You are on page 1of 90

Optimizacin de Procesos

Vicente Rico Ramrez Departamento de Ingeniera Qumica Instituto Tecnolgico de Celaya

ndice de Contenido
1 Introduccin 1.1 La Ingeniera de Procesos 1.2 Modelacin y Grados de Libertad 1.3 Representacin Matemtica Generalizada de un Problema de Optimizacin 1.4 Tipos de Problemas de Optimizacin 1.5 Regin Factible 1.6 Convexidad 2. Tcnicas de Optimizacin 2.1 Programacin Lineal: Mtodo Simplex 2.2 Programacin No Lineal 2.2.1 Optimizacin sin restricciones 2.2.2 Optimizacin con Restricciones de Igualdad 2.2.3 Optimizacin con Restricciones de Desigualdad 2.3 La Programacin Mixta-Entera en el Diseo de Procesos 2.4 Programacin Mixta Entera Lineal: Mtodo de Branch and Bound 2.5 Programacin Mixta-Entera No Lineal: Mtodo Outer Approximation 3. El Ambiente de Modelacin GAMS y sus Resolvedores

ndice de Contenido
4. Aplicaciones en Ingeniera Qumica 5. Introduccin a la Optimizacin Bajo Incertidumbre 5.1 Tipos de Problemas de Programacin Estocstica 5.2 El Mtodo de Descomposicin Estocstica 6. Introduccin a la Optimizacin Multiobjetivo 6.1 Mtodos de Solucin 7. Control ptimo y Optimizacin Dinmica 7.1 El Principio del Mximo 7.2 Programacin Dinmica 7.3 Programacin Dinmica Estocstica

3 Etapas en la Ingeniera de Procesos Process Systems Engineering


Sntesis (o Diseo) Simulacin (o Anlisis) Optimizacin

Sntesis (o Diseo ) de Procesos


Materia Prima (condiciones iniciales) Productos Bajo Especificacin

Determinacin de la Estructura del Proceso para realizar la transformacin deseada

Anlisis (o Simulacin ) de Procesos

Materia Prima (condiciones iniciales)

Productos Bajo Especificacin

Dadas las condiciones de entrada y la estructura del proceso, determinar las variables de salida

Optimizacin de Procesos
Minimizar Costo N=? R=? P=?

D, Pureza Alimentacin

Definir una funcin objetivo y determinar los mejores valores de las variables de diseo

Interaccin entre Etapas de la Ingeniera de Procesos La optimizacin requiere de la solucin de problemas de simulacin en cada iteracin La optimizacin es una herramienta imprescindible en el diseo de un proceso
Simulacin

Diseo

Optimizacin

Introduccin: Algunos Conceptos en la Optimizacin de Procesos

Previo a la Optimizacin: Modelacin


Representacin Matemtica de la Fisicoqumica del proceso:
Balances de Masa Balances de Energa Relaciones Termodinmicas Ecuaciones de Diseo Balances de Momentum Restricciones Particulares

Sistema de Ecuaciones No Lineales

Anlisis de Grados de Libertad


Para un sistema de M Ecuaciones y N Variables, el Variables nmero de grados de libertad, F, est dado por: F=N-M Tres casos:
F = 0 El sistema tiene solucin UNICA F > 1 El sistema puede OPTIMIZARSE F < 0 El sistema est sobre especificado: MODELO INCORRECTO

Simulacin u Optimizacin?
Grados de Libertad F = Nmero de Variables Nmero de Ecuaciones F=N-M

Simulacin Anlisis F=0 El sistema debe ser consistente

Optimizacin F>1 Funcin Objetivo: Maximizar utilidades, Minimizar costos, etc.

Funcin Objetivo: Objetivo obtencin de diseos ptimos

Simulacin u Optimizacin?
Simulacin
x1 + x2 = 2 x1 = 3 x2 x1 , x2 0 F = 22 = 0

Optimizacin
x1 + x2 = 2 x1 , x2 0
F = 2 1 = 1

Soluciones posibles:
min x1 x2 Funcin objetivo

Solucin nica
x1 = 1.5 x2 = 0.5

x1 x2 0 2 1 1 1.5 0.5 2 0 M Solucin ptima M

Seleccin de Variables de Diseo


M = 900 N = 1000 Como seleccionar 100 Variables de Diseo ?

