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

D, Pureza
Alimentacin

Minimizar Costo
N=?
R=?
P=?

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

Optimizacin

x1 + x2 = 2

x1 + x2 = 2
x1 , x2 0

x1 = 3 x2
x1 , x2 0

F = 2 1 = 1

F = 22 = 0

Solucin nica
x1 = 1.5
x2 = 0.5

Soluciones posibles:
x1 x2
0
2
1
1
1.5 0.5
2
0
M
Solucin ptima M

min x1 x2
Funcin
objetivo

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

f1
f2
f3

x2

x3

x4

X
X
X

X
X

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

x2

x3

x4

X
X
X

X
X

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}

Minimizar Costos
Maximizar Utilidades

Lmites:
0< Comp <1
Temperatura,
Presin, etc.

Balances de Materia, Energa,

Relaciones de Equilibrio, etc.

Decisiones discretas:
Equipo Existe ?

 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

Convexa

x1

x2

No
Convexa

Funcin Convexa?
Funcin

f ( x) = x 3 6 x 2 + 11x 6

f ( x1 ) = f (1) = 0

Intervalo (1,3)

f ( x2 ) = f (3) = 0

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

= 0.75

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

0.375 0

No
Convexa

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

0.375 0

No se cumple

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

x1

x2

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

min c x
s.t. A x b
x0
x Rn

300
c=

200

x1
x=
x2

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)

Introducir variables slack para convertir desigualdades en

igualdades. El nmero de grados de libertad no cambia.

2)

Utilizar x=0 como punto inicial

3)

Construir Matriz de Coeficientes

4)

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

s1

s2

s3

180

s1

135

s2

25

s3

-300

Matriz de
Coeficientes

x2

-200

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

Eliminacin Gaussiana
s3

x2

s1

s2

s3

-5

55

s1

-3

60

s2

25

x1

-200

300

7500

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

x2

s1

s2

s3

-3

-5/3

-45

s1

1/3

45

x1

-1

-1/3

-20

s3

300

100

1350

Mtodo Simplex
Eliminacin Gaussiana

s3

s2

s1

s2

s3

-2/3

-3

15

s1

1/3

-1

20

x2

25

x1

200/3

100

11500

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)

(25,27.5)
(25,20)

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

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

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

2 0
H =
0 2

x1 = 3
x2 = 1

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):

m

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

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):

m

j =1

k =1

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

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

Optimizacin con
Restricciones de
Desigualdad

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

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

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

g k (x ) 0

Desigualdades
g k (x ) = 0

Activa

g k (x ) < 0

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
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

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)

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

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

1 = 0
2 = 0
3 = 0

kJ1

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

z1

x0

10 kmol/hr B
x2

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

II

z2

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

Relaciones Lgicas

p j
1) NOT
1 y j

7) Teorema de Morgan

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

3) OR (inclusivo)

pi p j
yi + y j 1

pi p j
4) AND y 1, y 1
j
i

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

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

8) Distribucin de
AND

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

Representando Alternativas
Convex Hull

Big - M

x11 + x12 = x1

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

x21 + x22 = x2
x11 My1
x12 My2

y1 y2

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

x21 My1
x22 My2
x11 2 x21 = 0
x12 5 x22 = 0
x11 y1
x12 y2
y1 + y2 = 1
x11 , x12 , x21 , x22 0

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

y3=1

y2=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:

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}

[1,0.5,0]

y2=1

z =9

z = 6.5

y1=1

infactible

[0,1,1]

y2=0
y2=1

[0.2,1,0]

z =8

z = 5.8
y1=0

m=3
2 m +1 1 = 15

y3=1

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

[0,1,0.333]
z=6

infactible

y3=0

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
Z = min

( ) ( )(
( )( )
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

min c y + f ( x)
g ( x) + B y 0
Ay a
m
y {0,1} x R n

( )

k T

( )

f(x)

k x k es la solucin ptima de S y k
T =

los posibles valores de y k

Algoritmo Outer Approximation

Optimizacin Semi-Infinita: Problema Relajado

Z = min

( ) ( )(
( )( )
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

( )

k = 1K K

( )

Dada la solucin de K subproblemas NLP x k

definidos por y k tal que k = 1K K

Programacin MixtaEntera No Lineal

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

x1 (1 y1 ) 0
x2 y 2 0
x1 + x2 3 y3

y1 + y2 + y3 1
0 x1 4
0 x2 4

3)

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

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

NLP

y1 = 1 y2 = 0

y3 = 0

MILP

2)

NLP
MILP

1)

y1 = 0

y2 = 1 y3 = 0 x1 = 1 x2 = 0 z L = 1.5

NLP

y1 = 0

y 2 = 1 y3 = 0

MILP

y1 = 0

y2 = 0

y1 , y2 {0,1}

x1 = 2 x2 = 2 zU = 11

x1 = 2 x2 = 0 zU = 5

x1 = 1 x2 = 1 zU = 3.5

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

Programacin MixtaEntera No Lineal

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:

