entre outros. Por fim, no eixo
qualidade, as qualidades (propriedades, composição ou condições do material) formam as
especificações que o algoritmo irá atingir. O eixo de qualidade, que atua principalmente no
processo de mistura das matérias-primas, correntes intermediárias e produtos, será o objeto de
estudo que visa ao maior lucro financeiro atendendo às especificações de qualidade das cargas
de processamento e produtos.
Com o conhecimento do fenômeno quantidade-lógica-qualidade, muitos autores têm
desenvolvido diversas técnicas de solução para o problema de mistura (qualidade) e para o
problema de programação de produção (logística ou quantidade + lógica), no entanto, seus
modelos não se aplicam a casos de escala industrial por se tratarem de algoritmos complexos
com muitas variáveis adicionais ou tempo de solução muito grande.
Nessa monografia, é proposta uma reformulação linear para aproximar restrições não-
convexas da mistura não linear de correntes. Essa reformulação, mais simples e rápida, explicita
os termos denominados aqui por fatores, que são as propriedades do material fixadas,
encontrados nos modelos lineares tradicionais. O fator da qualidade do material é multiplicado
pelo seu fluxo originando o fator-fluxo, que é usado para fechar o balanço ao redor de uma
unidade-operação para cada qualidade. O fator LP, nome designado para a reformulação linear
proposta, pode ser usado para problemas de mistura ou para problemas de mistura e de
programação de produção. O primeiro caso usa a modelagem LP, no qual somente se usa
variáveis contínuas, enquanto o segundo caso usa a modelagem MILP, no qual são usadas
variáveis inteiras e contínuas.
Para ilustrar o fator LP, é feito uma produção de mistura de óleo combustível pesado ao
adicionar no resíduo de vácuo diluentes como gasóleo atmosférico leve e gasóleo de ciclo leve.
O objetivo dessa mistura é transformar o resíduo de vácuo em um produto de maior valor no
mercado usando a menor quantidade possível de diluente. Para corrigir os desvios dos fatores-
fluxos calculados em qualidades que não variam linearmente com a quantidade das matérias-
primas, uma substituição sucessiva melhorada é utilizada nessa reformulação e, portanto, é
possível atingir as especificações de qualidades do produto.

Palavras-chave: Programação linear. Otimização. Produção de mistura. Fator-fluxo.

Abstract of a Monograph presented to Escola de Química as partial fulfillment of the require-
ments for the degree of Chemical Engineering.

LINEAR REFORMULATION FOR CALCULATION OF NONLINEAR BLENDING

USING FACTORS OF QUALITIES IN THE PROCESS INDUSTRY

Gabriel Salvador de Andrade

January, 2018

Supervisors: Prof. Fernando Luiz Pellegrini Pessoa, D.Sc.

Brenno Castrillon Menezes, D.Sc.

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.

Keywords: Linear programming. Optimization. Blend-shop. Factor-flow.

 LISTA DE FIGURAS

Figura 1 Programação de mistura em escala industrial de gasolina comum e premium 3

Figura 2.1 Frações do petróleo obtidas a partir da unidade de destilação 11

Figura 2.2 Fluxograma de desasfaltação a propano 12

Figura 2.3 Fluxograma de coqueamento retardado 13

Figura 2.4 Diagrama de blocos do processo geral de craqueamento catalítico 14

Figura 2.5 Sistema de refinaria padrão 17

Figura 3.1 Produção por mistura de óleo combustível pesado (HFO) 20

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 4.2 Iterações para especificar a concentração de enxofre 26

Figura 4.3 Algoritmo de substituição sucessiva (SS) usando fatores como aproximações
de qualidade ou substitutos 28

Figura 5.1 Produção de mistura de óleo combustível pesado (HFO) em UOPSS 30

Figura 5.2 Produção de mistura de óleo combustível pesado (HFO) usando fatores em
UOPSS 32

Figura A Programação de mistura de combustíveis usando fatores 44

 LISTA DE QUADROS

Quadro 2 Programações de otimização 19

Quadro 5 Índices dos fluxos em uma UOPSS 29

 LISTA DE TABELAS

Tabela 1.1 Quantidade de variáveis contínuas e binárias na programação de mistura de

gasolina comum e premium em escala industrial 2

Tabela 1.2 Quantidade de restrições de igualdade e de desigualdade na programação de

mistura de gasolina comum e premium em escala industrial 2

Tabela 6.1 Dados para a mistura de óleo combustível pesado 34

Tabela 6.2 Fatores-fluxos para a mistura LP de óleo combustível pesado (diagrama na

Figura 4.3) 35

Tabela 6.3 Dados e resultados econômicos da produção de mistura de HFO 37

 LISTA DE ABREVIATURAS E SIGLAS

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

𝑖 ′′ porta-estado de entrada downstream para porta-estado de saída 𝑗

𝑗 porta-estado de saída

𝑗′ porta-estado de saída upstream para porta-estado de entrada 𝑖

𝑗𝑆 porta-estado de saída de carência ou excedente

𝑝 propriedade, índice ou qualidade

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

O principal objetivo na refinaria de petróleo é converter uma grande variedade de

petróleo bruto em produtos finais de valor como gasolina, combustível de aviação e diesel. São
inúmeros e significativos os benefícios operacionais e econômicos associados à obtenção de
produtos menos caros e de maior qualidade e o maior uso efetivo dos recursos disponíveis ao
longo do tempo. Assim, é importante analisar a cadeia produtiva e manufatura para entender o
tipo de relacionamento entre as etapas dos processos e como se agrupam.

1.1 MOTIVAÇÃO

O Fenômeno Quantidade-Lógica-Qualidade (FQLQ) descreve toda a cadeia produtiva

da indústria de processo químico. Quantidade se refere à capacidade hidráulica e de inventário
de um complexo petroquímico. Isso significa que fluxos e inventários (conhecidos como
variáveis extensivas) precisam ser adequadamente dimensionadas e cuidadosamente manejadas
por toda a operação da planta. Nesse eixo, há três restrições essenciais: vazão, fluxo e
inventário. É comum dizer que vazão e fluxo são iguais, no entanto, embora eles signifiquem
transferência de material em um intervalo de tempo, na vazão esse movimento é feito dentro de
um equipamento (tubulação, bomba, válvula, entre outros) enquanto no fluxo a passagem de
material é feita de um equipamento a outro. Inventário é a capacidade de armazenar material
em equipamentos como tanques, esferas, tambores, etc. Qualidade é a conformidade com as
especificações do produto e pode incluir composição (por exemplo: quantidade de butadieno
na fração C4), propriedades (densidade, viscosidade, poder calorífico, etc.) e condições
(temperatura e pressão). Por fim, lógica lida com detalhes, regras e políticas de como alocar
recursos para a operação, sequenciar as operações e fazer cronograma operacional
(VASBINDER; KELLY, 2005).
Na literatura de refinaria de petróleo, é comum abordar o FQLQ em duas frentes:
problema de mistura (qualidade) e programação de produção (quantidade-lógica ou logística).
É possível também abordar os dois ao mesmo tempo, recebendo a denominação de
programação de mistura. O problema de mistura de componentes trata de maximizar o lucro ao
considerar os custos de matérias-primas e os limites das especificações do produto que devem
ser respeitados. A programação de produção, por sua vez, é uma estratégia operacional que irá
executar o processo de tomada de decisão em relação à alocação de recursos limitados
(restrições físicas e lógicas) com o objetivo de otimizar algum critério de desempenho (JOLY,
 2

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

Quantidade 17247 4728

Tabela 1.2 — Quantidade de restrições de igualdade e de desigualdade na programação de mistura de gasolina

comum e premium em escala industrial
Restrições Igualdade Desigualdade

Quantidade 9411 24879

Figura 1 ilustra o diagrama de uma programação de mistura em escala industrial de

gasolina comum no modo operacional R e premium no modo operacional P. As unidade-
operações (◇, ⊠󠆕 e Δ), setas (→) e fatores-fluxos de carência (slack) e excedente (surplus)
serão explicadas na seção 3. Os funcionamentos das portas-estado (Ο e ⊗) são detalhados na
seção 5. ROAD é a propriedade denominada octanagem (ou número de octano) e RVP é a
propriedade pressão de vapor Reid.
 3

Figura 1 — Programação de mistura em escala industrial de gasolina comum e premium.

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

1.2 PROPOSTA DE TRABALHO

É proposta uma reformulação de Programação Linear (LP) para aproximar restrições

não convexas da mistura de correntes de um processo usando constantes, parâmetros,
coeficientes, ou o que chamamos de fatores. Restrições não convexas tornam a função objetivo
um problema de maximização. Os fatores podem representar vários tipos de qualidades
(características) como propriedade, composição e condição, incluindo índice de propriedade da
mistura. Essa abordagem é útil em produções de mistura ou em qualquer mistura controlada em
uma rede de processos, no qual essas qualidades intensivas (não dependentes de massa) das
correntes ou fatores se tornam extensivas ao serem multiplicadas pelo seu fluxo de matéria e
realizar um balanço fator-fluxo. O balanço fator-fluxo nada mais é que um balanço de massa
feito com fatores-fluxos de entrada igual aos fatores-fluxos de saída mais fator-fluxo de
carência ou excedente de alguma qualidade, sendo que o último termo desse balanço será
detalhado na subseção 3.1.
Embora reformulações LP análogas sejam comuns em problemas de planejamento de
produção de Programação Não Linear (NLP), que simplificam ou agregam a topologia real das
redes de processo ao único ponto de mistura com qualidades constantes, a técnica dos fatores
pode ser incluída em problemas de programação de produção sob certas circunstâncias, como
na alimentação e na produção por mistura de produtos, com concentração aproximadamente
constante (pseudo-constante) dos componentes de mistura e também em qualquer problema de
mistura da indústria de processos, como na preparação de ingredientes na indústria de alimento
e bebida, alimentação de diversos concentrados de metal antes da fundição na indústria de
processamento de metais e na produção de combustível, lubrificante, asfalto e fluxos
petroquímicos em refinarias de petróleo.
Pretende-se, então, provar a eficácia do método por meio de um exemplo ilustrativo
com valores fictícios e razoáveis de uma produção de mistura de Óleo Combustível Pesado
(HFO) no qual Resíduo de Vácuo (VR), um produto intermediário da refinaria de petróleo sem
valor agregado, será diluído pelo Gasóleo Atmosférico Leve (LAGO) e pelo Gasóleo de Ciclo
Leve (LCGO) para produzir HFO, o qual tem valor no mercado. Nesse exemplo, será possível
observar: tempo de convergência baixo (intervalo de tempo do começo da otimização até o
resultado final), poucas iterações (número de repetições de uma ação dentro da programação)
e redução de brindes de produtos (giveaways). O conceito de brinde será detalhado na seção 4.
 5

2 REVISÃO DE LITERATURA

A revisão de literatura é feita em duas partes: refinaria de petróleo e programação de

otimização. A subseção de refinaria contém informações essenciais dos principais
equipamentos, seus processos e os produtos intermediários e finais produzidos. Na outra parte,
algoritmos de otimização são detalhados por diversos autores e é possível ver a evolução das
diferentes abordagens feitas.

2.1 REFINARIA DE PETRÓLEO

A refinaria de petróleo é uma planta industrial de processo onde petróleo bruto é

processado e refinado em vários produtos úteis como nafta, gasolina, diesel, asfalto, óleo de
queima, querosene e Gás Liquefeito de Petróleo (GLP). Refinarias de petróleo são tipicamente
grandes e complexas com extensas tubulações transportando correntes de fluidos entre grandes
unidades químicas de processamento, como colunas de destilação. Usualmente há um depósito
de petróleo na refinaria ou próximo dela para armazenamento de petróleo bruto e também de
produtos líquidos. Uma refinaria de petróleo é considerada uma parte essencial do downstream
da indústria de petróleo (GARY; HANDWERK; KAISER, 2007).