Matriz de Incidencia
x1
f1 = ln( x1 ) 2 = 0 f 2 = x2 3 x4 5 = 0 3 f 3 = ( x2 ) x3 + x4 1 = 0

x2 X X

x3

x4 X

f1 f2 f3

X X X

Trayectorias de Steward
Variable de Diseo: Cualquiera de x2, x3 y x4
x1 f1 f2 f3 X X X X X X x2 x3 x4

Representacin Matemtica del Problema de Optimizacin


Variables Discretas y Continuas Restricciones (Ecuaciones, Desigualdades) Lineales y No Lineales

min f ( x, y ) s.t. h( x, y ) = 0 g ( x, y ) 0 x R n , y {0,1}

El Modelo Matemtico
min f ( x, y ) s.t. h( x, y ) = 0 g ( x, y ) 0 x R n , y {0,1} Lmites: 0< Comp <1 Temperatura, Presin, etc. Decisiones discretas: Equipo Existe ?

Minimizar Costos Maximizar Utilidades

Balances de Materia, Energa, Relaciones de Equilibrio, etc.

Restriccin Lineal o No Lineal ? 2x +3 y=1


yx + 3 y = 1

x 2 + ln ( y ) = 1

Variable Continua o Discreta ? y y=0 200 K < Temperatura < 500 K T = 253.75 K T = 493.68 K Equipo No Existe y=1 Equipo Existe

Clasificacin de Tcnicas de Optimizacin


Tipos de Variables Enteras Continuas Enteras+Continuas

Tipos de Restricciones Tipos de Restricciones


Programacin Entera Programacin Lineal Programacin Programacin Programacin Mixta Entera Mixta Entera No Lineal Lineal No Lineal

Tipos de Problemas de Optimizacin (Determinstica, Estado Estable)


* * * *

Programacin Lineal (LP) Programacin Mixta Entera Lineal (MILP) Programacin No Lineal (NLP) Programacin Mixta Entera No lineal (MINLP)

Regin Factible y Convexidad


min f ( x) s.t. h( x) = 0 g ( x) 0 x Rn
NLP

Funcin Convexa o No Convexa


Funcin Convexa f(x) es convexa si para toda x1 y x2 R:
f (x1 + [1 ]x2 ) f ( x1 ) + (1 ) f ( x2 ), (0,1)
f(x) f(x)

x1

x2

x1

x2

Convexa

No Convexa

Funcin Convexa?
Funcin
f ( x) = x 3 6 x 2 + 11x 6 Intervalo (1,3)

f ( x1 ) = f (1) = 0

f ( x2 ) = f (3) = 0

f (x1 + [1 ]x2 ) f ( x1 ) + (1 ) f ( x2 )
= 0.25

f (2.5) 0.25 f (1) + (0.75) f (3)


0.375 0

No Convexa
No se cumple

= 0.75

f (1.5) 0.75 f (1) + (0.25) f (3)


0.375 0

Regin Factible y Convexa


Regin Factible. Definicin:
FR = x h(x ) = 0, g (x ) 0, x R n

Convexa o No Convexa? Convexa si para toda x1 y x2 FR:


x = x1 + (1 ) x2 FR, (0,1)

x1 x2

x1

x2

Convexa

No Convexa

Tcnicas de Optimizacin

Tcnicas de Optimizacin
* *

Mtodos Simplex y Puntos Interiores (LP) Branch and Bound (Ramificacin y Acotamiento) (MILP)

Estrategia del Conjunto Activo, SQP (Programacin Cuadrtica Sucesiva) (NLP)

Outer Approximation y Descomposicin de Benders (MINLP)

Programacin Lineal

Programacin Lineal
Forma General
min c x s.t. A x b x0 x Rn
T

Maximize 300 x1 + 200 x2 sujeto a 5 x1 + 2 x2 180 3x1 + 3 x2 135 x1 25


x1 x= x2

300 c= 200

5 2 A = 3 3 1 0

180 b = 135 25

Mtodo Simplex
Si la funcin objetivo disminuye en esta direccin

g1=0 g2=0 Este sera el punto ptimo Regin de bsqueda

El ptimo se encuentra siempre en un punto esquina

Mtodo Simplex
1) 2) 3) 4) Introducir variables slack para convertir desigualdades en igualdades. El nmero de grados de libertad no cambia. Utilizar x=0 como punto inicial Construir Matriz de Coeficientes Efectuar pasos de eliminacin Gaussiana hasta no obtener valores negativos en el rengln correspondiente a la funcin objetivo

