You are on page 1of 337

METODOLOGÍA PARA EL DISEÑO

RIGUROSO DE PROCESOS QUÍMICOS


MODELOS HÍBRIDOS:
SIMULACIÓN-OPTIMIZACIÓN

Miguel Ángel Navarro Amorós


METODOLOGÍA PARA EL DISEÑO
RIGUROSO DE PROCESOS QUÍMICOS
MODELOS HÍBRIDOS:
SIMULACIÓN-OPTIMIZACIÓN

Miguel Ángel Navarro Amorós


ESCUELA POLITÉCNICA SUPERIOR

INSTITUTO DE INGENIERÍA DE LOS PROCESOS QUÍMICOS

PHD THESIS:

METODOLOGÍA PARA EL DISEÑO RIGUROSO DE PROCESOS


QUÍMICOS. MODELOS HÍBRIDOS: SIMULACIÓN-OPTIMIZACIÓN

Tesis presentada por Miguel Ángel Navarro Amorós para el grado


de Doctor en Ingenierı́a Quı́mica en la Universidad de Alicante

Dirigido por:
José Antonio Caballero Suaréz
José Rubén Ruı́z Femenia
D. JOSÉ ANTONIO CABALLERO SUÁREZ, Catedrático de Ingenieria Quı́mica de la
Universidad de Alicante y

D. JOSÉ RUBÉN RUIZ FEMENIA, Ayudante Doctor de Ingenierı́a Quı́mica de la Univer-


sidad de Alicante

CERTIFICAMOS:

Que D. MIGUEL ÁNGEL NAVARRO AMORÓS, Ingenierı́a Quı́mica, ha realizado bajo


nuestra dirección, en el Instituto de Ingenierı́a de Procesos Quı́micos, de la Universidad
de Alicante, el trabajo que con el titulo “METODOLOGÍA PARA EL DISEÑO RIGUROSO
DE PROCESOS QUÍMICOS. MODELOS HÍBRIDOS: SIMULACIÓN-OPTIMIZACIÓN” constitu-
ye sus memoria para aspirar al grado de Doctor en Ingenierı́a Quı́mica

Y para que conste a los efectos oportunos firmamos el presente Certificado en


Alicante, 2 de Septiembre de 2013

Fdo. Dr. José Antonio Caballero Suárez Fdo. Dr. José Rubén Ruiz Femenia
La diferencia entre lo que hacemos
y somos capaces de hacer,
resolverı́a la mayorı́a de los
problemas del mundo

Mahatma Gandhi
Agradecimientos

Al final todo llega. Quién iba a decir hace apenas un año que esto acabarı́a,
en ese corto espacio de tiempo he concluido mi carrera, un máster y ahora, por
fin, mi doctorado. Una nueva etapa de mi vida concluye, una etapa ilusionante y
maravillosa, que no habrı́a sido posible sin la ayuda de numerosas personas a las que
quiero agradecer todo el apoyo, ánimos y ayuda recibida.

En primer lugar, me gustarı́a dar las gracias especialmente a mis directores de tesis,
José Antonio Caballero y Rubén Ruiz. Nunca podré agradecerles todo el apoyo reci-
bido, su ayuda y comprensión a lo largo de todo este periodo. Sin ellos, este trabajo
no habrı́a sido posible. Muchı́simas Gracias.

También me gustarı́a agradecer a todos los compañeros del departamento y del


instituto. Durante estos 3 años, he tenido la maravillosa oportunidad de conocer a
numerosas personas. Personas como Blanca, Gloria, Nacho, Juan Javaloyes, Agustı́n,
Raquel, Mª Dolores, Dani, Noelia, Mª José, Nando, etc. . . (y muchı́simas otras que no
nombro porque no acabarı́a), que han hecho que estos años hayan pasado sin dar-
me cuenta. No me quiero olvidar, de las chicas del sótano de Ciencias (Lucı́a, Mila,
Isa, Desi, Erika y Vero), por permitirme, sin poner pega alguna, desayunar todas las
mañanas con ellas. Pero en especial, quiero agradecer a Adriana Pineda, mi eterna
compañera del zulo del CTQ, aquella con la que más tiempo he pasado durante
estos años, gracias por tu alegrı́a y tu ayuda durante todos estos años.

No quiero ni puedo olvidarme de agradecer y dedicar este doctorado a toda mi


familia, en especial mis padres, Angel y Rosa, dos de las personas más importantes
en mi vida. Muchı́simas gracias por todo, por haberme enseñado que con trabajo y
dedicación todo se puede conseguir. Sin su apoyo, sus sacrificios y su amor desintere-
sado esto serı́a solo una fantasia. Muchı́simas gracias, siempre estaré en deuda con
vosotros.

Y finalmente, quiero agradecer y dedicar especialmente este trabajo a la perso-


na más importante de mi vida. La persona que hace que me despierte y me acues-
te cada dı́a con una sonrisa, aquella que hace que todo sea mucho más sencillo.

VII
Muchı́simas gracias por todo tu apoyo, ayuda, comprensión, cariño, ánimo, etc. . . ,
las palabras se quedan cortas para agradecerte tanto. Te quiero muchı́simo Vicky.