2.1.1 Petróleo

Desde a descoberta do petróleo em 1859 na Pensilvânia, Estados Unidos, essa mistura

se tornou indispensável para a civilização. Automóveis, trens, navios e aviões são movidos pela
energia gerada pela combustão de seus derivados. Estradas são pavimentadas por meio de
asfalto e máquinas são lubrificadas com produtos extraídos do petróleo. A indústria
petroquímica utiliza como matéria-prima derivados do petróleo bruto, de onde originam
inúmeros produtos tais como plásticos, borracha, fertilizantes, entre outros (FARAH, 1995).
O petróleo bruto é uma mistura complexa de compostos orgânicos e inorgânicos na qual
predominam os hidrocarbonetos. Pode ser mono ou multifásica, a depender de sua composição.
Hidrocarbonetos de um a quatro carbonos (C1-C4) em sua cadeia são gasosos (chamados de gás
natural), C5-C17 são líquidos (chamados de óleo) e ≥ C18 são sólidos (chamados de betume).
As características do petróleo bruto se alteram conforme o campo produtor, podendo,
de acordo com as características geológicas do local de onde é extraído, variar quanto à sua
composição química e ao seu aspecto. Tal variação ocorre até em um mesmo campo produtor.
 6

O petróleo bruto está comumente acompanhado por quantidades variáveis de substâncias

estranhas como água, matéria inorgânica e gases. A remoção dessas substâncias estranhas não
modifica a condição de mistura do petróleo bruto. No entanto, se houver qualquer processo que
altere apreciavelmente a composição do óleo, o produto resultante não poderá mais ser
considerado petróleo (BRASIL, 1995).

2.1.2 Processos

Partindo de petróleos de campos produtores diferentes, pode-se obter a maioria dos

derivados, contudo em quantidades variáveis. Para um dado mercado, o refino de petróleos
diferentes se distingue apenas quanto ao grau de refino, ou seja, o conjunto de processos
empregados. O tipo de petróleo é que vai determinar os processos necessários para a produção
das quantidades e qualidades desejadas aos derivados (FARAH, 1995). O refino consiste em
processos físicos ou químicos, denominados processos de refino, separados em quatro
principais classes (NETO; GURGEL, 201-?):
a) processos de separação;
b) processos de conversão;
c) processos de tratamento;
d) processos auxiliares.
Os processos de separação são de natureza física que têm por objetivo desmembrar o
petróleo em suas frações básicas ou processar uma fração previamente produzida a fim de
retirar desta um grupo específico de componentes. O agente de separação é a energia na forma
de temperatura ou pressão que usará alguma propriedade física tais como ponto de ebulição e
solubilidade. Exemplos incluem destilação atmosférica, destilação a vácuo, desasfaltação a
propano, entre outros.
Os processos de conversão são de natureza química e seu objetivo é modificar a
composição química de uma fração a fim de agregar valor. Tem alta rentabilidade, pois
transforma frações de baixo valor (gasóleos e resíduos) em frações de alto valor (GLP, nafta,
querosene e diesel). Exemplos de processos térmicos incluem craqueamento térmico,
viscorredução e coqueamento retardado (os dois primeiros são obsoletos devido ao advento de
processos catalíticos); já os processos catalíticos são craqueamento catalítico,
hidrocraqueamento catalítico, reforma catalítica, etc.
Os processos de tratamento são de natureza química e servem para limpar as impurezas
presentes nas frações obtidas dos processos anteriores. Essas impurezas são compostos de
 7

enxofre e de nitrogênio que conferem propriedades indesejáveis como corrosividade, acidez,

odor desagradável, alteração de cor e formação de substâncias poluentes. Para frações leves
(GLP, gases e naftas) são usados agentes de limpeza como hidróxidos de metais alcalinos e
etanolamina; para frações médias (querosene e diesel) e pesadas (gasóleos, lubrificantes e
resíduos) usa-se hidrogênio por conta das condições operacionais mais severas, atuando na
presença de um catalisador. O processo de tratamento em que se usa o hidrogênio como agente
chama-se hidrotratamento e promove uma acentuada melhoria na qualidade dos produtos.
Exemplos incluem tratamento cáustico, tratamento Merox, tratamento Bender, tratamento
Dietanolamina (DEA) e hidrotratamento.
Os processos auxiliares existem com o objetivo de fornecer insumos para possibilitar a
operação ou efetuar o tratamento de rejeitos dos outros tipos de processo. São dois processos
básicos: geração de hidrogênio (como matéria-prima para as unidades de hidroprocessamento)
e recuperação de enxofre (produzido a partir da combustão de gases ricos em H2S).

2.1.2.1 Unidade de destilação

A destilação é o processo básico de separação do petróleo, que consiste na vaporização

e posterior condensação dos componentes do petróleo bruto (hidrocarbonetos e impurezas)
devido à ação de temperatura e pressão. O processo está baseado nas diferenças entre os pontos
de ebulição dos diversos constituintes do petróleo. Pode ser classificada quanto à forma de
operação (batelada, batelada alimentada ou contínuo), quanto à composição (binária ou
multicomponente), quanto ao tipo dos estágios (pratos, recheio ou ambos), quanto à
configuração do processo (retificação, esgotamento, extração, azeotrópica, etc.) e quanto ao
tipo de processo (refino, petroquímico, bebidas, perfumes, etc.) (THE DISTILLATION
GROUP, 2002). De forma geral, todas as unidades de destilação são constituídas por torres de
fracionamento (ou coluna de destilação), retificadores (strippers), fornos, trocadores de calor,
tambores de acúmulo e refluxo, bombas, tubulações e instrumentos de controle e medição.
Uma unidade de destilação é formada por três seções principais: pré-aquecimento e
dessalinização, destilação atmosférica e destilação a vácuo. Pode ter de um até três estágios de
operação nas seguintes configurações:
a) Unidade de um estágio com torre de destilação única;
b) Unidade de dois estágios, com torres de pré-Flash e destilação atmosférica;
c) Unidade de dois estágios, com torres de destilação atmosférica e destilação a vácuo;
 8

d) Unidade de três estágios, com torres de pré-Flash, destilação atmosférica e destilação

a vácuo.
Na unidade de um estágio, a torre de destilação opera a pressões próximas à atmosférica
e produz destilados desde gases até o óleo diesel, além do Resíduo Atmosférico (RAT)
comercializado como óleo combustível. É um tipo de unidade utilizada quando a capacidade
de refino é reduzida e não se encontram unidades adicionais de craqueamento. De maneira
similar, a unidade de dois estágios, com torres de pré-Flash e destilação atmosférica é um
esquema de refino pouco utilizado, no caso de processamento de petróleos muito leves ou
quando não exista ou não seja necessário o craqueamento do RAT. Com a retirada de frações
mais leves na torre de pré-Flash, pode-se instalar um sistema de destilação atmosférica de
menor porte. O conjunto de dois estágios com torres de destilação atmosférica e a vácuo é
normalmente encontrado em unidades de médio porte e quando há necessidade de
craqueamento subsequente. No primeiro estágio, obtêm-se desde gases a óleo diesel, além de
RAT como produto de fundo. No segundo estágio, obtêm-se os gasóleos e o VR, o qual é
comercializado como óleo combustível ou asfalto. A unidade completa de três estágios é o tipo
mais comum e amplamente utilizado quando grandes capacidades de refino e a instalação de
unidades de craqueamento são necessárias.
O pré-aquecimento do petróleo consiste na passagem da matéria-prima fria por uma
bateria de trocadores de calor, em que o óleo é progressivamente aquecido em função do
resfriamento de produtos acabados que deixam a unidade. Dessa forma, promove-se grande
economia operacional ao se evitar o uso de excesso de combustível para o aquecimento total da
carga e possibilitar o projeto de fornos de menor porte.
A operação de dessalinização do óleo consiste em extração de sais, água residual e
suspensões de partículas sólidas ao adicionar uma corrente de água de processo. A mistura é
levada ao vaso de dessalgação, onde se dá a separação da fase aquosa contendo sais e
sedimentos através de coalescência e decantação das gotículas de água, promovidas pela ação
de um campo elétrico de alta voltagem. Tais impurezas prejudicam o perfeito funcionamento
da unidade de destilação ao causar corrosão via liberação de ácido clorídrico, deposição de sais
e sólidos em trocadores de calor e tubulações dos fornos, causando obstrução, redução na
eficiência de troca térmica e superaquecimentos localizados nas tubulações e formação de
coque no interior das tubulações de fornos e linhas de transferência catalisada pelos sais e
sedimentos depositados.
Na destilação atmosférica, a carga é introduzida na torre em um ponto conhecido como
zona de vaporização ou de flash. Os produtos são retirados em determinados pontos da coluna
 9

de acordo com a temperatura máxima de destilação de cada fração. Em condições de pressão

próximas à atmosférica, obtêm-se óleo diesel, querosene e nafta pesada como produtos laterais
de uma torre de destilação. Nafta leve e GLP são produtos de topo, condensados e separados
fora da torre. Como produto de fundo, obtém-se o RAT, do qual ainda se podem extrair frações
importantes. Parte dos produtos de topo condensados pode ser retornada à torre como corrente
de refluxo, com o objetivo de controlar a temperatura de saída de vapor e gerar refluxo interno
nos pratos. Pode haver ainda o refluxo de produto lateral circulante, com o objetivo de retirar
calor da torre, sem interferência direta no fracionamento, mas sim indireta pela redução da
temperatura no topo da torre, reduzindo a concentração de componentes pesados no refluxo
circulante. Nas frações intermediárias laterais, pode haver componentes mais leves retidos, que
baixam o ponto inicial de ebulição e fulgor dos respectivos cortes. Sua eliminação é, portanto,
necessária e ocorre em pequenas colunas conhecidas como retificadores laterais, em que se
injeta vapor d’água para retificar o produto de fundo. As correntes de vapor d’água são retiradas
pelo topo juntamente com os hidrocarbonetos leves.
Na destilação a vácuo, o RAT é um corte de alto peso molecular e é usado como corrente
de alimentação, em que se trabalha a pressões subatmosféricas com o objetivo de gerar óleos
lubrificantes ou gasóleos para carga da unidade de craqueamento catalítico. Dessa forma,
promove-se o aproveitamento de um subproduto que, de outra forma, teria um baixo valor
comercial. A carga de RAT aquecida por volta de 395 ºC é levada à zona de vácuo, em que a
pressão é de cerca de 100 mmHg ou em torno de 13300 Pa, provocando vaporização de boa
parte da carga. As torres de vácuo possuem grande diâmetro para acomodar o maior volume de
vapor gerado a pressões reduzidas. Temperaturas maiores que 400ºC levaria a carga de
hidrocarbonetos a craqueamento térmico. O produto de fundo da destilação a vácuo é composto
por hidrocarbonetos de elevado peso molecular e impurezas, podendo ser comercializado como
óleo combustível ou asfalto. Analogamente à destilação atmosférica, aqui pode-se também
injetar vapor d’água no fundo da torre para retificar o RV através da vaporização de frações
leves que tenham sido arrastadas. Não há formação de produto de topo, de onde saem apenas
vapor d’água, hidrocarbonetos leves e um pouco de ar originado de eventuais vazamentos, os
quais são constantemente retirados da torre pelo sistema de geração de vácuo.
 10

2.1.2.1.1 Frações da unidade de destilação

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

ser adicionado total ou parcialmente às correntes que constituem o diesel e o GOP é

encaminhado como carga para a unidade de Craqueamento Catalítico em Leito Fluidizado
(FCC) ou para outras unidades. Quando a unidade de destilação é projetada para obtenção de
óleos lubrificantes, os gasóleos não são produzidos em apenas dois cortes, são fracionados em
quatro. Estes destilados são tratados para constituírem os óleos lubrificantes básicos.
RV é o resíduo final da destilação do petróleo e pode ter diferentes aplicações. Como
produto final, é usado para fazer asfalto (pavimentação e isolamento). Como produto
intermediário, é usado para produzir HFO (geração de energia) se for diluído com correntes de
menor viscosidade, matéria-prima para óleos lubrificantes de alta viscosidade e carga nas
unidades de coque e desasfaltação a solvente (PORTO, 2006).
Figura 2.1 mostra um diagrama em blocos simplificado dos processos de separação do
petróleo bruto em seus derivados.

Figura 2.1 — Frações do petróleo obtidas a partir da unidade de destilação.

Fonte: Porto (2006).
 12

2.1.2.2 Desasfaltação a propano

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.

Figura 2.2 — Fluxograma de desasfaltação a propano.

Fonte: Adaptado de NETO e GURGEL (201-?).

2.1.2.3 Coqueamento retardado

É um processo de produção de coque a partir de cargas bastante diversas, como o óleo

bruto reduzido, VR, o óleo decantado e outros. Com a aplicação de condições severas de
operação, moléculas de cadeia aberta são craqueadas, moléculas aromáticas são polinucleadas
e resinas e asfaltenos são coqueados, produzindo gases, nafta, diesel, gasóleo e, principalmente,
coque de petróleo. A crise do petróleo tornou o coqueamento um processo importante, pois
 13

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.

Figura 2.3 — Fluxograma de coqueamento retardado.

Fonte: Adaptado de NETO e GURGEL (201-?).

