Sie sind auf Seite 1von 4

Simulacin y Optimizacin de los Procesos Qumicos

8
TEMA 7



OPTIMIZACIN DE PROCESOS QUMICOS.



1.- INTRODUCCIN.

Aumentar la presin para reducir costes, mejorar la calidad del producto, minimizar
riesgos medio ambientales, son algunas de las motivaciones para desarrollar herramientas
de optimizacin para los complejos problemas de operacin y diseo de una planta
qumica. Varios factores han contribuido a este desarrollo. En primer lugar la
disponibilidad de ordenadores y su creciente capacidad de clculo ha facilitado la
aplicacin de complejos modelos matemticos. En segundo lugar, el desarrollo y mejora
de los modelos econmicos que permiten decidir entre diferentes procesos competitivos.
Y en tercer lugar el reciente desarrollo del software para optimizacin que ha
proporcionado la herramienta adecuada para el uso de los modelos matemticos tanto de
operaciones fsicas como econmicas, para la identificacin de las mejores soluciones.
De hecho, muchas de las decisiones en la industria qumica relacionadas con diseo de
procesos y operaciones estn basadas en tcnicas de optimizacin que combinan los
nuevos desarrollos en algoritmos de optimizacin, modelado de sistemas, y arquitectura y
software de ordenadores.

Aunque muchas de las tcnicas matemticas fueron desarrolladas por investigadores
relacionados con investigacin de operaciones, anlisis numrico y ciencia de los
ordenadores, los ingenieros qumicos han jugado un importante papel en alguno de estos
desarrollos (de hecho un importante porcentaje de las personas implicadas en
investigacin de operaciones son ingenieros qumicos). A continuacin daremos una
visin general de la optimizacin en ingeniera qumica haciendo un nfasis especial en
los desarrollos ms significativos de los ltimos aos.

Si no se asume ninguna estructura especial para el problema que se est tratando (el
problema es considerado como una caja negra) entonces las tcnicas de bsqueda directa
Simulacin y Optimizacin de los Procesos Qumicos

9
son los mtodos ms sencillos de aplicar, pero son tambin los que ms tiempo
consumen. Estos mtodos realizan una bsqueda pseudo aleatoria o sistemtica (simplex
flexible, algoritmos genticos, optimizacin por enjambres de partculas, etc.) para
mejorar la funcin objetivo. Si el problema presenta restricciones estos mtodos usan
mtodos costosos y a menudo con dificultades intrnsecas, por ejemplo los mtodos de
penalizacin. Como contrapartida el mtodo es fcil de aplicar a problemas con
restricciones sencillas y probablemente encontrar soluciones cercanas al ptimo global.
Sin embargo debido al hecho de que a menudo requiere miles de evaluaciones de la
funcin objetivo su rendimiento ser altamente dependiente de la seleccin de los
parmetros del algoritmo.

La aproximacin ms frecuente para resolver problemas de optimizacin consiste en
clasificarlos de acuerdo al tipo de funcin objetivo y al tipo de restricciones y desarrollar
mtodos especficos que aprovechen la estructura especial de dichos problemas.

Un problema general viene expresado de la forma:


( )
( )
( )
{ }
m
n
y
X x
y x h
y x g a s
y x f Min
1 , 0
0 ,
0 , .
,



donde f(x,y) es la funcin objetivo a minimizar (maximizar) funcin escalar- que est
sujeta a restricciones de desigualdad, igualdad, tanto de variables continuas x, como
variables discretas y.

El caso ms conocido, es el de la programacin lineal (LP). En este caso la funcin
objetivo es lineal y las restricciones que forman el problema tambin son lineales. La
solucin ptima de un LP cae en un vrtice del espacio formado por la regin factible.
Cualquier solucin local debe ser adems la solucin global del problema. Estos
problemas han sido resueltos durante muchos aos utilizando el algoritmo simplex,
basado en mtodos algebraicos. El cambio principal en los mtodos de solucin de los
problemas de programacin lineal ha sido el desarrollo de problemas de punto interior,
que tratan con transformaciones no lineales y cuyos requerimientos de clculo estn,
Simulacin y Optimizacin de los Procesos Qumicos

10
tericamente acotados por un polinomio expresado en trminos del tamao del problema.
Esta propiedad no la comparte el algoritmo del simplex, que tericamente tiene un
crecimiento exponencial, aunque este comportamiento es rara vez observable en la
prctica. El algoritmo simplex permite resolver problemas de manera eficiente, que
contengan hasta 10000 15000 restricciones. Los mtodos de punto interior funcionan
mejor con problemas de hasta 50000 100000 restricciones. La estructura particular de
ciertos problemas de programacin lineal (problema de flujo, de transporte,
asignacin) han llevado al desarrollo de mtodos especficos que han permitido
resolver problemas con millones de variables.