Muchisimas gracias a tod@s

VIII
ÍNDICE GENERAL

1. Resumen 1

2. Estructura de la Memoria y Objetivos 11

3. Introducción 15

3.1. Energı́a en el Mundo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

3.1.1. Situación energética actual . . . . . . . . . . . . . . . . . . . . . . . 18

3.1.2. Futuro de la Energı́a vs. Cambio Climático . . . . . . . . . . . . . . 22

3.1.3. Principales Mejoras Energéticas . . . . . . . . . . . . . . . . . . . . . 26

3.2. Simuladores de Procesos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

3.2.1. Revisión Histórica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

3.2.2. Arquitectura de los Simuladores Quı́micos . . . . . . . . . . . . . . . 34

3.2.2.1. Clasificación . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

3.2.3. Simulador Modular-Secuencial . . . . . . . . . . . . . . . . . . . . . . 38

3.2.4. Ventajas e inconvenientes de un simulador secuencial modular . . 47

3.3. Sı́ntesis y Diseño de procesos . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

IX
3.3.1. Metodologı́as en la Sı́ntesis de Procesos . . . . . . . . . . . . . . . . 49

3.3.1.1. Métodos basados en reglas heurı́sticas . . . . . . . . . . . . 50

3.3.1.2. Métodos basados en programación matemática . . . . . 53

3.3.1.3. Métodos hı́bridos . . . . . . . . . . . . . . . . . . . . . . . . 56

3.3.2. Principales Avances en la Sı́ntesis de Procesos Quı́micos . . . . . . . 57

3.3.3. Prospectivas de la Sı́ntesis de Procesos . . . . . . . . . . . . . . . . . 60

3.4. Programación matemática en la sı́ntesis de procesos . . . . . . . . . . . . 69

3.4.1. Programación Lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69

3.4.2. Programación No Lineal . . . . . . . . . . . . . . . . . . . . . . . . . 71

3.4.3. Programación Lineal Mixta con Variables Enteras y Continuas . . . 75

3.4.4. Programación No Lineal Mixta con Variables Enteras y Continuas . 77

3.4.5. Programación General Disyuntiva . . . . . . . . . . . . . . . . . . . . 80

3.4.5.1. Métodos de Resolución para Problemas GDP . . . . . . . . 82

3.4.6. Algoritmos computacionales . . . . . . . . . . . . . . . . . . . . . . . 94

4. Resultados 105

4.1. Publicación I: Strategies for the robust simulation of thermally coupled


distillation sequences . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109

4.1.1. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113

4.1.2. Application of the proposed simulation strategy: “acyclic system


simulation´´ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115

4.1.3. Examples and results . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120

4.1.3.1. Separations of three component mixtures . . . . . . . . . . 120

4.1.3.2. Difficult separations of three component mixtures . . . . . . 125

X
4.1.3.3. Separation of 4 and 5 component mixtures . . . . . . . . . 130

4.1.4. Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131

4.2. Publicación II: A new technique for recovering energy in thermally coupled
distillation using vapor recompression cycles . . . . . . . . . . . . . . . . . 137

4.2.1. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141

4.2.2. Inefficiency in thermally coupled distillation systems . . . . . . . . . 144

4.2.3. Vapor recompression and reverse vapor recompression cycles in


thermally coupled distillation . . . . . . . . . . . . . . . . . . . . . . . 147

4.2.4. Examples and implementation details . . . . . . . . . . . . . . . . . 153

4.2.4.1. Example 1. VRC . . . . . . . . . . . . . . . . . . . . . . . . . 154

4.2.4.2. Example 2: RVRC . . . . . . . . . . . . . . . . . . . . . . . . . 159

4.2.5. Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163

4.3. Publicación III: An alternative disjunctive optimization model for heat in-
tegration with variable temperatures . . . . . . . . . . . . . . . . . . . . . . 173

4.3.1. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176

4.3.2. Problem statement . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181

4.3.3. Simultaneous heat and process optimization: model formulation . . 181

4.3.3.1. Implicit ordering of temperatures . . . . . . . . . . . . . . . 183

4.3.3.2. Heat transfer within each temperature interval . . . . . . . 187

4.3.3.3. Transshipment model . . . . . . . . . . . . . . . . . . . . . . 193

4.3.3.4. Logical relationships relating reordering and heat exchan-


ge binary variables . . . . . . . . . . . . . . . . . . . . . . . 195

4.3.3.5. Logical relationships involving heat exchange intervals . . 198

4.3.3.6. Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . 199

XI
4.3.3.7. Final remarks, extensions and performance of the disjun-
ctive model . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201

4.3.4. Examples and results . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203

4.3.4.1. Process with fixed streams conditions (MILP) . . . . . . . . . 204

4.3.4.2. Process with variable stream conditions (MILP) . . . . . . . 205

4.3.4.3. Heat integration of distillation columns (MINLP) . . . . . . . 209

4.3.4.4. Hybrid simulation-optimization process (MINLP) . . . . . . . 211

4.3.5. Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214

4.4. Anexo I: Integration of different models in the design of chemical proces-


ses: Application to the design of a Power Plant . . . . . . . . . . . . . . . . 217

4.4.1. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219

4.4.2. Modeling framework . . . . . . . . . . . . . . . . . . . . . . . . . . . 226

4.4.3. Logic Based Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . 230

4.4.3.1. Initial and primal subproblems . . . . . . . . . . . . . . . . . 232

4.4.3.2. Master subproblem . . . . . . . . . . . . . . . . . . . . . . . 233

4.4.4. Case Study . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 234

4.4.5. Examples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 251

4.4.6. Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259

4.5. Anexo II: Integration of modular process simulators under the Generalized
Disjunctive Programming framework for the structural flowsheet optimiza-
tion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265