2.1.2.4 Craqueamento catalítico em leito fluidizado

O craqueamento catalítico é um processo químico de transformação de frações de

petróleo pesadas em outras mais leves, através da quebra (cracking) das moléculas dos
constituintes com a utilização de catalisadores. Sua carga é composta de uma mistura de
gasóleos de vácuo produzidos na unidade de destilação. Pode-se usar como carga adicional o
óleo desasfaltado formado a partir do resíduo de vácuo, caso a refinaria possua uma unidade de
desasfaltação a solvente. Quando submetido a condições bastante severas de pressão e
temperatura na presença do catalisador, o gasóleo de vácuo é decomposto em várias frações
mais leves, produzindo gás combustível, gás liquefeito, gasolina (nafta), gasóleo leve (óleo leve
ou diesel de craqueamento) e gasóleo pesado de craqueamento (óleo decantado ou óleo
combustível). As reações produzem ainda coque, que se deposita no catalisador e é
integralmente queimado na etapa de regeneração do catalisador, formando um gás de
combustão de alto valor energético usado na geração de vapor d’água de alta pressão. É um
 14

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.

Figura 2.4 — Diagrama de blocos do processo geral de craqueamento catalítico.

Fonte: Adaptado de NETO e GURGEL (201-?).
 15

2.1.2.4.1 Gasóleo de Ciclo Leve (LCGO)

Também chamado de Óleo de Ciclo Leve (LCO), é um resíduo líquido produzido no

processo de craqueamento catalítico o qual é empregado para converter frações pesadas de
hidrocarbonetos em produtos mais leves de maior valor. LCGO pode ser misturado com
produtos mais pesados e reciclado no processo de refino (CYCLE, 2018). Na produção de HFO,
LCGO é usado para diluição de VR com o objetivo de diminuir a viscosidade do VR.

2.2 PROGRAMAÇÕES DE OTIMIZAÇÃO PARA PRODUÇÃO EM REFINARIA

Para problemas de planejamento de produção, a maioria das ferramentas

computacionais foram baseadas em modelos de Programação Linear Sucessiva (SLP), como o
Refining and Petrochemical Modeling System (RPMS) de Honeywell, Process Solutions
(BONNER & MOORE ASSOCIATES INCORPORATION, 1979) e o Process Industry
Modeling System (PIMS) de Aspen Technology (BECHTEL CORPORATION, 1993). Por
outro lado, problemas de programação de produção foram tratadas por métodos matemáticos
lineares e não lineares que utilizam variáveis binárias para modelar explicitamente as decisões
lógicas que devem ser feitas (GROSSMANN; VAN DE HEEVER; HARJUNKOSKI, 2002;
SHAH, 1998). Variáveis binárias são variáveis inteiras compostas somente de um (1) e zero
(0). Decisões de quantidade utilizam variáveis inteiras para determinar, por exemplo, número
de tubulações necessário e número de locais de limpeza de derramamento de óleo
(NUMERICAL ALGORITHMS GROUP, 20--?).
Lee et al. (1996) abordaram o problema de programação de produção de curto prazo
para o problema de gerenciamento de inventário de petróleo bruto. Não linearidades de misturas
foram reformuladas em desigualdades lineares em que a Programação Não Linear Inteira Mista
(MINLP) original foi convertida em uma formulação Programação Linear Inteira Mista (MILP)
que pode ser resolvida e otimizada globalmente. De acordo com os autores, essa linearização
foi possível porque somente operações de mistura foram consideradas (QUESADA;
GROSSMANN, 1995). No entanto, Wenkai et al. (2002) observaram que a Técnica de
Linearização-Reformulação (TLR) proposta pode levar a uma discrepância na composição (as
quantidades de petróleos brutos individuais entregues de um tanque para a unidade de destilação
bruta podem não ser proporcionais à composição do bruto no tanque). A função objetivo foi a
minimização do custo operacional total que compreende custo de tempo de espera em cada
embarcação no oceano, custo de descarga dos petróleos brutos das embarcações e custo de
 16

inventário. Vários exemplos foram resolvidos para enfatizar o desempenho computacional do

modelo proposto.
Moro, Zanin e Pinto (1998) desenvolveram um modelo de planejamento MINLP para
produção de refinarias. O modelo assume que uma refinaria padrão é composta por um número
de unidades de processamento contínuo produzindo uma variedade de correntes de entrada e de
saída com propriedades diferentes, que podem ser misturadas para satisfazer diferentes
especificações de demanda dos produtos. O modelo geral de uma unidade típica é representado
por um conjunto de variáveis como vazões de alimentação, propriedades da alimentação,
variáveis operacionais, vazões e propriedades de produto. O principal objetivo é maximizar o
lucro total da refinaria, considerando receita de vendas, custos de alimentação e custo
operacional total.
Wenkai et al. (2002) propôs um algoritmo que iterativamente resolve dois modelos
MILPs e um modelo NLP, resultando em melhor qualidade, estabilidade e eficiência do que
resolver o modelo MINLP diretamente. Kelly e Mann (2003a,b) destacam a importância de
otimizar a programação de produção de refinarias para a alimentação de petróleo bruto, a partir
dos dutos, para que seja possível responder a questões táticas de negócio como “podemos
executar de forma viável a troca de cargas e atrasar a entrega de petróleo bruto por 2 dias” ou
“podemos aceitar outra entrega de petróleo bruto daqui a três dias para preencher nossa unidade
FCC?”. O uso de SLP foi proposto para resolver a questão da qualidade. O termo qualidade
refere-se a atingir as especificações do produto. Kelly (2004) analisou a modelagem matemática
das formulações não lineares complexas para o planejamento de produção de instalações
semicontínuas onde a operação ótima de plantas de refinaria de petróleo e petroquímica foram
abordadas.
Para resolver simultaneamente os subproblemas MILP e NLP, Glismann e Gruhn (2001)
propuseram uma otimização de duas fases no qual o modelo NLP é usado como algoritmo de
otimização enquanto o modelo MILP é usado para o problema de programação de produção. A
técnica de decomposição proposta para todo o problema de otimização é baseada em resolver
primeiro o modelo não linear, visando gerar a solução ótima do problema de mistura, em
seguida, incorporar a solução ótima no modelo de programação de produção MILP como
decisões fixas para otimizar somente recursos e aspectos temporais. Assim, a solução para o
grande modelo MINLP é substituída por modelos sequenciais NLP e MILP.
Jia e Iearapetritou (2003) propuseram uma estratégia de resolução baseada na
decomposição do problema geral da refinaria em três subsistemas (ver Figura 2.5):
(a) a descarga e a mistura de petróleo bruto;
 17

(b) as operações de unidades de produção;

(c) a mistura e o envio de produto.

Figura 2.5 — Sistema de refinaria padrão.

Fonte: Adaptado de Méndez et. al. (2006).

O primeiro subproblema envolve a descarga de petróleo bruto nas embarcações, sua

transferência para tanques de armazenamento e a programação do carregamento de cada
mistura de petróleo bruto para as unidades de destilação. O segundo subproblema consiste na
programação de produção da unidade, que inclui reações e fracionamento. Seções de reação
alteram a estrutura dos hidrocarbonetos, em geral melhorando a octanagem (ou número de
octano), enquanto seções de fracionamento separam o efluente do reator em vários produtos de
propriedades e de valores diferentes. Por último, o terceiro subproblema é relacionado à
programação de produção, mistura, estocagem e envio de produtos finais.
Para resolver cada subproblema eficientemente, uma série de modelos MILPs foi
desenvolvida, na qual considera as principais características e dificuldades de cada caso. Em
particular, especificações fixas de produtos foram assumidas no terceiro subproblema, o que
significa que decisões de mistura não foram incorporadas nesse modelo. A formulação MILP
foi baseada em uma representação contínua no tempo e na noção de pontos de evento. A
formulação matemática proposta para resolução de cada subproblema envolve uma função
objetiva específica e várias restrições como: balanço de massa, capacidade, sequência, tarefas
e demanda. Variáveis contínuas são definidas para representar vazões, assim como os tempos
inicial e final das tarefas de processamento. Variáveis binárias são principalmente relacionadas
 18

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

quantidade-lógica na programação de produção são resolvidas primeiro em um modelo MILP

negligenciando as restrições não convexas de mistura. Na segunda etapa, as relações
quantidade-qualidade do problema NLP são resolvidas para decisões fixas e discretas
encontradas anteriormente. A grande desvantagem dessa partição em modelos MILP e NLP é
a diferença entre suas funções objetivo. Adicionalmente, resultados ruins e não convergidos na
solução NLP podem surgir ao usar decisões discretas inconsistentes.
Quadro 2 apresenta as principais diferenças entre as programações.

Quadro 2 — Programações de otimização.

Programação Significado
Na função objetivo e/ou nas restrições há funções não lineares e variáveis
MINLP contínuas e discretas/inteiras. Pelo menos uma variável de decisão é
discreta e pelo menos uma variável qualquer é contínua.
Tanto a função objetivo quanto as restrições são lineares. Ao menos uma
MILP
variável é contínua e ao menos uma variável é discreta.
NLP Ou a função objetivo ou pelo menos uma restrição é não linear.
LP A função objetivo e as restrições são lineares.
 20

3 REFORMULAÇÃO LP PARA APROXIMAR MISTURA NLP NÃO CONVEXA

Todas as produções de mistura com quantidades (grandezas extensivas) e qualidades

(grandezas intensivas) dos componentes de uma mistura da refinaria tratadas como variáveis
originam um problema NLP não convexo no cálculo de propriedades baseadas em volume e/ou
em massa (ou seja, 𝑣 e 𝑤, respectivamente) devido aos termos não lineares (fluxo 𝑥 e
propriedades 𝑣 e 𝑤 que variam). Como uma alternativa a estas equações de mistura NLP, uma
reformulação LP é proposta usando fatores para as variáveis de qualidade.
Antes de abordar a modelagem fator LP, primeiro é destacada a reformulação
tradicional LP usando o exemplo ilustrativo de uma simples produção por mistura, conforme
mostrado na Figura 3.1. Neste pequeno fluxograma de mistura de HFO, LAGO e LCGO são os
fluxos de entrada que reduzem a viscosidade do VR ao serem combinados no Misturador de
Óleo Combustível Pesado (HFOB). Os fluxos de entrada são representados por 𝑥𝑖,𝑡 e os fluxos
de saída por 𝑥𝑗,𝑡 . O índice 𝑖 indica a corrente de entrada; 𝑗, a corrente de saída e 𝑡 o período de
tempo (em horas, dias, semanas ou mais). As estruturas, formas ou objetos de diamante (◇)
são fontes e sumidouros de fluxos físicos conhecidas como unidade-operações. As unidade-
operações são equipamentos dentro de um processo produtivo que apresentam modos de
operação, por exemplo: equipamentos de inventário (tanques) com operação de enchimento e
de esvaziamento e misturador com operação para produzir gasolina comum e outra para
produzir gasolina premium. A forma retangular com mira (⊠󠆕) é uma unidade-operação de
processo contínuo. As setas (→) são fluxos externos; sinônimos de setas incluem caminhos,
rotas, conexões, linhas, transferências ou movimentos.

Figura 3.1 — Produção por mistura de óleo combustível pesado (HFO).

3.1 REFORMULAÇÃO LP TRADICIONAL

Na Figura 3.1, o balanço material no HFOB é calculado como 𝑥𝑗,𝑡 = ∑𝑖 𝑥𝑖,𝑡 . As

principais qualidades do material misturado ou produtos que saem do HFOB são determinadas
 21

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 .