5 x1 + 2 x2 180 3x1 + 3 x2 135 x1 25

5 x1 + 2 x2 + s1 = 180 3x1 + 3 x2 + s2 = 135 x1 + s3 = 25

Mtodo Simplex
x1 x2 2 3 0 -200 s1 1 0 0 0 s2 0 1 0 0 s3 0 0 1 0 b 180 135 25 0 s1 s2 s3 f

Matriz de Coeficientes

5 3 1 -300

Punto inicial x1 = 0 x2=0 s1 = 180 s2=135 s3 = 25

Eliminacin Gaussiana
s3 0 0 1 0 x2 2 3 0 -200 s1 1 0 0 0 s2 0 1 0 0 s3 -5 -3 1 300 b 55 60 25 7500 s1 s2 x1 f

Pivoteo en el Mtodo Simplex


El pivote en los pasos de eliminacin Gaussiana se escoge de modo que: Columna: el coeficiente de la funcin objetivo es el ms negativo Rengln: la menor proporcin entre b y el coeficiente de la columna seleccionada

Rengln Pivote
Qu ocurre si no se toma la menor proporcin?
s2 0 1 0 0 x2 -3 1 -1 300 s1 1 0 0 0 s2 -5/3 1/3 -1/3 100 s3 0 0 1 0 b -45 45 -20 1350 s1 x1 s3 f

Mtodo Simplex
Eliminacin Gaussiana

s3 0 0 1 0

s2 0 1 0 0

s1 1 0 0 0

s2 -2/3 1/3 0 200/3

s3 -3 -1 1 100

b 15 20 25 11500 s1 x2 x1 f

Notas en el Mtodo Simplex


1. En cada punto esquina, un nmero de variables igual al nmero de grados de libertad del problema valen cero 2. Las variables cuyo valor denominan no bsicas es cero se

3. Cada punto de la trayectoria se dice que es una solucin bsica 4. El algoritmo concluye cuando ya no hay coeficientes negativos en el rengln de la funcin objetivo

Mtodo Simplex
Maximize 300 x1 + 200 x2 sujeto a 5 x1 + 2 x2 180 3x1 + 3 x2 135 x1 25

x2

(0,90)

(0,45) (25,20)

(25,27.5)

El ptimo en el punto (25,20)

(0,0)

(25,0)

x1

Programacin No Lineal

Condiciones de Optimalidad
Optimizacin Sin Restricciones
min f ( x ) x Rn

Condicin necesaria: x es un punto crtico de f(x) necesaria si se cumple que


f x1 f (x ) = M = 0 f xn Se obtiene un sistema de n Ecuaciones con n Variables x

Condiciones de Optimalidad
Optimizacin Sin Restricciones
min f ( x ) x Rn

f x1 f (x ) = M = 0 f xn

Condicin suficiente: La Matriz Hessiana de la suficiente funcin objetivo es definida positiva


f (x + x ) = f (x ) + f (x ) x + 1 x H x 2
T T

2 f 2 f x1 x2 x12 H = 2 f 2 f 2 x2 x1 x1
1 xT H x 0 2

Hessiana para el caso de 2 variables

Optimizacin Sin Restricciones


2 min ( x1 ) 2 6 x1 + (x2 ) 2 x2

2 x1 6 f ( x ) = =0 2 x2 2

x1 = 3 x2 = 1

2 0 H = 0 2

H es positiva definida Optimo Global

Condiciones de Optimalidad
Optimizacin Con m Restricciones de Igualdad min f ( x ) s.t. h( x) = 0 x Rn

Funcin de Lagrange (funcin escalar):


L ( x, ) = f ( x ) + h ( x ) = f ( x ) + j h j ( x )
T j m

se denominan multiplicadores de Lagrange y constituyen m variables adicionales en el problema

Condicin necesaria:Obtener un punto crtico necesaria: (estacionario) para la funcin de Lagrange