4.5.1. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267

4.5.2. Problem statement . . . . . . . . . . . . . . . . . . . . . . . . . . . . 271

4.5.3. Methodology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 271

XII
4.5.3.1. Logic Based Outer Approximation algorithm with an em-
bedded process simulator . . . . . . . . . . . . . . . . . . . 272

4.5.3.2. Connection between Matlab and Aspen Hysys . . . . . . . 279

4.5.3.3. Connection between Matlab and Optimizer . . . . . . . . 280

4.5.4. Case Study . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 281

4.5.5. Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 291

4.5.6. Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 294

5. Conclusiones 301

6. Contribuciones Cientı́ficas 309

6.1. Publicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 311

6.2. Libros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 311

6.3. Asistencia a Congresos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 312

6.4. Contribuciones a Congresos . . . . . . . . . . . . . . . . . . . . . . . . . . . 312

XIII
ÍNDICE DE TABLAS

3.2.1. Tipos de propiedades fisicoquı́micas en un simulador de procesos quı́mi-


cos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

3.2.2. Principales Modelos Termodinámicos disponibles en los simuladores co-


merciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

3.2.2. Principales Modelos Termodinámicos disponibles en los simuladores co-


merciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

3.2.2. Principales Modelos Termodinámicos disponibles en los simuladores co-


merciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

3.4.1. Transformación de operadores lógicos a restricciones MILP . . . . . . . . 85

3.4.2. Esquema Reformulaciones M-Grande y Envolvente Convexa de un Pro-


blema Lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91

3.4.3. Esquema Reformulaciones M-Grande y Envolvente Convexa de un Pro-


blema No Lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92

4.1.1. Characteristics of different feeds to each column . . . . . . . . . . . . . . 120

4.1.2. Characteristics of short cut columns and conventional columns . . . . . 124

4.1.3. Results obtained with systems 3 compounds . . . . . . . . . . . . . . . . . 124

XV
4.1.4. Results of difficult separation systems with 3 compounds . . . . . . . . . . 128

4.1.5. Results for the systems with 4 compounds . . . . . . . . . . . . . . . . . . . 131

4.2.1. Specifications for the hot and cold utilities . . . . . . . . . . . . . . . . . . 154

4.2.2. Streams specifications for the separation system . . . . . . . . . . . . . . 155

4.2.3. Conventional Petlyuk Distillation column: Capital & Energy Cost . . . . . 156

4.2.4. Conventional Petlyuk Distillation with VRC: Capital and Energy Cost . . . 157

4.2.5. Specifications for the streams in the separation system . . . . . . . . . . . 159

4.2.6. Conventional Petlyuk Distillation column: Capital and Energy Cost . . . . 160

4.2.7. Conventional Petlyuk Distillation with RVRC: Capital and Energy Cost . . 160

4.3.1. Test problem 1 (fixed temperatures) . . . . . . . . . . . . . . . . . . . . . . 204

4.3.2. Results test problem 1 (fixed temperatures) . . . . . . . . . . . . . . . . . . 205

4.3.3. Test problems 2–4 (variable temperatures) . . . . . . . . . . . . . . . . . . 206

4.3.4. Results test problems 2–4 (variable temperatures) . . . . . . . . . . . . . . 207

4.3.5. Parameters solution test problems 2–4) . . . . . . . . . . . . . . . . . . . . 208

4.3.6. Flows and temperatures of problem columns . . . . . . . . . . . . . . . . 210

4.3.7. Solution of problem columns . . . . . . . . . . . . . . . . . . . . . . . . . . 211

4.3.8. Molar Flow rate of the feed (kmol/h) . . . . . . . . . . . . . . . . . . . . . 212

4.3.9. Bounds, constraints and solution of the natural gas problem . . . . . . . . 213

4.4.1. Summary of operating parameters . . . . . . . . . . . . . . . . . . . . . . 238

4.4.2. Utilities Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239

4.4.3. Data for examples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 251

4.4.4. Results for example 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253

4.4.5. Numerical statistics for the three instance . . . . . . . . . . . . . . . . . . 254

XVI
4.4.6. Results for example 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 256

4.4.7. Results for example 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 258

4.5.1. Temperature and pressure dependence of the carbon monoxide and


carbon dioxide equilibrium conversions . . . . . . . . . . . . . . . . . . . . 283

4.5.2. Synthesis gas streams data . . . . . . . . . . . . . . . . . . . . . . . . . . . 284

4.5.3. Computational Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 292

4.5.4. Results: Characteristic of equipment in optimal configuration . . . . . . . 293

XVII
ÍNDICE DE FIGURAS

3.1.1. Evolución consumo energético mundial [1] . . . . . . . . . . . . . . . . . 18

3.1.2. Distribución del consumo mundial de energı́a . . . . . . . . . . . . . . . . 19

3.1.3. Consumo Energético Mundial en los últimos 20 años . . . . . . . . . . . . 19

3.1.4. Consumo Energético Mundial detallada en 2011 . . . . . . . . . . . . . . 21

3.1.5. Consumo per cápita (Tep) en 2011 [2] . . . . . . . . . . . . . . . . . . . . 22

3.1.6. Concentraciones CO2 (ppm) en cada uno de los escenarios . . . . . . 25

3.1.7. Calentamiento Global en cada uno de los escenarios . . . . . . . . . . . 26

3.2.1. Problemas en Ingenierı́a de Procesos: a) Diseño, b) Simulación, c) Opti-


mización . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

3.2.2. Esquema de operación de un simulador modular-secuencial . . . . . . . 41

3.2.3. Esquema de cálculo en cada uno de los equipos . . . . . . . . . . . . . 47

3.3.1. Representación esquemática simplificada de un problema de sı́ntesis . 50

3.4.1. Ejemplo de Región Convexa y No Convexa . . . . . . . . . . . . . . . . . 72

3.4.2. Esquema del algoritmo de Aproximaciones Exteriores . . . . . . . . . . . 79

3.4.3. Representación de la relajación utilizando M-Grande y Envolvente Con-


vexa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93

XIX
4.1.1. (a, b and e) Equivalent configurations. (c, d and f) Equivalent configu-
rations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116