𝑣𝑗,𝑝,𝑡 𝑥𝑗,𝑡 = ∑ 𝑣𝑖,𝑝,𝑡 𝑥𝑖,𝑡 ∀ 𝑗, 𝑝 ∈ 𝑃𝑣 , 𝑡 (3.1)

𝑖

𝑤𝑗,𝑝,𝑡 𝑣𝑗,𝑆𝐺,𝑡 𝑥𝑗,𝑡 = ∑ 𝑤𝑖,𝑝,𝑡 𝑣𝑖,𝑆𝐺,𝑡 𝑥𝑖,𝑡 ∀ 𝑗, 𝑝 ∈ 𝑃𝑤 , 𝑡 (3.2)

𝑖

A prática comum de linearização, mostrada nas restrições de desigualdade (3.3) e (3.4),

considera as propriedades de alimentação ou de componente como fixas ou imutáveis (𝑣̅ 𝑖,𝑝,𝑡 e
𝐿
𝑤
̅𝑖,𝑝,𝑡 ) e as propriedades do produto misturado são substituídas por limites inferior (𝑣̅𝑗,𝑝,𝑡 e
𝐿 𝑈 𝑈
𝑤
̅𝑗,𝑝,𝑡 ) e superior (𝑣̅𝑗,𝑝,𝑡 e𝑤
̅𝑗,𝑝,𝑡 ) das especificações da propriedade (MÉNDEZ et al., 2006;
CERDÁ; PAUTASSO; CAFARO, 2015, 2016a, 2016b). Nessas restrições lineares (3.3) e (3.4),
as variáveis de propriedade da mistura não podem ser verdadeiramente calculadas, uma vez que
elas são aproximações ou substituições de balanços de qualidade modelados como
desigualdades. Isso significa que podem existir carências (distância/diferença até o limite
superior) ou excedentes (distância/diferença até o limite inferior) de alguma especificação no
cálculo de qualidade modelado como fatores-fluxos (fatores multiplicados por fluxos), exceto
quando a restrição é ativa, então a carência ou o excesso correspondente é zero (0).
Para restrições não ativas menor ou igual (≤), existe alguma carência ou quantidade de
recurso não utilizada. Para restrições não ativas maior ou igual (≥), é produzido ou utilizado
algum excesso ou quantidade extra. Essas carências ou excessos transformam desigualdades
em igualdades que ocorrem internamente em todos os solucionadores de LP e é conhecida como
a forma LP padrão.
 22

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

Propõe-se explicitar essas quantidades de falta ou excesso de qualidades (fatores-fluxos

de carências ou excedentes) modelados em um problema de otimização LP para melhorar a
solução da decisão automatizada de produção de mistura. Embora o foco seja no problema de
mistura, a modelagem proposta pode ser usada em problemas de programação de produção,
como visto no apêndice A.

3.2 REFORMULAÇÃO LP USANDO FATORES

Na Figura 3.2, as unidade-operações de perímetro HFO-DENS, HFO-SULF, HFO-

FLSH e HFO-VISC representam os fatores-fluxos de carência e excedente correspondentes às
especificações de qualidade do HFO (densidade, concentração de enxofre, ponto de inflamação
ou fulgor e viscosidade cinemática, respectivamente).

Figura 3.2 — Produção por mistura de óleo combustível pesado (HFO) usando fatores.
 23

A restrição LP (3.5) equaliza os valores de qualidade estendidas da propriedade 𝑝

(fatores multiplicados por fluxos) em torno da unidade-operação de mistura HFOB em relação
ao seu fator-fluxo de carência ou excedente que sai da saída 𝑗 𝑠 . O fator ou coeficiente em 𝑗 𝑠 é
considerado unitário, portanto o valor do fator-fluxo de carência ou excedente 𝑥𝑗 𝑠,𝑝,𝑡 representa,
respectivamente, a quantidade que está faltando ou que está excedendo o balanço de qualidade
para o fator-fluxo LP de cada propriedade 𝑝.

̅ 𝑥𝑖,𝑡 = 𝑓𝑗,𝑝,𝑡
∑ 𝑓𝑖,𝑝,𝑡 ̅ 𝑥𝑗,𝑡 + 𝑥𝑗 𝑠 ,𝑝,𝑡 ∀ 𝑗, 𝑗 𝑠 , 𝑝, 𝑡 (3.5)
𝑖

No lado esquerdo da equação (3.5), para cada propriedade 𝑝 no tempo 𝑡, a quantidade

̅
de correntes de entrada 𝑥𝑖,𝑡 em volume com fatores de qualidades 𝑓𝑖,𝑝,𝑡 contrabalanceiam a
̅
quantidade total 𝑥𝑗,𝑡 da saída do fator do misturador ou especificação de propriedade 𝑓𝑗,𝑝,𝑡
menos carência ou mais excedente do fator-fluxo variável 𝑥𝑗 𝑠 ,𝑝,𝑡 , no lado direito da equação
(3.5). Assim, para um limite superior de especificação de propriedade do material misturado
̅ , pode haver uma variável fator-fluxo negativa ou carência 𝑥𝑗 𝑠 ,𝑝,𝑡
representado por seu fator 𝑓𝑗,𝑝,𝑡
para completar o balanço na equação (3.5), então 𝑥𝑗 𝑠 ,𝑝,𝑡 ≤ 0. Para uma propriedade de limite
̅ , é necessário um fator-fluxo positivo ou excedente para
inferior do fator do misturador 𝑓𝑗,𝑝,𝑡
fechar esse balanço de qualidade (𝑥𝑗 𝑠 ,𝑝,𝑡 ≥ 0). Como veremos na seção de resultados (seção 6),
quando esses fatores são calculados como índice de propriedade para a viscosidade e o ponto
de fulgor, a mudança de escala de propriedade para índice de propriedade pode transformar
números positivos em negativos, portanto, para consistência, o fator-fluxo é modelado como
𝑥𝑗 𝑠 ,𝑝,𝑡 ≤ 0 e 𝑥𝑗 𝑠,𝑝,𝑡 ≥ 0 para índice de propriedades.
Os fatores são semelhantes a outras variáveis de fenômenos de qualidade, como
densidades, componentes, condições e outros coeficientes de propriedade física, exceto que,
como mencionado, os fatores são constantes. Os fatores também podem ser usados para
modelar os equilíbrios simples de entalpia e entropia encontrados nas otimizações de rede de
utilidades de vapor onde os fatores são interligados ou vinculados a simuladores de processo
rigorosos para atualizar a entalpia e a entropia à medida que as temperaturas e as pressões
̅ podem ser diferentes, dando valores em cada
mudam. Estes coeficientes imutáveis 𝑣̅ 𝑖,𝑝,𝑡 e 𝑓𝑖,𝑝,𝑡
janela de tempo da formulação de passo discreto proposto nesta monografia.
No exemplo da produção por mistura de HFO, existem quatro propriedades: massa
específica, concentração de enxofre, ponto de fulgor e viscosidade. Para 𝑥𝑖,𝑡 como fluxo
 24

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

4 SUBSTITUIÇÃO SUCESSIVA (SS) PARA CORRIGIR FATOR LP E DIFERENÇAS

DE MISTURA NÃO LINEAR

Nas aproximações sucessivas LP anteriores, as correlações não lineares da mistura de

correntes usam, iterativamente, correções de propriedades pré-calculadas antes de iniciar a fase
de otimização (MÉNDEZ et al., 2006). Isto exige uma determinada receita inicial para
computar a diferença entre as fórmulas não lineares e a mistura volumétrica linear, bem como
uma massa específica aproximada para propriedades baseadas em massa. De forma diferente,
calcula-se as correções ou deltas (para qualquer base de mistura) em uma fase de pós-
otimização, considerando os resultados do fator LP, tais como:
a) fluxos de matérias-primas e produtos (para cálculo não linear);
b) fatores-fluxos (para cálculo linear).
Ao atualizar os deltas corretivos iterativamente sobre o valor incerto das propriedades
do material misturado, a SS melhorada usando fatores-fluxos fornece resultados muito
próximos das fórmulas de mistura não linear como será vista no exemplo da seção 6. Este
procedimento também evita soluções inviáveis, verificadas no pós-cálculo não linear usando
fluxos de matérias-primas e produtos, se a abordagem do fator LP produz uma solução viável.
Mesmo se os cálculos pós-otimização não lineares e lineares ofereçam uma solução viável, o
algoritmo SS melhorado continua em cada iteração para reduzir o acúmulo dos deltas de
propriedades para perto de zero, reduzindo assim os brindes de qualidades (giveaways).
Brindes ou premium de qualidade são as distâncias das propriedades das misturas até as
suas especificações. Usando o exemplo do enxofre, sua concentração não pode passar da
especificação 3,25%. Quanto mais próximo de 3,25% a especificação chega, menor é o brinde.
Ao chegar em 3,25%, diz-se que o produto está especificado, sem brinde. É praticamente
impossível que um produto fique especificado em todas as qualidades, portanto é desejável que
seja gerenciado os brindes de forma a distribuir igualmente no horizonte de tempo da produção
e entre os compradores do produto já que brinde significa custo a mais na produção.
Para ilustrar a necessidade do método SS, é plotado na Figura 4.1 a concentração de
enxofre do produto HFO versus a quantidade de LAGO considerando o exemplo da produção
por mistura na Figura 3.2, no qual o volume de LAGO em m³/d é considerado como o único
grau de liberdade. Os dados e resultados completos são encontrados no exemplo (seção 6) do
qual é extraído algumas informações para explicar a utilidade da teoria do fator LP para
melhorar as abordagens LP sucessivas que substituem as correlações de mistura NLP. Figura
4.2 faz uma redução de escala na área da solução inicial da Figura 4.1 para ver com clareza o
 26

controle do brinde na especificação de concentração de S, mostrando três iterações do algoritmo

SS até que a convergência é alcançada tanto no cálculo não linear (para encontrar propriedades
na especificação) quanto na predição dos deltas de propriedade (para evitar brindes de produto
após as propriedades na especificação serem atingidas).

Figura 4.1 — Método SS aplicado ao exemplo da mistura HFO para concentração de enxofre (ver seção 6).

Figura 4.2 — Iterações para especificar a concentração de enxofre.

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

misturados não lineares ( ), reais, ao considerar os fluxos otimizados do fator LP e as

propriedades dadas das matérias-primas. Para encontrar os valores dos produtos misturados
linearmente ( ) definidos no método fator LP, a iteração SS adiciona na especificação real
do produto as distâncias dos deltas de propriedade (dividindo os fatores-fluxos de carência ou
excedente por sua base acumulada). Para propriedades e índices de propriedades regidos
linearmente por relações baseadas em volume, a base acumulada é o volume do produto
misturado. Se a propriedade de mistura for baseada em fórmulas em massa, como a
concentração de enxofre, a base acumulada é o volume multiplicado pela massa específica do
produto misturado (massa acumulada).
No exemplo, a especificação da concentração de enxofre no produto HFO é reduzida da
especificação (a) a 3,25% para a especificação (b) a 3,12% em massa. Ambas especificações
tem os mesmos fluxos otimizados das matérias-primas LAGO, LCGO e VR na modelagem
fator LP (e também de produto HFO), embora os fatores-fluxos de concentração de enxofre
tenham diminuído porque a nova especificação, (b), está mais próxima dos resultados do fator
LP na solução inicial (linear = 3,0713% considerando o cálculo reverso dos fatores, dividindo
os fatores-fluxos por sua base acumulada). Portanto, com a nova especificação (b), a mistura é
considerada viável em 237,6190 m³/d de LAGO assim como a especificação (a), indicada na
Figura 4.1 como a solução inicial.
No entanto, mesmo se a solução do fator LP for viável em ambas especificações na
modelagem proposta, pode haver tanto subestimação quanto superestimação de propriedades
não lineares do material misturado que podem levar a inviabilidades ou brindes de qualidade.
Essas inconsistências são encontradas no exemplo ilustrativo do HFO uma vez que a simulação
ou cálculo não linear dos fluxos otimizados (237,6190 m³/d de LAGO e 500,0000 m³/d de
LCGO) dá concentração de enxofre em 3,1475 %. Esse valor é reduzido no algoritmo sucessivo
para substituir a propriedade misturada incerta do fator LP por novos valores corrigidos
considerando deltas de propriedade da iteração passada. O exemplo também explora o caso no
qual depois de alcançar uma solução viável (na especificação) quando da verificação ou
simulação do cálculo não linear com a abordagem SS, a propriedade misturada apresenta um
brinde, ou seja, uma sobre especificação (ver 2ª iteração SS na Figura 4.2). Nesse caso, a
próxima iteração de SS é realizada por uma interpolação entre a atual e a última iteração.
A Figura 4.3 mostra o algoritmo SS considerando a computação em cada iteração das
correções delta e o cálculo não linear para verificar se o produto é especificado considerando
os resultados dos fluxos de matérias-primas dos modelos usando fatores em problemas de
mistura LP. O algoritmo também pode ser usado em MILP para problemas de mistura e de
 28

programação de produção porque o princípio é o mesmo. Na busca SS automatizada, a nova

especificação do produto é substituída sucessivamente em um novo programa de fator LP,
adicionando o delta total atual da última iteração do SS, até que a especificação do produto seja
alcançada e o delta adicional da última iteração convirja abaixo de uma tolerância (cerca de
0,0001).