L( x, ) = f ( x ) + j h j ( x ) = 0 x j

L( x, ) = h( x ) = 0

Se obtiene un sistema de n+m Ecuaciones con n+m Variables x y

Condicin suficiente: La Matriz Hessiana de la funcin de Lagrange es definida positiva

Optimizacin con Restricciones de Igualdad


min ( x1 ) 2 6 x1 + (x2 )2 2 x2 s.t. x1 x2 2 = 0

2 x1 6 1 f ( x ) + j h j ( x ) = + 1 1 = 0 j 2 x2 2

h( x ) = x1 x2 2 = 0
2 x1 6 + 1 = 0 2 x2 2 1 = 0 x1 x2 2 = 0

Condiciones de Optimalidad
Optimizacin Con m Restricciones de Igualdad y r de Desigualdad min f ( x) s.t. h( x) = 0 g ( x) 0 x Rn

Funcin de Lagrange Aumentada (funcin escalar):


L ( x, , ) = f ( x ) + h ( x ) + g ( x ) = f ( x ) + j h j ( x ) + k g k ( x )
T T j =1 k =1 m r

se denominan multiplicadores de KarushKuhn-Tucker y constituyen r variables adicionales en el problema

Condicin necesaria:Obtener un punto crtico necesaria: (estacionario) mediante el Teorema de KarushKuhn-Tucker


L( x, , ) = f ( x ) + j h j ( x ) + k g k ( x ) = 0 x j k

L(x, , ) = h( x ) = 0

k (x ) g k (x ) = 0

k (x ) 0

g k (x ) 0

Se obtiene un sistema de n+m+r Ecuaciones con n+m+r Variables x, y

Condicin suficiente: La Matriz Hessiana de la funcin de Lagrange Aumentada es definida positiva

Condicin necesaria:
L( x, , ) = f ( x ) + j h j ( x ) + k g k ( x ) = 0 x j k

L(x, , ) = h( x ) = 0

k (x ) g k (x ) = 0
k (x ) 0
g k (x ) 0

2 min f ( x ) = 1 (x12 + x2 ) 3 x1 x2 2 s.t. g1 = x1 + x2 0 g 2 = x1 1 x2 2 0 2

Optimizacin con Restricciones de Desigualdad


Note:

x1 3 1 1 f ( x ) + k hk ( x) = + 1 1 + 2 1 2 = 0 k x2 1

x1 1 + 2 = 3 x2 + 1 1 2 = 1 2 1 ( x1 + x2 ) = 0 2 x1 1 x2 2 = 0 2

Programacin No Lineal
Estrategia del Conjunto Activo (Active Set Strategy) Solucin al Conjunto de Ecuaciones KKT
f ( x ) + j h j ( x ) + k g k ( x ) = 0
j k

h( x ) = 0
k (x ) g k (x ) = 0
k (x ) 0

g k (x ) 0

Desigualdades
g k (x ) = 0 g k (x ) < 0

Activa

Inactiva

Programacin No Lineal
Estrategia del Conjunto Activo
1) Definir conjunto activo. Inicialmente:
J1 = {k g k = 0}

2) Formular ecuaciones KKT


J1 = g k > 0 k = 0

f ( x ) + j h j ( x ) + k g k ( x ) = 0
j kJ1

h( x ) = 0
g k ( x ) = 0 k J1

Programacin No Lineal
Estrategia del Conjunto Activo
3) Si para toda k g k ( x) 0 y k 0 OK. Se ha obtenido la solucin Si cualquier g k ( x) > 0 y / o k < 0 a) Eliminar de J1 la restriccin con el i ms negativo b) Aadir a J1 todas las restricciones violadas g k ( x) > 0 para hacerlas activas c) Regresar a 2) OK

Programacin No Lineal
Estrategia del Conjunto Activo: Ejemplo 2 min f ( x ) = 1 (x12 + x2 ) 3 x1 x2 2
s.t. g1 = x1 + x2 0 g 2 = x1 1 x2 2 0 2 g 3 = x2 0