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

Hx1
y1 =
(H 1)x1 + 1

= 0.05
H =1.2

GAMS: Ejemplo 2
xDA = 0.8

zA = 0.6
zB = 0.3
zC = 0.1

AC = 2.3
BC =1.3

F = 1000 Kmol/hr

CC =1.0
q =1.0

j =1

zj

j xD
j

j =1

x
j =1

D
j

= 1 q

= 1 + Rmin

=1

Algunas Aplicaciones en
Ingeniera Qumica

Optimizacin de Columnas y
Secuencias de Destilacin
Diseo ptimo de
Columnas

D, Pureza

Cmo separar una mezcla ABC ?

A
1)
B

ABC

Alimentacin

2)

BC

AB

C
Minimizar Costo

ABC

N=? R=? P=?

C

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 =

l C kbot

F
l

bot
lC k

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

Variable

k
3

Carga trmica
Kk

k
3

(10 $/ao)

(10 $ hr / Kgmol ao)

(10 KJ / Kgmol)

A/BCD

145

0.42

0.028

AB/CD

52

0.12

0.042

ABC/D

76

0.25

0.054

A/BC

125

0.78

0.024

AB/C

44

0.11

0.039

B/CD

38

0.14

0.040

BC/D

66

0.21

0.047

A/B

112

0.39

0.022

B/C

37

0.08

0.036

C/D

58

0.19

0.044

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

Superestructura
B/CD

F4
y4

F8

A/BCD

C/D

y8
F5

BC/D

y5
F1
y1

Superestructura con
4 Componentes

F2

ABCD

y9

AB/CD

y2

FTOT

B/C

F9

F3
y3

A/BC
F6
y6

ABC/D
F7

y10
y7

F10

AB/C

A/B

Modelo

Balance Global
FTOT = 1000 = F1 + F2 + F3

Factores de separacin
1A

=0.15

1BCD =0.85
2

AB

CD

=0.45

6 =0.188

Mezclas Intermedias

6BC =0.812
7

AB

=0.5625

=0.55

7 =0.437

3ABC =0.8

8C =0.636

3D =0.2

8D =0.364

4B =0.353

9B =0.462

4CD =0.647

9C =0.538

5BC =0.765

10A =0.333

5D =0.235

10B =0.667

BCD

F4 + F5 0.85F1 = 0

ABC

F6 + F7 0.8F3 = 0

AB

F10 0.45 F2 0.563F7 = 0

BC

F9 0.765F5 0.812 F6 = 0

CD

F8 0.55 F2 0.647 F4 = 0

Flujos (Big-M)
Fk 1000 y k 0 Fk 0

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

y k = 0,1 k = 1,...,10

Funcin Objetivo
10

10

k =1

k =1

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

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

H1

Stage 2
H1-C1

H1-C2

H1-C2

H2-C1

H2-C1

H2-C2

H2-C2

C1

H2

C2

MODELO
Balance de calor total para cada corriente:

(TIN i

TOUT

(TOUT

TIN

)F i
j

)F

k ST j CP

ijk

k ST i HP

ijk

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

(t

ik

t i , k + 1 )F i =

jk

t j , k + 1 )F j =

j CP

ijk

i HP

Asignacin de las temperaturas de entrada a la

superestructura:
t j , NOK

= TIN

+1

j CP

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

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

t j ,1 , j CP

j ,1

qijk zijk 0, i HP, j CP, k ST

, k ST , j CP

t i ,1 = TIN i , i HP

i , NOK +1

Restricciones lgicas:

, k ST , i HP

ijk

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

Balance de calor para cada etapa:

(t

Carga de servicios de enfriamiento y

calentamiento:

qcui zcui 0, i HP
qhuj zhuj 0, j CP
zijk , zcui , zhuj = 0,1

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

Planeacin de la
Produccin

Demand

d1
d3

T3

d2

T1

T2
H

d4

T4

Thousands of barrels/day

La Produccin del Petrleo es un Problema

Multiperidico

3200
3100
3000
2900
2800
2700
2600
2500

Jan

Mar

Jul
May
Month

Sep

Nov

Jan

well head
well bore storage

Geological Properties:
permeability
thickness
porosity
etc.

oil
flow
well bore

reservoir
oil flow

La extraccin produce una disminucin de la presin del

pozo con el tiempo
q

pw
pup

pflow

pshut

plow
ts

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

q T d
ij

q T + ij yijT + ij 1 yij T

ij ij

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

Mezclador
Reactor 1
Reactor 2
Centrfuga

20

20
20

20
4

Determinar el Tamao y nmero de unidades paralelas

Determinar la Secuenciacin de las unidades