4.1.2. Petlyuk configuration and the thermodynamically equivalent divided


wall column . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117

4.1.3. Details of the connection between columns, “cyclic system simulation´´ 118

4.1.4. Details of the connection between columns, “acyclic system simulation´´119

4.1.5. Residue curve maps of the four component systems studied: (a) i-butane,
n-butane, cyclobutane; (b) n-hexane, n-heptane, n-octane; (c) benze-
ne, toluene, p-xylene; (d) methanol, ethanol, butanol . . . . . . . . . . . 121

4.1.6. Calculation of tray columns using “short cut distillation” . . . . . . . . . . 122

4.1.7. Simulations of (a) acyclic and (b) cyclic system configurations . . . . . . 123

4.1.8. Comparison of flows for BTX separation: (a) liquid flow-column 1; (b) va-
por flow-column 1; (c) liquid flow-column 2; (d) vapor flow-column 2 . . 125

4.1.9. Residue curve map (azeotropic mixture) . . . . . . . . . . . . . . . . . . . 126

4.1.10. Simulations of acyclic (a) and cyclic (b) system configurations (azeotro-
pic mixture) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127

4.1.11. Curve residue map acetone–acetic acid–acetic anhydride (AAA) . . . 128

4.1.12. Comparison of flows for AAA separation: (a) liquid flow-column 1; (b)
vapor flow-column 1; (c) liquid flow-column 2; (d) vapor flow-column 2 . 129

4.1.13. Thermodynamically equivalents configurations-system 4 compounds: (a)


configuration 1; (b) configuration 2; (c) configuration 3 . . . . . . . . . . 130

4.1.14. Configuration separation system 5 compounds . . . . . . . . . . . . . . . 131

4.1.15. Comparison of flows for 5 compounds separation: (a) liquid flow-column


1; (b) vapor flow-column 1; (c) liquid flow-column 2; (d) vapor flow-
column 2; (e) liquid flow-column 3; (f) vapor flow-column 3; (g) liquid
flow-column 4; (h) vapor flow-column 4 . . . . . . . . . . . . . . . . . . . . 132

XX
4.2.1. Construction of the Petlyuk c), and Divided Wall columns d) by decom-
position into basic tasks b) and further elimination of heat exchangers . 145

4.2.2. Equivalent configurations for a thermal coupling . . . . . . . . . . . . . . 146

4.2.3. Petlyuk configuration with an intermediate reboiler (a) and an interme-


diate condenser (b) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148

4.2.4. Scheme of a standard vapor recompression cycle . . . . . . . . . . . . . 149

4.2.5. Scheme of a Vapor Recompression Cycle using the excess of Vapor in


rectifying section of column 3 . . . . . . . . . . . . . . . . . . . . . . . . . 150

4.2.6. Scheme of a Reverse Vapor Recompression Cycle using the excess of


liquid in the stripping section of column 2 . . . . . . . . . . . . . . . . . . . 152

4.2.7. Flowsheet for the simulation of the Petlyuk configuration column . . . . . 155

4.2.8. Simulation of Petlyuk configuration column with VRC . . . . . . . . . . . . 156

4.2.9. Flowsheet for the direct sequence with and without VRC and for the
indirect sequence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158

4.2.10. Capital cost of equipment and annualized energy and total costs for
the distillation systems studied in example 1 . . . . . . . . . . . . . . . . . 159

4.2.11. Flowsheet for the simulation of the Petlyuk column with RVRC . . . . . . . 161

4.2.12. Simulation of indirect sequence with RVRC . . . . . . . . . . . . . . . . . . 162

4.2.13. Annualized capital cost, energy costs and total costs for the distillation
systems studied in example 2 . . . . . . . . . . . . . . . . . . . . . . . . . . 162

4.3.1. Illustration of ordered temperatures and intervals . . . . . . . . . . . . . . 187

4.3.2. All the relative positions of a stream in relation to a given temperature


interval . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188

4.3.3. Heat cascade diagram . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194

4.3.4. Logical relationships for hot streams . . . . . . . . . . . . . . . . . . . . . . 197

XXI
4.3.5. Minimum and maximum values for the inlet temperatures of hot and
cold streams . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200

4.3.6. Sharp distillation for separation of a 4-component mixture . . . . . . . . . 209

4.3.7. Process flow diagram for the processing of the natural gas . . . . . . . . 212

4.4.1. Scheme of the modeling framework . . . . . . . . . . . . . . . . . . . . . 227

4.4.2. Superstructure of the utility system plant. It is possible to include N turbi-


nes in parallel of each class . . . . . . . . . . . . . . . . . . . . . . . . . . 236

4.4.3. Scheme of the actual implementation of a gas turbine in Aspen-Hysys . 239

4.4.4. Left, calculated and predicted values for the kriging model in the gas
turbine. Right, % kriging error in 500 random points . . . . . . . . . . . . . 241

4.4.5. Scheme of the implementation of a Boiler in Aspen Hysys. Dotted line


shows the information flow that is different of mass flow . . . . . . . . . . . 243