Condiciones de Karush-Kuhn-Tucker (Iteracin 1): J1 = {k g k = 0} f ( x ) + j h j ( x ) + k g k ( x ) = 0


j kJ1

J1 =
x 3 f ( x ) + k hk ( x) = 1 = 0 k x2 1
x1 = 3 x2 = 1 1 = 0 2 = 0 3 = 0

g k > 0 k = 0
Verificando restricciones y s:

g1 = 2 < 0 g 2 = 1 / 2 > 0 !!! g 3 = 1 < 0 1 = 0 2 = 0 3 = 0

Activar g2
J 2 = {2}

Programacin No Lineal
Programacin Cuadrtica Sucesiva (SQP) min f ( x ) s.t. h( x ) = 0 g ( x) 0 x Rn

Condiciones de optimalidad (Karush-Khun-Tucker)

Sistema de Ecuaciones No Lineales

Iteracin de Newton Programa cudratico

Programacin Mixta-Entera

Representacin de Procesos en Trminos de Variables Binarias


x1 x0 x2 II z2 I z1

10 kmol/hr B

1 if reactor I is selected y1 = 0 if reactor I is not selected

1 if reactor II is selected y2 = 0 if reactor II is not selected

min C = 7.5 y1 + 6.4 x1 + 5.5 y2 + 6.0 x2 sujeto a 0.8 x1 + 0.67 x2 = 10 x1 20 y1 0 x2 20 y2 0 x1 , x2 0 y1 , y2 = 0,1

p j 1) NOT 1 y j

Relaciones Lgicas
7) Teorema de Morgan
( A B ) A B ( A B ) A B

pi p j 2) OR (exclusivo) y + y = 1 i j

3) OR (inclusivo)
pi p j 4) AND y 1, y 1 j i

pi p j yi + y j 1

( A B ) C ( A C ) (B C )

8) Distribucin de AND

pi p j pi p j 5) If-Then 1 yi + y j 1 yi y j 6) Iff-Then
pi p j yi = y j

Representando Alternativas
Big - M
x1 2 x2 M (1 y1 ) x1 2 x2 M (1 y1 ) x1 1 M (1 y1 ) y1 + y2 = 1
x1 5 x2 M (1 y2 ) x1 5 x2 M (1 y2 ) x1 1 M (1 y2 ) x1 , x2 0

Convex Hull
x11 + x12 = x1 x21 + x22 = x2 x11 My1 x12 My2 x21 My1 x22 My2 x11 2 x21 = 0 x12 5 x22 = 0 x11 y1 x12 y2 y1 + y2 = 1 x11 , x12 , x21 , x22 0

y1 y2 = 2 x2 x1 = 5 x2 x1 x1 1 x1 1 x , x 0 x , x 0 1 2 1 2

Programacin MixtaEntera Lineal


Mtodo de Branch and Bound (Ramificacin y Acotamiento) Procedimiento:
1) Resolver el problema como si todas las variables fueran continuas (problema LP). Es decir, relajar las variables binarias. A este nivel se le conoce como Root Node (Nodo raz) El valor de la funcin objetivo en el nodo raz es un lmite inferior a su valor en la solucin Si la solucin del nodo raz es entera, tal solucin es la solucin del problema

2) Realizar una bsqueda de ramificacin ordenada mediante la adicin de restricciones enteras

Mtodo de Branch and Bound (Ramificacin y Acotamiento)


y3=0

0<y2<1 y2=0 0<y3<1 y1=0 0<y1<1 0<y2<1 0<y3<1 Relajado y2=1

y3=1

y1=1

Para m variables binarias, el nmero de posibles nodos es 2m+1- 1

3 Reglas en el Mtodo de Branch and Bound:


k

1) 2) 3)

La funcin objetivo en i es un lmite inferior a la funcin objetivo en k. Si algn nodo resulta en una solucin entera, el valor de la funcin objetivo en tal nodo es un lmite superior de la solucin Si i es infactible o ilimitado, entonces k tambin lo es

Mtodo de Branch and Bound: Ejemplo


[1,1,0]

min z = x + y1 + 3 y2 + 2 y3 s.t. x + 3 y1 + 2 y2 + y3 0 5 y1 8 y2 3 y3 9 x 0, y1 , y2 , y3 {0,1}


[0.2,1,0]
z = 5.8

[1,0.5,0]
z = 6.5

y2=1

z =9

y1=1

infactible
y2=0 y2=1

[0,1,1]
z =8

y1=0

y3=1

[0,0.075,1]
z = 6.75 y =0 2

m=3 2 m +1 1 = 15

[0,1,0.333]
z=6
y3=0

infactible

infactible

Programacin MixtaEntera No Lineal


Seleccionar un valor inicial para y

Resolver el NLP resultante S(yk) ZU

Algoritmo General

Nueva y Resolver el Problema Maestro MILP ZL SI ZL<ZU ?