Figura 4.3 — Algoritmo de substituição sucessiva (SS) usando fatores como aproximações de qualidade ou
substitutos.
 29

5 FÓRMULAS DE MISTURA NA UOPSS: REFORMULAÇÃO NLP E LP USANDO

FATORES

As Figuras 3.1 e 3.2 são reconstruídas usando a Superestrutura de Porta-Estado de

Unidade-Operação (UOPSS) como mostrado nas Figuras 5.1 e 5.2, sem e com o uso do fator
LP, respectivamente (KELLY; ZYNGIER, 2005, 2012). Essa superestrutura é uma
representação de uma rede de produção. Além de incluir as estruturas da Figura 3.1, a UOPSS
usa o conceito de estados de entrada do fluxo e de saída do fluxo ao adotar portas de entrada
(Ο) e de saída (⊗) que em relação a uma unidade-operação, no fluxo material, podem ser
upstream (antes da unidade-operação) e downstream (depois da unidade-operação). Com as
portas-estado explícitas no fluxograma, é possível ver se o algoritmo de mistura está sendo
executado; por exemplo, se duas correntes são ligadas à mesma porta-estado de entrada (Ο),
assume-se que há uma mistura não controlada. Reciprocamente, duas correntes que saem da
mesma porta-estado de saída (⊗) significa que as correntes passaram por uma separação não
controlada.
O índice 𝑗 ′ representa portas-estado de saída upstream de uma unidade-operação
conectadas às portas-estado de entrada upstream 𝑖, enquanto 𝑖 ′′ representa portas-estado de
entrada downstream de outras unidades conectadas à apenas uma porta-estado de saída
downstream 𝑗 do misturador. O Quadro 5 mostra os índices e o que cada um representa.

Quadro 5 — Índices dos fluxos em uma UOPSS.

Índice Significado
𝑗′ Porta-estado de saída upstream
𝑖 Porta-estado de entrada upstream
𝑗 Porta-estado de saída downstream
𝑖 ′′ Porta-estado de entrada downstream

Na UOPSS, as correntes podem ser conectadas às unidades em diferentes janelas de

tempo e pontos (ou portas) e cada porta anexada pode ter um estado físico ou não. Exemplos
usando os conceitos UOPSS encontrados em Menezes et al. (2015), Menezes, Grossmann e
Kelly (2017), Kelly et al. (2017a, 2017b), Kelly, Menezes e Grossmann (2017) e Zyngier,
Lategan e Furstenberg (2017) são resolvidos para casos industriais com milhares de restrições
e variáveis binárias e contínuas em poucos minutos. Nos apêndices A e B são apresentadas as
equações referentes ao balanço de quantidade na qual há a presença de variáveis binárias nos
 30

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.

5.1 MISTURA NLP

Na Figura 5.1, o balanço material UOPSS geral no HFOB é calculado como

∑𝑖 ∑𝑗 ′ 𝑥𝑗 ′,𝑖,𝑡 = ∑𝑖 ′′ 𝑥𝑗,𝑖 ′′ ,𝑡 , considerando que múltiplas correntes 𝑥𝑗 ′,𝑖,𝑡 das portas-estado de saída
𝑗 ′ da unidade-operação upstream podem ser conectados às portas-estado de entrada 𝑖 do mesmo
misturador. A corrente de saída do misturador é normalmente despachada para apenas um
sumidouro por vez, embora possa ser conectada a mais de uma porta-estado de entrada 𝑖 ′′
downstream.

Figura 5.1 — Produção de mistura de óleo combustível pesado (HFO) em UOPSS.

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 .

𝑣𝑗,𝑝,𝑡 ∑ 𝑥𝑗,𝑖 ′′ ,𝑡 = ∑ 𝑣𝑖,𝑝,𝑡 ∑ 𝑥𝑗 ′ ,𝑖,𝑡 ∀ 𝑗, 𝑝 ∈ 𝑃𝑣 , 𝑡 (5.1)

𝑖 ′′ 𝑖 𝑗′

𝑤𝑗,𝑝,𝑡 ∑ 𝑣𝑗,𝑆𝐺,𝑡 𝑥𝑗,𝑖 ′′ ,𝑡 = ∑ 𝑤𝑖,𝑝,𝑡 ∑ 𝑣𝑖,𝑆𝐺,𝑡 𝑥𝑗 ′ ,𝑖,𝑡 ∀ 𝑗, 𝑝 ∈ 𝑃𝑤 , 𝑡 (5.2)

𝑖 ′′ 𝑖 𝑗′

5.2 MISTURA FATOR LP

A reformulação LP proposta em UOPSS na equação (5.3) iguala os valores de qualidade

estendidas da propriedade 𝑝 (fatores multiplicados por fluxos) em volta da unidade-operação
HFOB com respeito aos seus fatores-fluxos saindo das portas-estado de saída de carência ou
excedente 𝑗 𝑆 . O fator em 𝑗 𝑆 (ohfo-dens, ohfo-sulf, ohfo-flsh e ohfo-visc) é considerado unitário,
portanto o valor dos fatores-fluxos de carência ou excedente 𝑥𝑗 𝑠,𝑝,𝑡 representam,
respectivamente, a insuficiência ou o excesso de quantidades de qualidade para o fluxo de fator
LP de cada propriedade 𝑝.

̅ ∑ 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 ′′

Para cada propriedade 𝑝 a ser reformulada na abordagem fator LP em UOPSS,

quantidades de matérias-primas ∑𝑗 ′ 𝑥𝑗 ′,𝑖,𝑡 chegando em diferentes portas-estado de entrada 𝑖
̅ , no lado esquerdo da equação (5.3), contrabalanceia a
com fatores para qualidades 𝑓𝑖,𝑝,𝑡
̅
quantidade total ∑𝑖 ′′ 𝑥𝑗,𝑖 ′′ ,𝑡 do fator material misturado ou especificação de propriedade 𝑓𝑗,𝑝,𝑡
menos carência ou mais excedente das variáveis de fator-fluxo 𝑥𝑗 𝑠,𝑝,𝑡 , no lado direito da equação
̅ , uma
(5.3). Para uma especificação de propriedade de limite superior no produto de fator 𝑓𝑗,𝑝,𝑡
carência ou variável de fator-fluxo negativo 𝑥𝑗 𝑠 ,𝑝,𝑡 precisa fechar o balanço da equação (5.3),
̅ , um
então 𝑥𝑗 𝑠,𝑝,𝑡 ≤ 0. Para uma propriedade de limite inferior do produto de fator 𝑓𝑗,𝑝,𝑡
excedente ou fator-fluxo positivo é necessário para fechar o balanço de fator (𝑥𝑗 𝑠,𝑝,𝑡 ≥ 0). Por
consistência, o fator-fluxo é modelado como 𝑥𝑗 𝑠 ,𝑝,𝑡 ≤ 0 e 𝑥𝑗 𝑠,𝑝,𝑡 ≥ 0 para índices de propriedade
 32

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

6 PRODUÇÃO DE MISTURA DE HFO USANDO AS ABORDAGENS FATOR LP E

NLP

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).

6.1 CÁLCULO DOS FLUXOS DE LAGO E LCGO

O caso ilustrativo da produção de mistura monoperíodo de tempo a seguir usa o UOPSS

presente no IMPL. Nessa produção de mistura, é feito uma comparação entre a simulação não
linear (usando NLP) e o modelo LP proposto nesse trabalho. A mistura de HFO na reformulação
fator LP proposta tem quatro fatores configurados, DENS (densidade), SULF (concentração de
enxofre), FLSH (ponto de fulgor) e VISC (viscosidade cinemática) como visto na Figura 5.2.
As portas-estado de saída HFO-DENS, HFO-SULF, HFO-FLSH e HFO-VISC são variáveis de
fluxo hipotéticas que representam o excesso ou a insuficiência de especificações de propriedade
e esses fluxos tem os limites de qualidade configurados. Densidade varia linearmente por
volume e concentração de enxofre varia linearmente por massa. No entanto, o ponto de fulgor
e a viscosidade requerem índices de mistura que depois da transformação variam linearmente
por volume (as regras de transformação dos índices dessas propriedades são apresentadas na
configuração do problema no apêndice A).
A Tabela 6.1 mostra as propriedades antes de serem transformadas em índices de
mistura. Para esse exemplo o qual seus dados são fictícios, há um fluxo de 800,0 m³/d de VR
que deve ser misturado por inteiro para atingir as especificações de qualidade de HFO
requeridas. Os limites de fluxo inferior e superior para LAGO e LCGO são 0,0 m³/d e 500,0
m³/d respectivamente na qual seus respectivos custos são U$408,84/m³ e U$345,94/m³ e o
preço para HFO é U$251,59/m³. Os desvios de medição para todos os fatores são
 34

negligenciados embora estes podem ser usados para compensar a incerteza estimada do
processo e da medição no sistema.

Tabela 6.1 — Dados para a mistura de óleo combustível pesado.

Componentes DENS (g/cm³) SULF (% m/m) FLSH (ºC) VISC (cSt a 50 ºC)
LAGO 0,85 0,80 50 5
LCGO 0,98 1,00 78 10
VR 1,03 5,00 200 250000
HFO ≤ 1,01 ≤ 3,25 ≥ 65 ≥ 380

Após a otimização usando uma LP monoperíodo de tempo, os fluxos de LAGO, LCGO

e VR são as seguintes: 237,6190 m³/d, 500,0000 m³/d, 800,0000 m³/d. O fluxo de HFO é a
soma dos fluxos de entrada, igual a 1537,6190 m³/d, como visto na Tabela 6.2. As carências
para HFO-DENS, HFO-SULF e HFO-VISC encontradas na solução LP são, respectivamente,
-37,0190, -275,6534 e 0,0. O valor de excedente para HFO-FLSH é -73801,6718. Como a
carência para HFO-VISC é 0,0 (zero), isso é uma indicação de que a viscosidade é um fator
limitante.
Os valores em negrito na Tabela 6.2 são os resultados dos fluxos e fatores-fluxos e,
como esperado, a solução maximiza a injeção de LCGO (U$345,94/m³) dado que é mais barato
que LAGO (U$408,84/m³) no qual LAGO é adicionado para respeitar o limite superior de
viscosidade de 380 cSt (mm²/s) a 50 ºC. Como o problema LP tem dois graus de liberdade
(fluxo de LAGO e fluxo de LCGO), a LP automaticamente determina que a solução ótima é
usando o limite superior de LCGO (500,0000 m³/d) e o HFO-VISC como a restrição ativa,
usando o mínimo de 237,6190 m³/d de LAGO para corresponder com a viscosidade de HFO.
Embora o excedente de HFO-FLSH seja um número negativo devido a transformação de
propriedade para índice de propriedade, o excedente da propriedade de ponto de fulgor é
positivo.
 35

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%

A concentração de enxofre na abordagem fator LP apresenta um desvio em torno de

2,52% quando comparado ao cálculo não linear na simulação ao usar os fluxos encontrados no
 36

programa fator LP e as propriedades na Tabela 6.1. Foi usado o algoritmo SS da seção 4 e os

passos para encontrar a solução final são mostrados na Figura 4.3. Para explorar mais,
reduzimos a concentração de enxofre da especificação (a) a 3,25% (ver tabela 6.1) para uma
nova especificação (b) a 3,12%. Considerando os resultados da tabela 6.2, os fluxos de
matérias-primas LAGO, LCGO e VR seriam os mesmos em ambas especificações (a) e (b) já
que a abordagem fator LP gera uma solução viável de 3,0682% de concentração de enxofre.
Entretanto, quando o cálculo não linear é feito na nova especificação (b), é gerado uma solução
inviável pois 3,1475% é maior do que o limite superior da especificação (b) de 3,12%.
Como comparação, a abordagem NLP da produção de mistura de HFO é resolvida
também. As quantidades de LAGO e LCGO são os mesmos encontrados na mistura LP com
fatores nas especificações (a) e (b). Como no modelo NLP as propriedades ou índices do
material misturado (𝑣𝑗,𝑝,𝑡 e 𝑤𝑗,𝑝,𝑡 ) são obtidos, é possível verificar em um cálculo pós-
otimização se os fatores-fluxos de carência ou excedente (𝑓𝑗 𝑆 ,𝑝,𝑡 ) encontrados no modelo LP
𝐿 𝐿 𝑈 𝑈
corresponde à distância entre os limites inferior (𝑣̅𝑗,𝑝,𝑡 e𝑤
̅𝑗,𝑝,𝑡 ) e superior (𝑣̅𝑗,𝑝,𝑡 e𝑤
̅𝑗,𝑝,𝑡 ) das
especificações de propriedade ou índice e os otimizados 𝑣𝑗,𝑝,𝑡 e 𝑤𝑗,𝑝,𝑡 (no modelo NLP). Após
a verificação, isto é numericamente idêntico à distância entre as quantidades de qualidade
otimizadas ou fatores-fluxos 𝑓𝑗 𝑠 ,𝑝,𝑡 (no problema LP) e as quantidades de qualidade na
̅ ∑𝑖 ′′ 𝑥𝑗,𝑖 ′′ ,𝑡 , veja equação 3.5).
especificação (dado por 𝑓𝑗,𝑝,𝑡

6.2 ANÁLISE ECONÔMICA

A equação (6.1) é a função objetivo de maximização de lucro da produção de mistura

de HFO. Preço é o valor do co-produto (HFO) no mercado, custo é o preço de venda dos
componentes de entrada (LAGO, LCGO e VR) no mercado e 𝑥 é o fluxo volumétrico. Nos
índices, temos 𝑖 representando os componentes de entrada e seus respectivos custos, 𝑗 como os
componentes de saída e seus respectivos preços (neste caso, apenas um componente de saída)
e 𝑡 sendo o período de tempo no qual estão definidos os preços dos produtos no mercado, os
custos dos componentes de entrada e os fluxos.