4.4.6. Scheme of a deaerator . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 248

4.4.7. Optimal solution for case study, instance 1 . . . . . . . . . . . . . . . . . . 252

4.4.8. Optimal solution for case study, instance 2 . . . . . . . . . . . . . . . . . . 257

4.4.9. Optimal solution for case study, instance 3 . . . . . . . . . . . . . . . . . . 259

4.5.1. Scheme of the optimization modeling framework . . . . . . . . . . . . . . 273

4.5.2. Methanol simplified process flowsheet . . . . . . . . . . . . . . . . . . . . 281

4.5.3. Superstructure for the Methanol synthesis process in Aspen-Hysys . . . . . 283

4.5.4. Optimal configuration of the case study . . . . . . . . . . . . . . . . . . . 291

XXII
CAPITULO 1

Resumen

1
Capı́tulo 1. Resumen

Capı́tulo 1. Resumen
En la civilización moderna, la disponibilidad de energı́a está fuertemente ligada
al nivel de bienestar, a la salud y a la duración de vida del ser humano. En realidad
vivimos en una sociedad que se podı́a denominar como “energı́vora”. Año a año, el
consumo energético mundial marca máximos históricos, como consecuencia de que
las necesidades energéticas de la humanidad no dejan de crecer. El principal motivo
se debe a la relativamente nueva industrialización de paı́ses densamente poblados
como China, Brasil o India, lo que incorpora continuamente millones de nuevos con-
sumidores al mercado energético. Dicha cantidad adicional de energı́a, necesaria
para suplir el incremento de la demanda mundial, se obtiene en su inmensa mayorı́a
a partir de combustibles basados en el carbono: carbón, gas y petróleo. Todo ello
provoca que las emisiones de contaminantes a la atmósfera (sobretodo pero no so-
lamente, de CO2 ) se incrementen año a año. El aumento de las emisiones supone un
importante problema a nivel global y es responsable de numerosas consecuencias
como son el continuo calentamiento del planeta, variaciones tanto en las cantidades
como los patrones de precipitación, reducción de los casquetes polares, elevación
del nivel del mar, etc. . . Finalmente, y si no se pone remedio al continuo aumento de
dichas emisiones, tendrá un impacto directo y a nivel mundial en los recursos hı́dricos
disponibles, la cadena alimentaria, la extinción de animales y plantas y finalmente en
la futura existencia de la raza humana.

Hoy en dı́a existen diferentes alternativas que posibilitarı́an cumplir con el conti-
nuo aumento de las necesidades energéticas sin incumplir el objetivo medioambien-
tal, manteniendo o incluso disminuyendo las emisiones atmosféricas. Las opciones
más ampliamente estudiadas son el desarrollo y utilización de energı́as renovables,
la instauración de captura y almacenamiento de CO2 o la mejora de la eficiencia
energética [1]. Diversos estudios [2-4] muestran que, con las tecnologı́as actuales, la
instalación presente y futura de energı́as renovables funcionando a máxima capaci-
dad no bastarı́a para proporcionar toda la energı́a adicional necesaria para asegurar
el crecimiento económico mundial. Todo ello indica que el principal campo que pue-
de llevar a la humanidad al cumplimiento, tanto de los objetivos económicos como
medioambientales, es la mejora de la eficiencia energética.

3
1.Resumen

El consumo energético del sector industrial a nivel global representa aproximada-


mente el 28 % del consumo energético total y dentro de este sector, la industria quı́mi-
ca representa aproximadamente el 20 %. Si se realiza un simple cálculo de porcenta-
jes, el consumo energético de la industria quı́mica en el mundo representa aproxima-
damente el 5,6 % de toda la energı́a consumida en el mundo. Esto unido al hecho de
que la energı́a consumida es generada principalmente mediante la combustión de
combustibles fósiles, hacen que cualquier mejora que permita reducir su consumo
energéticos, supondrá un importante impacto tanto en el coste económico como
medioambiental global.

El objetivo principal de la presente tesis es el desarrollo de herramientas de simu-


lación y optimización de procesos quı́micos que mejoren la eficiencia energética de
estos. El trabajo desarrollado a lo largo de periodo doctoral puede agruparse en tres
grupos:

Herramientas que facilitan la simulación y mejoran la eficiencia en columnas


de destilación

Un modelo alternativo para la optimización simultánea y la integración de ca-


lor, que mantiene el concepto de intervalo de la temperatura, para redes de
intercambio de calor

Nuevas estructuras de modelado para la optimización rigurosa de problemas


de sı́ntesis de procesos mediante una combinación sinérgica de simuladores
de procesos con la formulación Disyuntiva Generalizada (GDP)1

La primera parte de esta tesis está compuesta por dos trabajos, cada uno de
los cuales ha dado lugar a una publicación en revistas cientı́ficas internacionales. El
primer trabajo de los realizados parte de la idea de mejorar y facilitar la simulación
de secuencias de columnas con acoplamiento térmico (TCD) 2 . El problema de la
simulación de este tipo de columnas radica en el gran número de recirculaciones
existentes entre las diferentes columnas como consecuencia de los acoplamientos
térmicos. Esta caracterı́stica ralentiza y dificulta considerablemente la simulación y el
1
Acrónimo de Inglés “Generalized Disjunctive Problem”)
2
Acrónimo del inglés “Thermally Coupled Distillation”