NO Solucin

Programacin MixtaEntera No Lineal


Algoritmo Outer Approximation (DICOPT+++) Problema Maestro
min c y + f ( x) g ( x) + B y 0 Ay a m y {0,1} x R n
T

sujeto a cT y + f x k + f x k x x k T g x k + g x k x x k + By 0 Ay a m y {0,1} x R n R

( )

( ) ( )( ( )( )
T

Z = min

k T

f(x)

k x k es la solucin ptima de S y k T = los posibles valores de y k


x

( )

Algoritmo Outer Approximation Optimizacin Semi-Infinita: Problema Relajado

sujeto a cT y + f x k + f x k x x k T g x k + g x k x x k + By 0 Ay a m y {0,1} x R n

( )

( ) ( )( ( )( )
T

Z = min

k = 1K K

Dada la solucin de K subproblemas NLP x k definidos por y k tal que k = 1K K

( )

Outer Approximation: Ejemplo 1


2 min z = y1 + 1.5 y2 + 0.5 y3 + x12 + x2 2 s.t. (x1 2 ) x2 0 x1 2 y1 0 x1 x2 4(1 y2 ) 0

Programacin MixtaEntera No Lineal


x1 (1 y1 ) 0 x2 y 2 0 x1 + x2 3 y3 y1 + y2 + y3 1 0 x1 4 0 x2 4 y1 , y2 {0,1}

1)

NLP MILP

y1 = 1 y2 = 1 y3 = 1 y1 = 1 y2 = 0 y1 = 1 y2 = 0 y1 = 0 y1 = 0 y1 = 0

x1 = 2 x2 = 2 zU = 11

y3 = 0 x1 = 2 x2 = 0 z L = 1 y3 = 0 x1 = 2 x2 = 0 zU = 5

2)

NLP MILP

y2 = 1 y3 = 0 x1 = 1 x2 = 0 z L = 1.5 y 2 = 1 y3 = 0 y2 = 0 x1 = 1 x2 = 1 zU = 3.5

3)

NLP MILP

y3 = 1 x1 = 2 x2 = 1 z L = 4.5

Outer Approximation: Ejemplo 2, Iteracin 1


min z = 2.7 y + x 2 s.t. g1 = ln (1 + x ) + y 0 g 2 = ln ( x 0.57 ) + y 1.1 0 0 x2 y {0,1} 1) Comenzar con y=1 y resolver NLP:

Programacin MixtaEntera No Lineal

z = 0.2525 x = 1.7183 1 = 9.347 2 = 0 ( zU ) 2) Linealizar el problema MINLP en x= 1.7183 para obtener el problema maestro MILP:

zOA = min OA s.t. OA 2.7 y + 3.4366 x 2.9525 0.36787 x + y 0.36788 0.87085 x + y 0.2581 0 x y {0,1}

z L < zU y=0 zOA = 1.939 ( zL )


Volver a paso 1 con nuevo valor y=0

El Entorno de Modelacin GAMS y sus Resolvedores

Formas de Atacar el Problema de Modelacin


Corriente Modular Secuencial * Cada unidad de proceso (mdulo) calcula su salida
dadas las entradas

En cada unidad se resuelve un sistema de ecuaciones no lineales (subrutina que convierte valores de entradas en valores de salida) * Las variables de las corrientes de reciclo se suponen inicialmente y constituyen la gua para proceso iterativo

Compresor Divisor de Corriente

Corriente de Reciclo

Intercambiador

Separador Flash

Alimentacin
Mezclador Reactor

Se requieren algoritmos de orden de precedencia y determinacin de las corrientes de reciclo a ser supuestas.