𝑀á𝑥 𝑍 = ∑ (∑ 𝑝𝑟𝑒ç𝑜𝑗,𝑡 𝑥𝑗,𝑡 − ∑ 𝑐𝑢𝑠𝑡𝑜𝑖,𝑡 𝑥𝑖,𝑡 ) (6.1)

𝑡 𝑗 𝑖
 37

Embora o problema de produção de mistura de HFO foi resolvido para um período de

tempo, a equação (6.1) pode ser utilizada para problemas multiperíodo de tempo porque há o
somatório desses períodos na equação. Além disso, o custo foi definido como o preço de venda
de LAGO, LCGO e VR pois deixa-se de ganhar com a venda dessas frações para vender HFO
que, embora tenha seu preço menor do que as frações LAGO e LCGO, a maior parte de seu
consumo provém de VR, que se considera sem realização de venda no mercado.
A Tabela 6.3 discrimina os preços de mercado das quatro frações envolvidas na
produção de mistura de HFO juntamente com seus fluxos calculados pelo modelo fator LP,
custo por dia das frações de entrada e receita por dia da fração de saída. A função objetivo é
maximizada em U$116731,41/d de lucro ao subtrair receita de custo total, como mostrado na
equação (6.1).

Tabela 6.3 — Dados e resultados econômicos da produção de mistura de HFO.

Custo total
Frações Custo (U$/m³) Preço (U$/m³) Fluxo (m³/d) Receita (U$/d)
(U$/d)
LAGO 408,84 .. 237,6190 97148,15 ..
LCGO 345,94 .. 500,0000 172970,00 ..
VR 0,00 .. 800,0000 0,00 ..
HFO .. 251,59 1537,6190 .. 386849,56

É importante lembrar que despesas operacionais e financeiras não estão sendo

consideradas nessa produção de mistura, portanto, o lucro pode ser menor.
 38

7 CONCLUSÃO

Foi destacado a aplicação do processo de mistura com detalhes de qualidade usando

uma formulação relativamente simples e direta baseada em LP modelada no IMPL ao
aproximar propriedades de mistura com fatores de qualidade. O propósito de tal otimização é
maximizar o lucro ao aumentar a venda de produtos mais valiosos usando matérias-primas mais
baratas sujeitas às restrições de qualidade. Isso pode ser visto na produção de mistura de HFO
feita, observando que há um lucro ao vender o HFO produzido comparado à venda de LAGO
e LCGO nas quantidades usadas nessa produção de mistura, já que o custo de VR é zero pelo
fator de não ter mercado sem a adição de diluentes como LAGO e LCGO.
A reformulação linear para cálculo de misturas não lineares tem potencial para ser
testado em outras produções de mistura como biodiesel por exemplo. Além das propriedades
trabalhadas, outras especificações podem ser usadas: acidez, pressão de vapor Reid (RVP),
octanagem, entre outros.
 39

REFERÊNCIAS

BECHTEL CORPORATION. PIMS (Process Industry Modeling System) user’s manual.

Version 6.0. Houston: Bechtel Corporation, 1993.

BERTHOLD, T. Heuristic Algorithms in Global MINLP Solvers. Berlin: Verlag Dr. Hut,
2014. p. 308.

BONNER & MOORE ASSOCIATES INCORPORATION. RPMS (Refinery and Petro-

chemical Modeling System) A System Description. Houston: Bonner & Moore Associates
Incorporation, 1979.

BRASIL, N. I. Destilação. Apostila. Petróleo Brasileiro S. A., 1995.

CASTRO, P. M.; GROSSMANN, I. E. Global Optimal Scheduling of Crude Oil Blending

Operations with RTN Continuous-time and Multiparametric Disaggregation. Ind. Eng.
Chem. Res., v. 53, n. 39, oct. 2014. p. 15127-15145.

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. Efficient Approach for Scheduling

Crude Oil Operations in Marine-Access Refineries. Ind. Eng. Chem. Res., aug. 2015. p.
8219-8238.

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.

CYCLE oil. In: Wikipedia: the free encyclopedia. Disponível em:

<https://en.wikipedia.org/wiki/Cycle_oil>. Acesso em: 18 jan. 2018.

FARAH, M. A. Caracterização do Petróleo e seus Produtos. Apostila. Petróleo Brasileiro

S.A., 1995.

GARY, J. H; HANDWERK, G. E.; KAISER, M. J. Petroleum Refining: Technology and

Economics. 5th. ed. Boca Raton: CRC Press, 2007. p. 488.

GLISMANN, K.; GRUHN, G. Short-term Scheduling and Recipe Optimization of Blend-

ing Processes. Comput. Chem. Eng., v. 25, n. 4-6, may 2001. p. 627-634.

GROSSMANN, I. E.; VAN DEN HEEVER; S. A., HARJUNKOSKI, I. Discrete Optimiza-

tion Methods and their Role in the Integration of Planning and Scheduling. AIChE Sym-
posium Series, v. 98, n. 326, 2002. p. 150-168.

JIA, Z.; IEARAPETRITOU; M. Mixed-Integer Linear Programming Model for Gasoline

Blending and Distribution Scheduling. Ind. Eng. Chem. Res., v. 42, n. 4, 2003. p. 825-835.
 40

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. Formulating Production Planning Models in the Process Industries. Chem.

Eng. Prog., AIChE J, v. 100, jan. 2004. p. 43–50.

KELLY, J. D. The Unit-Operation-Stock Superstructure (UOSS) and the Quantity-

Logic-Quality Paradigm (QLQP) for Production Scheduling in the Process Industries.
In: Multidisciplinary International Conference on Scheduling : Theory and Applications, 2.,
2005, New York. Proceedings… New York, 2005. p. 327-333.

KELLY, J. D.; MANN, J. L. Crude-Oil Blend Scheduling Optimization: An Application

with Multimillion Dollar Benefits, Part I. Hydrocarbon Processing, v. 82, n. 6, 2003. p. 47–
53.

KELLY, J. D.; MANN, J. L. Crude-Oil Blend Scheduling Optimization: An Application

with Multimillion Dollar Benefits: Part II. Hydrocarbon Processing, v. 82, n. 7, 2003. p. 72–
79.

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.

KELLY, J. D. et al. Crude-Oil Blend Scheduling Optimization of an Industrial-Sized Re-

finery: a Discrete-time Benchmark. In: Foundations of Computer Aided Process Operations,
2017, Tucson. Proceedings…

KELLY, J. D. et al. Feedstock Storage Assignment in Process Industry Quality Problems.

In: Foundations of Computer Aided Process Operations, 2017, Tucson. Proceedings…

KELLY, J. D.; ZYNGIER, D. An Improved MILP Modeling of Sequence-Dependent

Switchovers for Discrete-Time Scheduling Problems. Ind. Eng. Chem. Res., v. 46, n. 14,
2007. p. 4964- 4973.

LEE, H. et al. Mixed-Integer Linear Programming Model for Refinery Short-Term

Scheduling of Crude Oil Unloading with Inventory Management. Ind. Eng. Chem. Res.,
v. 35, n. 5, 1996. p. 1630-1641.

MÉNDEZ, C. A. et al. A Simultaneous Optimization Approach for Off-Line Blending

and Scheduling of Oil-Refinery Operations. Comput. Chem. Eng.. Elsevier, v. 30, n. 4, feb.
2006. p. 614-634.
 41

MENEZES, B. C. et al. Generalized Capital Investment Planning of Oil-Refineries using

MILP and Sequence-Dependent Setups. Comput. Chem. Eng., Elsevier, v. 80, sep. 2015. p.
140-154.

MENEZES, B. C.; GROSSMANN, I. E.; KELLY, J. D. Enterprise-Wide Optimization for

Operations of Crude-Oil Refineries: Closing the Procurement and Scheduling Gap. Com-
put. Aided Chem. Eng. Elsevier, 2017. v. 40. p. 1249-1354.

MENEZES, B. C.; KELLY, J. D.; GROSSMANN, I. E. Phenomenological Decomposition

Heuristic for Process Design Synthesis of Oil-Refinery Units. Comput. Aided Chem. Eng.
Elsevier, 2015. v. 37. p. 1877-1882.

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.

MOURET, S.; GROSSMANN, I. E.; PESTIAUX, P. A Novel Priority-Slot Based Continu-

ous-Time Formulation for Crude-Oil Scheduling Problems. Ind. Eng. Chem. Res., v. 48,
n. 18, aug. 2009. p. 8515-8528.

NETO, A.A.D.; GURGEL, A. Refino de Petróleo e Petroquímica. [201-?]. 244 slides.

NUMERICAL ALGORITHMS GROUP. Mixed Integer Nonlinear Programming

(MINLP). [20--?]. Disponível em: < https://www.nag.com/IndustryArticles/minlp.pdf >.
Acesso em: 18 jan. 2018.

PORTO, J. P. P. Simulação da Torre Atmosférica de uma Refinaria de Petróleo. 2006. 59

f. TCC (Graduação) - Curso de Engenharia Química, Centro Tecnológico, Universidade
Federal do Rio de Janeiro, Rio de Janeiro, 2006.

QUESADA, I.; GROSSMANN, I. E. Global Optimization of Bilinear Process Networks

with Multicomponent Flows. Comput. Chem. Eng., Elsevier, v. 19, n. 12, dec. 1995. p.
1219-1242.

REKLAITIS, G. V. Overview of Scheduling and Planning of Batch Process Operations.

In: REKLAITIS, G. V. et al. (Ed.). Batch Processing Systems Engineering: Fundamentals and
Applications for Chemical Engineering. Berlin: Springer-Verlag Berlin Heidelberg, 1996.
Cap. 27. p. 660-705. (Nato ASI Subseries F:).

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.

THE DISTILLATION GROUP INCORPORATION. Distillation. jan. 2002. Disponível em:

<http://www.distillationgroup.com/distill.htm>. Acesso em: 15 jan. 2018.
VASBINDER, R.J.; KELLY, J.D. Ethylene Furnace Scheduling. Petrochemicals & Gas
Processing, Q4, 2005.

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. Multi-product Inventory Logistics Modeling in the Process

Industries. In: Chaovalitwongse, W.; Furman, K. C.; Pardalos, P. M. Optimization and Lo-
gistics Challenges in the Enterprise. Boston: Springer, 2009. v. 30, p. 61-95.

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.

ZYNGIER, D.; LATEGAN, J.; FURSTENBERG, L. Optimal Rail Scheduling in Limited

Flexibility Environments. In: Foundations of Computer Aided Process Operations, 2017,
Tucson. Proceedings...
 43

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.

Octanagem: Também conhecido como número ou índice de octano, representa a resistência à

detonação de um combustível comparado a uma mistura de isoctano com n-heptano. Seu
número corresponde ao valor percentual de isoctano na mistura. Por exemplo: octanagem 87
significa que o combustível tem a mesma resistência de entrar em combustão comparado à uma
mistura de 87% de isoctano e 13% de n-heptano.

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.

Ponto de fulgor ou inflamação: É a menor temperatura na qual um combustível

liberta vapor em quantidade suficiente para formar uma mistura inflamável por uma fonte
externa de calor. O ponto de fulgor ou inflamação não é suficiente para que a combustão seja
mantida.

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.

Programação de produção: É o processo de arranjar, controlar e otimizar trabalho e carga de

trabalho em um processo produtivo ou processo de manufatura. É usado para alocar recursos
da planta e do maquinário, planejar recursos humanos, planejar processos de produção e compra
de materiais.

Programação matemática: Tem o mesmo significado de otimização. Não é diretamente

relacionada à programação de computadores.

Propriedade extensiva: Grandeza física cujo valor é proporcional ao tamanho do sistema ou à

quantidade de matéria no sistema. Exemplos: entalpia, entropia, energia de Gibbs, capacidade
calorífica, energia de Helmholtz, energia interna, massa, volume, entre outros.