4
Capı́tulo 1. Resumen

estudio de los sistemas TCD, necesitándose, en la mayorı́a de los casos, buenos valo-
res iniciales próximos a la solución final para converger el sistema. La idea básica para
solventar este problema es la de evitar o sustituir la estructura cı́clica (corrientes recir-
culadas) en el diagrama de flujo de los sistemas TCD, por una configuración acı́clica.
La solución aportada parte de los estudios realizados por Carlberg y Westerberg [5,
6], quienes probaron, utilizando modelos aproximados (Método de Underwood [7]),
que un acoplamiento térmico puede ser sustituido por una única corriente de vapor
sobrecalentado o lı́quido subenfriado en función de las secciones que conecte. En
este trabajo se demuestra que dicha corriente de vapor sobrecalentado o lı́quido
subenfriado puede ser sustituida por dos corrientes una de materia y otra de energı́a,
de tal forma que se consigue eliminar las corrientes recirculadas en los acoplamien-
tos térmicos. Esta nueva configuración es aplicada a secuencias de columnas TCD
para la separación de diversas mezclas como hidrocarburos, alcoholes, compuestos
aromáticos, etc. . . . Los resultados obtenidos muestran errores medios por debajo del
2 % para mezclas de 3 componentes, al comparar la configuración original con la
configuración desarrollada en este trabajo.

El segundo de los trabajo tiene como objetivo el aumento de la eficiencia energéti-


ca en una columna TCD. Las columnas TCD presentan diferentes caracterı́sticas que
hacen que su funcionamiento, aún siendo teóricamente la configuración que mini-
miza el consumo energético del proceso, sea ineficiente en comparación con las
columnas de destilación convencionales. La idea de este trabajo es la de aumentar
la eficiencia energética de las columnas TCD convirtiendo la ineficiencia inherente
de las secuencias TCD -exceso de flujo de vapor/lı́quido en ciertas secciones como
resultado de la transferencia llevada a cabo en los acoplamientos térmicos- en una
ventaja, consiguiendo disminuir la energı́a y costes del sistema. La estrategia consis-
te en extraer el exceso de vapor (lı́quido) de la sección de la columna que, como
consecuencia de los acoplamientos térmicos, opera en condiciones subóptimas. La
corriente de vapor (lı́quido) extraı́da se utiliza en un ciclo de recompresión de vapor
(VRC, “Vapor Recompression Cycle”) o un ciclo de recompresión de vapor inverso
(RVRC, “Reverse Vapor Recompression Cycle”), reduciendo de esta forma la can-
tidad de calor aportado al sistema externamente. Además, la extracción de la co-
rriente (lı́quida o vapor en exceso) restaura las condiciones óptimas de funcionamien-

5
1.Resumen

to de la sección de la columna afectada y consecuentemente reduce el diámetro


de la columna. Los resultados obtenidos muestran ahorros energéticos y económicos
consecuentes de la aplicación de esta estrategia entorno un 20-40 %.

Tras la anterior serie de trabajos, el siguiente bloque de la tesis se basa en el desa-


rrollo de una estrategia alternativa para la optimización simultánea y la integración
de calor, manteniendo el concepto de intervalo de la temperatura, para redes de
intercambio de calor. Comentar que dicho trabajo también ha derivado en un pu-
blicación en revistas cientı́ficas. La gran mayorı́a de los métodos desarrollados en el
campo de integración energética asumen que las temperaturas de entrada y salida
a una red de intercambiadores de calor son fijas y conocidas a priori. En otras pala-
bras, la integración de calor se lleva a cabo sólo después de haber fijado todas las
condiciones de operación del proceso. Sin embargo, es sabido que la optimización
simultánea de las condiciones del proceso y la integración de calor puede producir
importantes ahorros en el coste total del proceso [8]. Por lo que sabemos, el único
trabajo relacionado con la optimización e integración de calor simultánea fue desa-
rrollado por Duran y Grossmann [8]. La idea de este trabajo surge del hecho de que
el modelo de Duran y Grossmann no mantiene el concepto de intervalo de la tem-
peratura con la que muchos diseñadores se encuentran familiarizados, debido a la
prevalencia de la tecnologı́a del análisis del pinch. En este apartado se pretende
desarrollar una estrategia alternativa para la optimización simultánea y la integra-
ción de calor. La idea básica es llevar a cabo una ordenación implı́cita de todas las
temperaturas del sistema, de esa manera los intervalos de temperatura quedan tam-
bién implı́citamente definidos. El modelo se compone de tres partes: en la primera,
todas las temperaturas de entrada del sistema son implı́citamente ordenadas, en el
segundo, se calcula la cantidad de calor intercambiado por cada corriente en cada
intervalo de temperatura, y en la tercera, se aplica el modelo de transbordo desarro-
llado por Papoulias y Grossmann [9] con el fin de calcular los servicios calientes y frı́os
a aportar al sistema. Además se deben añadir un un etapa de preprocesado con el
fin de fijar ciertas variables binarias, y un conjunto de relaciones lógicas que reducen
considerablemente el espacio de búsqueda. Los resultados obtenidos con el nuevo
modelo muestran resultados competitivos frente al modelo de Duran y Grossmann.