Corriente de Orientacin a las Ecuaciones


*

Cada unidad del sistema es representado por un sistema de ecuaciones (lenguaje declarativo: no declarativo restricciones en cuanto a especificacin de variables) Las ecuaciones son generalmente almacenadas en libreras Para definir el problema, se colectan las ecuaciones que representan a cada unidad y a las conexiones entre ellas

Sistema Resultante

El sistema resultante se resuelve simultneamente (probablemente un problema de miles de ecuaciones)

Simuladores y Optimizadores Comerciales


Corriente Modular Secuencial: Simuladores de Procesos ASPEN, PRO/II, HySys ASPEN
Modelado por configuracin

Corriente de Orientacin a las Ecuaciones: Sistemas de Modelacin gPROMS, SpeedUp, ABACO,

ASCEND GAMS
NLP: CONOPT, MINOS, LACELOT, SRQP, LINGO NLP MINLP: DICOPT MINLP MILP, LP: CPLEX, OSL, LINDO, SCICONIC, XA LP

GAMS la Interfase

Resolvedores en GAMS
Tipos de Problemas

Algoritmos de Solucin

GAMS: Ejemplo 1
W1 y0 = 0 Q=1000 lb/hr xF = 0.2

Etapa de Extraccin

Q=1000 lb/hr x1

W1 y1

Max Q(xF x1 ) W1
Qx F = Qx1 + Wy1
= 0.05 H =1.2

Hx1 y1 = (H 1)x1 + 1

GAMS: Ejemplo 2
zA = 0.6 zB = 0.3 zC = 0.1 F = 1000 Kmol/hr xDA = 0.8

AC = 2.3 BC =1.3 CC =1.0 q =1.0

zj

= 1 q

j =1

j =1

j xD j
j
N

D j

= 1 + Rmin

x
j =1

=1

Algunas Aplicaciones en Ingeniera Qumica

Optimizacin de Columnas y Secuencias de Destilacin


Diseo ptimo de Columnas Cmo separar una mezcla ABC ? A 1) ABC BC C Minimizar Costo N=? R=? P=? C ABC B 2) AB B A

D, Pureza Alimentacin

Modelo MILP para Secuencias de Separacin


Supone separaciones del 100% (Sharp splits) splits Supone que las cargas trmicas y costos de inversin son funciones lineales de la alimentacin Supone que las cargas de los cambiadores son del mismo orden de magnitud lC x
top k
F l

ktop =

top lC k

lC k

F l

x iF k l Ck
kbot =
bot lC k

F l

l C kbot

lC k

F l

Datos de Caso de Estudio


Mezcla Cuaternaria ABCD F=1000 Kmol/hr: 15% A, 30% B, 35% C, 20% D
Sistema

Fijo
k

Variable
k (10 $ hr / Kgmol ao) 0.42
3

Carga trmica
Kk

(10 $/ao)
A/BCD AB/CD ABC/D A/BC AB/C B/CD BC/D A/B B/C C/D 145 52 76 125 44 38 66 112 37 58

(10 KJ / Kgmol)
0.028 0.042 0.054 0.024 0.039 0.040 0.047 0.022 0.036 0.044

0.12
0.25 0.78 0.11 0.14 0.21 0.39 0.08 0.19

Costos de utilidades: Agua de enfriamiento: CW = 1.3 (103$ hr/ 106 KJ ao) Vapor: CH = 34 (103$ hr/ 106 KJ ao)

Superestructura
F4 y4

B/CD
F8 y8

A/BCD
F5 y5 F1 y1

C/D

BC/D

Superestructura con 4 Componentes

ABCD
FTOT

F2 y2

AB/CD

y9 F9

B/C

F3 y3 F6

A/BC ABC/D
F7 y6 y7 y10 F10

A/B

AB/C

Modelo
Factores de separacin 1A
2 2
AB

Balance Global
FTOT = 1000 = F1 + F2 + F3

=0.15
=0.45 =0.55

6 =0.188 6BC =0.812 7


AB C

1BCD =0.85
CD

Mezclas Intermedias BCD ABC AB BC CD


F4 + F5 0.85F1 = 0

=0.5625

7 =0.437 8C =0.636 8D =0.364 9B =0.462 9C =0.538 10A =0.333

3ABC =0.8 3D =0.2 4B =0.353 4CD =0.647 5BC =0.765 5D =0.235

F6 + F7 0.8F3 = 0
F10 0.45 F2 0.563F7 = 0

10B =0.667

F9 0.765F5 0.812 F6 = 0

F8 0.55 F2 0.647 F4 = 0

Flujos (Big-M)
Fk 1000 y k 0 Fk 0 y k = 0,1 k = 1,...,10

Cargas Trmicas Qk = K k Fk k = 1,...,10

Funcin Objetivo

min C = ( k y k + k Fk ) + (34 + 1.3) Qk


k =1 k =1

10

10

Sntesis de Redes de Intercambio de Calor


h1
500 K

h2
418 K

?
c1

375 K

305 K

c2
310 K 298 K

Modelo MINLP (SYNHEAT)