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

APÊNDICE A — PROGRAMAÇÃO DE MISTURA MILP COM FATORES DE

QUALIDADE

Na programação de mistura no modelo MILP, são formuladas configurações lógicas ou

binárias que são variáveis. Além disso, quando usamos os fatores de qualidade LP no modelo
MILP, estamos realizando uma aproximação das fórmulas de mistura NLP para se evitar
formulação MINLP. Lembrando que as variáveis binárias nos modelos LP e NLP do exemplo
com HFO são fixas em 1.
Figura A mostra um caso representativo de uma produção de mistura com fontes de
matérias-primas R1, R2 e R3 e seus respectivos tanques de armazenamento S1, S2 e S3
conectados a um misturador com modos de operação A e B. Cada modo produz classes de
produto com diferentes propriedades ou especificações. Tanques F1 até F4 retêm os produtos a
serem entregues aos pontos de demanda D1 até D4. Além dos objetos no exemplo do HFO
(unidade-operações, perímetros, portas-estado e setas, ver Figuras 4.1 e 4.2), o problema de
programação de mistura precisa incluir tanques de estocagem (∆) e suas restrições logísticas e
lógicas correspondentes. A reformulação LP usando fatores é aplicado para a massa específica
(SG) e concentração de enxofre (SUL), ambos sendo fatores-fluxos de carência.

Figura A — Programação de mistura de combustíveis usando fatores.

 45

O problema MILP usando fatores de qualidade nas fórmulas de mistura LP incluem

equação (4.3) para cada especificação de propriedade, equações de (A.1) até (A.17) para a
formulação UOPSS e equações de (A.17) até (A.31) para a modelagem logística. A função
objetivo (A.1) maximiza lucro com ou sem desconto dos custos de alimentação em R1 até R3
do faturamento dos produtos (nos pontos de demanda D1 até D4). A formulação UOPSS dada
pelos objetos e suas conectividades na Figura A.1 são definidas nas equações de (A.2) até
(A.17). Nas equações de (A.5) até (A.16) envolvendo portas, 𝑗 ′ e 𝑖 ′′ representam portas-estado
upstream e downstream conectadas, respectivamente, à porta-estado de entrada 𝑖 e à porta-
estado de saída 𝑗 das unidade-operações 𝑚, rendendo uma combinação de fluxo de entrada e
de saída 𝑗 ′ , 𝑖, 𝑗 e 𝑖 ′′ de uma unidade-operação 𝑚. Os conjuntos 𝑀𝑅𝑀 , 𝑀𝑇𝐾 , 𝑀𝐵𝐿 e 𝑀𝐷 definem
unidade-operações 𝑚 para matérias-primas, tanques, misturadores e demandas de produto
respectivamente. Os conjuntos 𝐼 e 𝐽 definem portas-estado de entrada e de saída
respectivamente e seus índices são mostrados nas equações de (A.2) até (A.17) para tanques de
armazenamento (𝑆) e de alimentação (𝐹). O conjunto 𝐽𝐼 representa as setas de fluxo que
conectam uma porta-estado de saída para uma porta-estado de entrada. Para 𝑥 ∈ ℝ+ e 𝑦 =
{0,1}:

(𝑃) 𝑀á𝑥 𝑍 = ∑ ( ∑ 𝑝𝑟𝑒ç𝑜𝑚,𝑡 𝑥𝑚,𝑡 − ∑ 𝑐𝑢𝑠𝑡𝑜𝑚,𝑡 𝑥𝑚,𝑡 ) (A. 1)

𝑡 𝑚∈𝑀𝐷 𝑚∈𝑀𝑅𝑀

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

𝑥ℎ𝑚,𝑡 = 𝑥ℎ𝑚,𝑡−1 + ∑ 𝑥𝑗 ′ ,𝑖,𝑡 − ∑ 𝑥𝑗,𝑖 ′′ ,𝑡 ∀ (𝑖, 𝑚, 𝑗) ∈ 𝑀𝑇𝐾 , 𝑡 (A. 15)

𝑗 ′ ∈𝐽𝑇𝐾 𝑖 ′′ ∈𝐼𝑇𝐾

∑ 𝑥𝑗 ′ ,𝑖,𝑡 = ∑ 𝑥𝑗,𝑖 ′′ ,𝑡 ∀ (𝑖, 𝑚, 𝑗) ∈ 𝑀𝐵𝐿 , 𝑡 (A. 16)

𝑗 ′ ∈𝐽𝑆 𝑖 ′′ ∈𝐼𝐹

𝑥𝑚,𝑡 , 𝑥𝑗,𝑖,𝑡 , 𝑥ℎ𝑚,𝑡 ≥ 0; 𝑦𝑗,𝑖,𝑡 , 𝑦𝑚,𝑡 = {0,1} (A. 17)

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

As unidade-operações de mistura 𝑚 (𝑚 ∈ 𝑀𝐵𝐿 ) podem ter correntes entrando ou saindo

de portas-estado conectadas independentemente. As equações (A.11) e (A.12) consideram
𝐿 𝑈
limites de rendimentos inversos (𝑟̅𝑖,𝑡 e 𝑟̅𝑖,𝑡 ) e as equações (A.13) e (A.14) consideram limites de
𝐿 𝑈
rendimentos diretos (𝑟̅𝑗,𝑡 e 𝑟̅𝑗,𝑡 ) com respeito às cargas de processamento da unidade-operação
𝑥𝑚,𝑡 do misturador. Entretanto, tipicamente apenas um fluxo de saída é considerado para
misturadores, embora eles possam ser conectados a vários sumidouros, um operando por vez.
O balanço de quantidade do inventário ou reservatório para unidade-operações 𝑚 dos tanques
(𝑚 ∈ 𝑀𝑇𝐾 ) é calculado na equação (A.15) considerando a quantidade de reservatório atual
𝑥ℎ𝑚,𝑡 do material restante no período de tempo passado mais ou menos o somatório das
conexões upstream e downstream dos tanques. Para não acumular material nos misturadores,
um balanço de massa na equação (A.16) é necessário nesses tipos de unidades.
É importante mencionar que a formulação UOPSS apenas calcula balanços de massa
nas unidade-operações 𝑥𝑚,𝑡 (𝑚 ∉ 𝑀𝑇𝐾 ) com respeito aos fluxos em rede das setas 𝑥𝑗,𝑖,𝑡 nos
𝐿 𝑈 𝐿 𝑈
limites dos rendimentos inversos (𝑟̅𝑖,𝑡 e 𝑟̅𝑖,𝑡 ) e rendimentos diretos (𝑟̅𝑗,𝑡 e 𝑟̅𝑗,𝑡 ) como nas equações
de (A.11) até (A.14). A configuração operacional dos balanços nas equações de (A.5) até (A.10)
são em respeito aos possíveis fluxos de entrada e de saída de uma unidade-operação 𝑚 (𝑚 ∉
𝑀𝑇𝐾 ) quando sua configuração 𝑦𝑚,𝑡 é verdadeira ou ativa. Isso pode ser considerado uma
equação semi-contínua conectando os fluxos em rede às suas unidade-operações em vez de as
unidade-operações conectarem a si mesmas como é nas equações (A.3) e (A.4).
As constrições logísticas nas equações de (A.18) até (A.31) envolvem:
a) restrições na transição estrutural e seleções dos modos de operação;
b) unidade-operações em transições temporais de ciclos dependentes de sequência;
c) multiuso de portas;
d) tempo de atividade ou tempo mínimo de unidade-operações os quais representam os
limites de tempo em que uma operação pode ficar ativa;
e) tanques em operações de atraso de preenchimento.
Na equação (A.18), se as variáveis binárias ou de configuração de unidade-operações
interconectadas 𝑚′ e 𝑚 são verdadeiras (𝑚′ é a unidade-operação upstream para 𝑚), a variável
binária 𝑦𝑗,𝑖,𝑡 da seta conectando-as dentro das portas-estado de saída 𝑗 ′ de 𝑚′ e das portas-estado
de entrada 𝑖 de 𝑚 é implicitamente verdadeira. Essa restrição de transição estrutural de um
grupo de quatro objetos (𝑚′ , 𝑗 ′ , 𝑖, 𝑚) é um corte lógico válido que facilita a busca nos métodos
branch and bound. O algoritmo branch and bound é uma enumeração sistemática de candidatos
a uma solução. Seu conjunto de soluções forma uma árvore ramificada com o conjunto
 48

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.

𝑦𝑚′ ,𝑡 + 𝑦𝑚,𝑡 ≥ 2𝑦𝑗,𝑖,𝑡 ∀ (𝑚′ , 𝑗, 𝑖, 𝑚), 𝑡 (A. 18)

∑ 𝑦𝑚,𝑡 ≤ 1 ∀ 𝑡 (A. 19)

𝑚∈𝑈𝑚

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.

𝑦𝑚,𝑡 − 𝑦𝑚,𝑡−1 − 𝑧𝑠𝑢𝑚,𝑡 + 𝑧𝑠𝑑𝑚,𝑡 = 0 ∀ 𝑚 ∈ 𝑀𝐵𝐿 , 𝑡 (A. 20)

𝑦𝑚,𝑡 + 𝑦𝑚,𝑡−1 − 𝑧𝑠𝑢𝑚,𝑡 − 𝑧𝑠𝑑𝑚,𝑡 − 2𝑧𝑠𝑤𝑚,𝑡 = 0 ∀ 𝑚 ∈ 𝑀𝐵𝐿 , 𝑡 (A. 21)
𝑧𝑠𝑢𝑚,𝑡 + 𝑧𝑠𝑑𝑚,𝑡 + 𝑧𝑠𝑤𝑚,𝑡 ≤ 1 ∀ 𝑚 ∈ 𝑀𝐵𝐿 , 𝑡 (A. 22)

No procedimento de multiuso nas equações (A.23) e (A.24), os parâmetros inferior e

𝐿 𝑈
superior 𝑈𝑆𝐸𝑗,𝑡 e 𝑈𝑆𝐸𝑗,𝑡 coordenam o uso de portas-estado de saída (𝑗 ∈ 𝐽𝑈𝑆𝐸 ) pelas suas portas-
estado de saída downstream 𝑖′′ conectadas. Isso ocorre nas portas-estado de saída j dos
misturadores para evitar a separação da mistura para diferentes tanques de alimentação ao
𝐿 𝑈
mesmo tempo. As equações (A.25) e (A.26) impõem múltiplos usos de limites 𝑈𝑆𝐸𝑖,𝑡 e 𝑈𝑆𝐸𝑖,𝑡
nas portas-estado de entrada (𝑖 ∈ 𝐼𝑈𝑆𝐸 ) com suas portas-estado de saída upstream 𝑗 ′ . As
equações de (A.27) até (A.29) modelam o uso do tempo de atividade ou duração considerando
UPTU como o limite superior do tempo de utilização e 𝑡𝑒𝑛𝑑 como o fim do horizonte de
 49

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′

𝑧𝑠𝑢𝑚,𝑡 + 𝑧𝑠𝑢𝑚,𝑡−1 ≤ 𝑦𝑚,𝑡+1 ∀ 𝑚 ∈ 𝑀𝐵𝐿 , 𝑡 > 1 (A. 27)

𝑈𝑃𝑇 𝑈
∆𝑡
𝑈𝑃𝑇 𝑈
∑ 𝑦𝑚,𝑡 ≤ ∀ 𝑚 ∈ 𝑀𝐵𝐿 , 𝑡 < 𝑡𝑒𝑛𝑑 − 𝑈𝑃𝑇 𝑈 (A. 28)
∆𝑡
𝑡𝑡=𝑡

∆𝑡 ∑ 𝑧𝑠𝑢𝑚,𝑡 ≤ 𝑛𝑝 ∀ 𝑚 ∈ 𝑀𝐵𝐿 (A. 29)

𝑡

As restrições de atraso de preenchimento-desvio (A.30) e (A.31) controlam,

respectivamente, o tempo mínimo e máximo entre o último preenchimento e as seguintes
operações de esvaziamento para as conexões upstream 𝑗 ′ e downstream 𝑖 ′′ de um tanque. Os
atrasos mínimos e máximos de preenchimento são ∆𝐷𝑚𝑖𝑛 e ∆𝐷𝑚𝑎𝑥 , respectivamente, e as
portas-estado de entrada e de saída 𝑖 e 𝑗 estão conectados ao tanque (𝐼𝐽 ∈ 𝑀𝑇𝐾 ) (ZYNGIER;
KELLY, 2009).