6
Capı́tulo 1. Resumen

Finalmente, y como última parte del trabajo doctoral, se lleva a cabo una serie
de trabajos con el fin de desarrollar nuevas estructuras de modelado para la opti-
mización rigurosa de problemas de sı́ntesis de procesos, utilizando una combinación
de simuladores de procesos junto a la formulación GDP. Esta investigación ha dado
como resultado dos trabajos actualmente en revisión en revistas internacionales. El
primero de los trabajos presenta una estructura de modelado para tratar problemas
de sı́ntesis, que incluyen diferentes modelos matemáticos para calcular o simular di-
ferentes operaciones unitarias. Los avances en el diseño, optimización y sı́ntesis de
procesos quı́micos en los últimos años han sido impresionantes en todos los niveles,
desde operaciones unitarias individuales hasta la optimización del diagrama de flu-
jo completo. Hoy en dı́a existen numerosos modelos para calcular, diseñar o simular
prácticamente cualquier proceso quı́mico. Dentro de los diferentes modelos existen-
tes se pueden distinguir entre modelos en forma de ecuaciones, modelos en forma
de caja negra con o sin acceso a las derivadas, etc. . . En definitiva, la mejor alter-
nativa de diseño es la selección y utilización del mejor modelo disponible venga de
donde venga independientemente de su forma y caracterı́sticas. Con todo ello, la
idea principal del trabajo es el desarrollo de una estructura de modelado que sea
capaz de trabajar simultáneamente con modelos con comportamiento y tratamien-
to numérico distintos, de tal forma que se seleccione el mejor modelo en cada caso
para cada unidad. En este trabajo toda la estructura de modelado se desarrolla uti-
lizando la programación disyuntiva, porque esta estructura es adecuada para hacer
frente a este tipo de problemas, ya que permite encapsular cada modelo y utilizar
un enfoque diferente en función de sus caracterı́sticas. La estructura llevada a cabo
utiliza disyunciones para capturar cada uno de los modelos de tal forma que se apro-
vechen las ventajas o minimizan los inconvenientes de cada uno. De esta manera es
posible utilizar las derivadas algebraicas cuando están disponibles y simultáneamen-
te implementar métodos robustos para estimar las derivadas de otros modelos sin la
necesidad de interferir con el resto de modelos, y de esta forma mejorar el tiempo
de cálculo computacional. A modo de ejemplo, el modelo es aplicado a una plan-
ta de generación de vapor donde ciertas unidades son calculadas a través de un
simulador de procesos y otras son explı́citamente representadas por ecuaciones. El
resultado final es un sistema hı́brido que incluye modelos implı́citos procedentes de
diferentes fuentes y con diferentes comportamientos numéricos.

7
1.REFERENCIAS

El segundo y último trabajo desarrollado presenta un nuevo marco de modelado


para tratar los problemas de sı́ntesis. En éste, las diferentes alternativas del proceso
son modeladas en forma de una superestructura, y se resuelve utilizando una combi-
nación sinérgica de simuladores de procesos comerciales junto a la formulación GDP.
Hasta donde conocemos, no existe ninguna herramienta para la resolución de pro-
blemas donde la superestructura del proceso queda dibujada directamente sobre
la interfaz gráfica del simulador de procesos (GUI). La estructura del modelo se cen-
tra en construir un problema GDP que es conectado con un simulador de procesos
(Hysys Aspen), donde tanto la topologı́a como los parámetros continuos del proceso
son optimizados. Esta metodologı́a permite incluir fácilmente restricciones y relacio-
nes lógicas entre las alternativas, de tal forma que facilite la obtención de soluciones
factibles. La herramienta propuesta utiliza el algoritmo de aproximaciones exteriores
basada en la lógica y por lo tanto no es necesario volver a formular el problema co-
mo un MINLP. Como ejemplo se presenta la sı́ntesis de una planta de producción de
metanol, En este caso se presenta una superestructura que incluye todas las alterna-
tivas de interés, incluyendo diferentes alimentos, diferentes sistemas de compresión y
diferentes condiciones de reacción.

Referencias

[1] Abadia, J. Energı́a y Sostenibilidad. La Energı́a y el Medio Ambiente en la Unión Europea.


Inf. téc. ENDESA, 2006.
[2] Nelder, C. Efficiency: The Way to Close the Renewables Gap. Inf. téc. 2009 ASPO-USA Peak
Oil Conference, 2009.
[3] Trainer, F.E. Renewable Energy Cannot Sustain a Consumer Society. Springer London, Limi-
ted, 2007.
[4] Agency, International Energy. World Energy Outlook 2012. http://www.worldenergyoutlook.
org//. 2012.
[5] Carlberg, N.A. y Westerberg, A.W. ((Temperature-heat diagrams for complex columns. 2.
Underwood’s method for side strippers and enrichers)). En: Industrial & Engineering Che-
mistry Research 28.9 (1989), págs. 1379-1386.
[6] Carlberg, N.A. y Westerberg, A.W. ((Temperature-heat diagrams for complex columns. 3.
Underwood’s method for the Petlyuk configuration)). En: Industrial & Engineering Chemistry
Research 28.9 (1989), págs. 1386-1397.

8
Capı́tulo 1. Resumen

[7] Underwood, A.J.V. ((Fractional Distillation of Multicomponent Mixtures)). En: Industrial & En-
gineering Chemistry 41.12 (1949), págs. 2844-2847.
[8] Duran, M.A. y Grossmann, I.E. ((Simultaneous optimization and heat integration of chemical
processes)). En: AIChE Journal 32.1 (1986), págs. 123-138.
[9] Papoulias, S.A. y Grossmann, I.E. ((A structural optimization approach in process synthesis
II: Heat recovery networks)). En: Computers & Chemical Engineering 7.6 (1983), págs. 707
-721.