Estrategia de Optimizacin Simultnea
Stage 1
H1-C1

Stage 2
H1-C1

H1
H1-C2

H1-C2

H2-C1

H2-C1

C1

H2
H2-C2 H2-C2

C2

MODELO
Balance de calor total para cada corriente:

(TIN i

TOUT
j

)F i
j

=
j

(TOUT
(t

TIN

)F

k ST j CP

q
k ST i HP

ijk

+ qcu i , i HP + qhu j , j CP

Carga de servicios de enfriamiento y calentamiento:

ijk

Balance de calor para cada etapa:


ik

(t TOUT )F = qcu , i HP (TOUT t )F = qhu , j CP


i , NOK +1 i i i j j ,1 j j

t i , k + 1 )F i = t j , k + 1 )F j =

(t

j CP

q
i HP

ijk

, k ST , i HP , k ST , j CP

Restricciones lgicas:
qijk zijk 0, i HP, j CP, k ST qcui zcui 0, i HP qhuj zhuj 0, j CP zijk , zcui , zhuj = 0,1

jk

ijk

Asignacin de las temperaturas de entrada a la superestructura:


t i ,1 = TIN i , i HP t j , NOK
+1

= TIN

j CP

Factibilidad de temperaturas: t ik t i , k +1 , k ST , i HP

Clculo de las diferencias de temperaturas:


dtijk tik t jk + (1 zijk ), k ST, i HP, j CP dtij,k +1 ti,k +1 t j ,k +1 + (1 zijk ), k ST, i HP, j CP dtcui ti, NOK+1 TOUT + (1 zcui ), i HP cu dthuj TOUT t j ,1 + (1 zhu j ), j CP hu

t jk t j , k +1 , k ST , j CP TOUT i t i , NOK +1 , i HP TOUT


j

t j ,1 , j CP

Planeacin de la Produccin
La Produccin del Petrleo es un Problema Multiperidico
Thousands of barrels/day

Demand

d1 d2 d3

d4

T1

T2 H

T3

T4

3200 3100 3000 2900 2800 2700 2600 2500

Jan

Mar

Jul May Month

Sep

Nov

Jan

well head well bore storage oil flow well bore oil flow Geological Properties: permeability thickness porosity etc.

reservoir

La extraccin produce una disminucin de la presin del pozo con el tiempo


pw
pup plow ts pflow pshut

ts

Modelos de Programacin MixtaEntera


El tiempo de operacin H es dividido en NP periodos de tiempo. Dadas las demandas de produccin del petrleo en cada periodo de tiempo y las constantes de caracterizacin de los pozos, determinar:
Los perfiles de produccin y Los tiempos operacin de cada pozo

en cada periodo de tiempo.

Modelo MILP
Minimize

i j
j

ij ij

q T + ij yijT + ij 1 yij T
i j i j

q T d
ij i

j P

Yij Wij1 Wij 2 Yij i W , j P p f = pin D p f = pin + I p f = pup ij i ij ij ij ij ij ij in up in up pij + I ij pi pij + I ij > pi i W , j P Dij = qij {c1 [ln(T ) + c2 ]} i W , j P I ij = qis {c1 [ln(T ) + c2 ]}(1 yij )
max in i W , j P qij {c1 [ln(T ) + c2 ]} = pij pilow max i W , j P qij qij

i W , j P qij qiup yij + qlow 1 yij i W , j P qij qlow


in pij = pijf1

i W , j P

Calendarizacin de Procesos por Lotes


Grficas de Gant
Producto A 8 8 20 20 4 4 8 8 20 20 4 4

Mezclador Reactor 1 Reactor 2 Centrfuga

Determinar el Tamao y nmero de unidades paralelas Determinar la Secuenciacin de las unidades

You might also like