La programacin lineal mixta (MILP) es la extensin de los problemas de programacin
lineal cuando aparecen variables discretas. Los modelos donde aparecen variables
discretas permiten acercarnos a formular problemas del mundo real basados en decisiones
lgicas (esto es variables 0 1) o donde el nmero de posibilidades es discreto. La forma
ms comn de resolver los MILP es la tcnica de branch and bound (ramificacin y
acotamiento) que consiste en resolver un subconjunto de problemas de programacin
lineal dentro de un rbol de decisin de variables discretas. Otras aproximaciones
comunes suponen el uso de tcnicas de plano de corte que hace el MILP resoluble como
un LP aadiendo ciertas restricciones especiales. Tericamente estos problemas son de
difcil solucin, debido a la naturaleza combinatoria del problema que no est
polinomialmente acotado a medida que aumenta el nmero de variables discretas. Sin
embargo el uso conjunto de tcnicas de Branch and Bound y de plano de corte ha
permitido desarrollar algoritmos para resolver problemas que se consideraban
irresolubles tan solo hace unos aos.

Para el caso en el cual todas, o al menos algunas de las funciones son no lineales y
adems slo aparecen variables continuas, aparece un problema de programacin no
lineal (NLP). Si la funcin objetivo y las restricciones son diferenciables, los ptimos
locales vienen definidos por las condiciones de optimalidad de Karush-Kuhn-Tucker.
Estos son, probablemente los modelos ms comunes en Ingeniera Qumica.

Si bien problemas que contenan hasta 100 variables para un NLP eran considerados
problemas grandes hace algunos aos. La resolucin de problemas con varios miles de
variables es algo bastante comn hoy en da. Los mtodos de gradiente reducido y la
programacin cuadrtica sucesiva, los cuales se generan de aplicar el mtodo de Newton
a las condiciones de optimalidad de Kunh-Tucker, son los principales algoritmos para
Simulacin y Optimizacin de los Procesos Qumicos

11
resolver los NLP. El mtodo de gradiente reducido es mejor para resolver problemas con
la mayora de las restricciones lineales. Para problemas altamente no lineales es mejor la
programacin cuadrtica sucesiva.

Una limitacin de estos mtodos es que su convergencia slo esta garantizada a un
ptimo local. Para problemas que tienen una funcin objetivo convexa y una regin
factible convexa, este problema no existe, porque estos problemas slo tienen un ptimo
local que coincidir con el ptimo global. En la prctica probar la convexidad de un
problema no lineal es a menudo difcil, sino imposible, por lo que encontrar un ptimo
local es considerado a menudo una solucin satisfactoria sobre todo si ello significa una
mejora en el proceso.

La extensin de la programacin no lineal para tratar con variables discretas lleva a la
programacin no lineal con variables enteras mixta (MINLP del ingls mixed integer
non-linear programming). Algoritmos como la descomposicin de Benders generalizada
o la aproximacin exterior (outer approximation) son los ms utilizados para resolver
estos problemas. Estos mtodos que suponen que la funcin debe ser diferenciable en las
variables continuas, resuelven una secuencia de problemas NLP y MILP. El primero
optimiza las variables continuas y el segundo las discretas. Como en el caso anterior la
solucin slo est garantizada para problemas convexos. Problemas con 100 a 200
variables binarias (0-1) y 1000 variables continuas con unas 1000 restricciones, han sido
resueltos con estos mtodos.

Finalmente, todos los mtodos mencionados anteriormente suponen que los problemas
estn formulados en forma de ecuaciones algebraicas. Muy a menudo, sin embargo,
dentro del problema aparecen ecuaciones diferenciales como restricciones del problema.
Una de las aproximaciones principales para resolver este problema consiste en aproximar
la ecuacin diferencial por ecuaciones algebraicas, las cuales ya pueden ser incluidas
dentro del programa general de programacin no lineal. Otra manera de resolver el
problema es considerar la ecuacin diferencial como una ecuacin a parte que se resuelve
en un bloque independiente y se introduce dentro del NLP como una ecuacin implcita.

Das könnte Ihnen auch gefallen