𝑦𝑗 ′ ,𝑖,𝑡 + 𝑦𝑗,𝑖 ′′ ,𝑡+𝑡𝑡 ≤ 1 ∀ (𝑗 ′ , 𝑖, 𝑗, 𝑖 ′′ )

tal que 𝐼𝐽𝑀𝑇𝐾 , 𝑡𝑡 = 0. . ∆𝐷𝑚𝑖𝑛 , 𝑡 = 1. . 𝑡|𝑡 + 𝑡𝑡 < 𝑡𝑒𝑛𝑑 (A. 30)
∆𝐷𝑚𝑎𝑥

𝑦𝑗 ′ ,𝑖,𝑡−1 − 𝑦𝑗 ′ ,𝑖,𝑡 − ∑ 𝑦𝑗,𝑖 ′′ ,𝑡−1 ≤ 0 ∀ (𝑗 ′ , 𝑖, 𝑗, 𝑖 ′′ )

𝑡𝑡=1

tal que 𝐼𝐽𝑀𝑇𝐾 , 𝑡 = 1. . 𝑡 − ∆𝐷𝑚𝑎𝑥 |𝑡 + 𝑡𝑡 < 𝑡𝑒𝑛𝑑 (A. 31)

 50

APÊNDICE B — PROGRAMAÇÃO DE MISTURA NLP

O problema NLP incluem as equações (4.1) e (4.2) para propriedades baseadas em

volume e em massa, respectivamente, nas portas-estado de saída 𝑗 de misturadores e a
formulação UOPSS nas equações de (A.1) até (A.17) para variáveis de configuração binária
fixa. O modelo NLP depende da solução MILP para definir a configuração das unidade-
operações (incluindo tanques) e porta-estado de unidade-operação a porta-estado de unidade-
operação (setas), logo apenas variáveis de quantidade e de qualidade são determinadas.
As restrições NLP restantes para a rede UOPSS incluem:
a) porta-estado de entrada 𝑖 não-tanque como misturadores nas equações (B.1) e (B.2);
b) tanques 𝑚 com reservatórios na equação (B.3) e fluxos de saída nas equações (B.4)
e (B.5) (a equação para propriedades baseadas em massa nos tanques é omitida
porque é similar à equação (B.3) ao substituir 𝑣 pelo produto 𝑣𝑤).

𝑣𝑖,𝑝,𝑡 ∑ 𝑥𝑗 ′ ,𝑖,𝑡 = ∑ 𝑣𝑗 ′ ,𝑝,𝑡 𝑥𝑗 ′ ,𝑖,𝑡 ∀ 𝑖 ∉ 𝐼𝑇𝐾 , 𝑝, 𝑡 (B. 1)

𝑗′ 𝑗′

𝑤𝑖,𝑝,𝑡 ∑ 𝑣𝑗 ′ ,𝑝,𝑡 𝑥𝑗 ′ ,𝑖,𝑡 = ∑ 𝑤𝑗 ′ ,𝑝,𝑡 𝑣𝑗 ′ ,𝑝,𝑡 𝑥𝑗 ′ ,𝑖,𝑡 ∀ 𝑖 ∉ 𝐼𝑇𝐾 , 𝑝, 𝑡 (B. 2)

𝑗′ 𝑗′

𝑣𝑚,𝑝,𝑡 𝑥ℎ𝑚,𝑡 = 𝑣𝑚,𝑝,𝑡−1 𝑥ℎ𝑚,𝑡−1 + ∑ 𝑣𝑗 ′ ,𝑝,𝑡 𝑥𝑗 ′ ,𝑖,𝑡 − 𝑣𝑚,𝑝,𝑡 ∑ 𝑥𝑗,𝑖 ′′ ,𝑡

𝑗′ 𝑖 ′′

∀(𝑖, 𝑚, 𝑗) ∈ 𝑀𝑇𝐾 , 𝑝, 𝑡 (B. 3)

𝑣𝑗,𝑝,𝑡 = 𝑣𝑚,𝑝,𝑡 ∀ (𝑚, 𝑗) ∈ 𝑀𝑇𝐾 , 𝑝, 𝑡 (B. 4)
𝑤𝑗,𝑝,𝑡 = 𝑤𝑚,𝑝,𝑡 ∀ (𝑚, 𝑗) ∈ 𝑀𝑇𝐾 , 𝑝, 𝑡 (B. 5)
 51

ANEXO A — IML QUE CONFIGURA O PROBLEMA HFO LINEAR

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

ANEXO B — IML QUE CONFIGURA O PROBLEMA HFO NÃO LINEAR

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

ANEXO C — EQUAÇÕES GERADAS PELO IMPL A PARTIR DA

CONFIGURAÇÃO IML DO HFO LINEAR

IMPL©

Copyright and Property of i n d u s t r i @ l g o r i t h m s

c2r_xjylower(HFOB,,HFO,,1) = 1 v2r_xmf(HFOB,,1) -1 v3r_xjif(HFOB,,HFO,,HFO,,i,,1)

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

c3r_xmfebalance(HFOB,,DENS,1) = 0.850000000000000 v3r_xjif(LAGO,,olago,,HFOB,,LAGO,,1)

0.880000000000000 v3r_xjif(LCGO,,olcgo,,HFOB,,LCGO,,1) -1.01000000000000
v3r_xjif(HFOB,,HFO,,HFO,,i,,1) -1 v3r_xjif(HFOB,,HFO,DENS,HFO-DENS,Slack,i,,1) 824.000000000000

c3r_xmfebalance(HFOB,,SULF,1) = 0.850000000000000 v3r_xjif(LAGO,,olago,,HFOB,,LAGO,,1)

0.704000000000000 v3r_xjif(LCGO,,olcgo,,HFOB,,LCGO,,1) -3.28250000000000
v3r_xjif(HFOB,,HFO,,HFO,,i,,1) -1 v3r_xjif(HFOB,,HFO,SULF,HFO-SULF,Slack,i,,1) 4120.00000000000

c3r_xmfebalance(HFOB,,FLSH,1) = 305.882810975623 v3r_xjif(LAGO,,olago,,HFOB,,LAGO,,1)

305.882810975623 v3r_xjif(LCGO,,olcgo,,HFOB,,LCGO,,1) -111.909754937099
v3r_xjif(HFOB,,HFO,,HFO,,i,,1) -1 v3r_xjif(HFOB,,HFO,FLSH,HFO-FLSH,Surplus,i,,1) 246.036242419614

c3r_xmfebalance(HFOB,,VISC,1) = -28.0933599424975 v3r_xjif(LAGO,,olago,,HFOB,,LAGO,,1)

-31.3817843227797 v3r_xjif(LCGO,,olcgo,,HFOB,,LCGO,,1)
15.1410010956660 v3r_xjif(HFOB,,HFO,,HFO,,i,,1) -1 v3r_xjif(HFOB,,HFO,VISC,HFO-
VISC,Slack,i,,1) -1777.50335343976

c1_gprofitterm(PROFIT,1) = 1 v1_gprofitterm(PROFIT,1) -40 v3r_xjif(HFOB,,HFO,,HFO,,I,,1)

65 v3r_xjif(LAGO,,olago,,HFOB,,LAGO,,1) 55 v3r_xjif(LCGO,,olcgo,,HFOB,,LCGO,,1)

c1_totalobjfun(TOTAL,1) = 1 v1_totalobjfun(TOTAL,1) -1 v1_gprofitterm(PROFIT,1)

1299.75034893492 <= v2r_xmf(HFOB,,1) <= 1800

1301.87013826849 <= v3r_xjif(HFOB,,HFO,,HFO,,i,,1) <= 1800
-818.989189216234 <= v3r_xjif(HFOB,,HFO,DENS,HFO-DENS,Slack,i,,1) <= 0
0 <= v3r_xjif(HFOB,,HFO,FLSH,HFO-FLSH,Surplus,i,,1) <= 160436.879084488
-1635.11127113367 <= v3r_xjif(HFOB,,HFO,SULF,HFO-SULF,Slack,i,,1) <= 0
-11803.4582961403 <= v3r_xjif(HFOB,,HFO,VISC,HFO-VISC,Slack,I,,1) <= 0
79.8488212054377 <= v3r_xjif(LAGO,,olago,,HFOB,,LAGO,,1) <= 500
123.875488572131 <= v3r_xjif(LCGO,,olcgo,,HFOB,,LCGO,,1) <= 500
-1.000000000000000E+020 <= v1_gprofitterm(PROFIT,1) <= 1.000000000000000E+020
-1.000000000000000E+020 <= v1_totalobjfun(TOTAL,1) <= 1.000000000000000E+0
 59

ANEXO D — EQUAÇÕES GERADAS PELO IMPL A PARTIR DA

CONFIGURAÇÃO IML DO HFO NÃO LINEAR

I M P L (c)

Copyright and Property of i n d u s t r i @ l g o r i t h m s

c2r_xiylower(HFOB,,LAGO,,1) <= 0.100000000000000 v2r_xmf(HFOB,,1) -1

v3r_xjif(LAGO,,olago,,HFOB,,LAGO,,1)

c2r_xiylower(HFOB,,LCGO,,1) <= 0.100000000000000 v2r_xmf(HFOB,,1) -1

v3r_xjif(LCGO,,olcgo,,HFOB,,LCGO,,1)

c2r_xjylower(HFOB,,HFO,,1) = 1 v2r_xmf(HFOB,,1) -1 v3r_xjif(HFOB,,HFO,,HFO,,i,,1)

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

c1_gprofitterm(PROFIT,1) = 1 v1_gprofitterm(PROFIT,1) -40 v3r_xjif(HFOB,,HFO,,HFO,,i,,1)

65 v3r_xjif(LAGO,,olago,,HFOB,,LAGO,,1) 55 v3r_xjif(LCGO,,olcgo,,HFOB,,LCGO,,1)

c1_totalobjfun(TOTAL,1) = 1 v1_totalobjfun(TOTAL,1) -1 v1_gprofitterm(PROFIT,1)

c3r_ymfdbalance(HFOB,,DENS,1) ~ 0.850000000000000 * (v3r_xjif(LAGO,,olago,,HFOB,,LAGO,,1)) +

0.880000000000000 * (v3r_xjif(LCGO,,olcgo,,HFOB,,LCGO,,1)) + 1.03000000000000 * (800) -
v3r_yjd(HFOB,,HFO,,DENS,1) * (v3r_xjif(HFOB,,HFO,,HFO,,i,,1))

c3r_ymfbbalance(HFOB,,SULF,1) ~ 0.850000000000000 * (v3r_xjif(LAGO,,o,,HFOB,,LAGO,,1) ) +

0.704000000000000 * (v3r_xjif(LCGO,,o,,HFOB,,LCGO,,1) ) + 5.15000000000000 * (800) -
v3r_yjb(HFOB,,HFO,,SULF,1) * ( v3r_xjif(HFOB,,HFO,,HFO,,i,,1))

c3r_ymfbbalance(HFOB,,FLSH,1) ~ 305.882810975623 * (v3r_xjif(LAGO,,o,,HFOB,,LAGO,,1) ) +

305.882810975623 * (v3r_xjif(LCGO,,o,,HFOB,,LCGO,,1) ) + 0.307545303024518 * (800)
v3r_yjb(HFOB,,HFO,,FLSH,1) * (v3r_xjif(HFOB,,HFO,,HFO,,i,,1))

c3r_ymfbbalance(HFOB,,VISC,1) ~ -28.0933599424975 * (v3r_xjif(LAGO,,olago,,HFOB,,LAGO,,1) ) + -

31.3817843227797 * (v3r_xjif(LCGO,,olcgo,,HFOB,,LCGO,,1)) + -2.22187919179970 * (800) -
v3r_yjb(HFOB,,HFO,,VISC,1) * (v3r_xjif(HFOB,,HFO,,HFO,,i,,1))

960 <= v2r_xmf(HFOB,,1) <= 1800

960 <= v3r_xjif(HFOB,,HFO,,HFO,,i,,1) <= 1800
80 <= v3r_xjif(LAGO,,olago,,HFOB,,LAGO,,1) <= 500
80 <= v3r_xjif(LCGO,,olcgo,,HFOB,,LCGO,,1) <= 500
0 <= v3r_yjd(HFOB,,HFO,,DENS,1) <= 1.01000000000000
0 <= v3r_yjb(HFOB,,HFO,,SULF,1) <= 3.28250000000000
111.909754937099 <= v3r_yjb(HFOB,,HFO,,FLSH,1) <= 305.882810975623
-28.0933599424975 <= v3r_yjb(HFOB,,HFO,,VISC,1) <= -15.1410010956660
-1.000000000000000E+020 <= v1_gprofitterm(PROFIT,1) <= 1.000000000000000E+020
-1.000000000000000E+020 <= v1_totalobjfun(TOTAL,1) <= 1.000000000000000E+020