9
CAPITULO 2

Estructura de la Memoria y Objetivos

11
Capı́tulo 2. Estructura y Objetivos

Capı́tulo 2. Estructura de la Memoria y Objetivos


La presente memoria se inicia con una introducción general. en la que se reali-
za una pequeña presentación de la problemática energética mundial. Además se
analiza la situación energética actual en el mundo y las principales alternativas y
mejoras energéticas que pueden conseguir suplir las cada vez mayores demandas
energéticas respetando los acuerdos propuestos por el IPCC (International Panel on
Climate Change) de tal forma que se llegue a controlar el cambio climático. A con-
tinuación, y como consecuencia del gran uso de los simuladores comerciales a lo
largo de la tesis, se realiza una pequeña introducción del uso de los simuladores co-
merciales, prestando especial atención a la arquitectura de éstos. Para acabar esta
sección y debido a que los simuladores utilizados durante este trabajo son simuladores
modulares-secuenciales se explica el estructura y funcionamiento. Seguidamente, se
presenta un pequeño resumen del campo de la sı́ntesis de procesos quı́micos, en el
que se describen las diferentes metodologı́as desarrolladas a lo largo de la historia y
se finaliza con las prospectivas de futuro en este campo. Finalmente, y para concluir la
introducción general, se presenta un resumen de la programación matemática en la
sı́ntesis de procesos en el que se comenta brevemente los diferentes tipos de proble-
mas a resolver y la metodologı́a seguida en cada caso, prestando especial atención
a la programación disyuntiva generalizada dado su gran peso a lo largo de esta tesis.

Una vez realizada la introducción general, el siguiente capı́tulo presenta los re-
sultados obtenidos. Estos se presentan en forma de publicaciones, seguidos de un
apartado adicional que incluyen los resultados hasta la fecha no publicados. Cada
una de las publicaciones va precedida por una pequeña introducción. Finalmente,
el capı́tulo 5 de esta memoria corresponde a las conclusiones obtenidas. Comentar
qué la bibliografı́a utilizada en cada uno de los capı́tulos se incluye al final de cada
uno de estos.

Los objetivos principales de esta tesis puede dividirse en tres grupos diferentes:

1. Herramientas que facilitan la simulación y mejoran la eficiencia en columnas


de destilación

13
2.Estructura y Objetivos

(a) Desarrollo de una nueva estructura de simulación para secuencias de co-


lumnas TCD que elimine las corrientes recirculadas

(b) Desarrollo de una nueva estrategia para aumentar la eficiencia energéti-


ca de las columnas TCD, aprovechando la ineficiencia generada por el
exceso de flujo de vapor/lı́quido en ciertas secciones como resultado de
la transferencia llevada a cabo en los acoplamientos térmicos

2. Un modelo alternativo para la optimización simultánea y la integración de ca-


lor, que mantiene el concepto de intervalo de la temperatura, para redes de
intercambio de calor

3. Nuevas estructuras de modelado para la optimización rigurosa de problemas


de sı́ntesis de procesos mediante una combinación sinérgica de simuladores
de procesos con la formulación GDP

(a) Desarrollo de una nueva estrategia de modelado que permita la utilización


simultánea de diferentes modelos numéricos para la representación de las
diferentes operaciones unitarias en un diagrama de flujo, de forma que se
aprovechen las ventajas de cada uno de ellos

(b) Desarrollo de un nuevo marco de modelado para problemas rigurosos don-


de la topologı́a del proceso no se encuentre fijada a priori, quedando el
proceso representado en forma de superestructura

14
CAPITULO 3

Introducción

15
Capı́tulo 3. Introducción

Capı́tulo 3. Introducción
En la actualidad, la disponibilidad de energı́a está fuertemente ligada al nivel de
bienestar, a la salud y a la duración de vida del ser humano. En realidad vivimos
en una sociedad que puede ser denominada “energı́vora”. En esta sociedad, los
paı́ses más pobres muestran los consumos más bajos de energı́a, mientras que los
paı́ses más ricos utilizan grandes cantidades de la misma. Sin embargo este escenario
está cambiando de forma drástica. Dicho cambio se acentuará en los próximos años,
donde serán precisamente los paı́ses en vı́as de desarrollo quienes experimenten con
mayor rapidez un aumento en su consumo de energı́a debido al incremento que
tendrán tanto en sus poblaciones como en sus economı́as.

3.1 Energı́a en el Mundo

Desde la aparición del hombre (Homo Sapiens Sapiens), aproximadamente hace


100.000 años hasta la mitad del siglo XIX, el ser humano se expandió sobre el planeta
sin superar los mil millones de habitantes y limitando su consumo energético a sus
necesidades básicas (cocción, calefacción, higiene e iluminación). Fue a partir de
la segunda mitad del siglo XVIII, con la 1º Revolución Industrial, cuando se produjo el
principal cambio energético en la historia, con la instauración del modelo energético
industrial (Figura 3.1.1) [1]. Este cambio se produjo por numerosas causas, pero una
fundamental y decisiva: el aprovechamiento de una fuente de energı́a primaria, que
implicó la sustitución de dos fuentes gratuitas y de uso libre, como el agua y el viento,
por otra de carácter comercial, como el carbón industrial. Con ello se intensificó el
consumo de combustibles fósiles, principalmente el consumo de carbón, ya que por
aquella época el petróleo era apenas utilizado extrayéndose de campos de Baku
(Azerbajan) y Alsacia (Francia).

A mediados del siglo XIX se producen una serie de descubrimientos que revolu-
cionan la vida del hombre como son el descubrimiento del electromagnetismo o el
invento de la turbina y el motor de combustión interna. En distintas partes del mundo
comienza la moderna industria de extracción de petróleo: F.N. Semyenov en Asphe-

17
3.1.Energı́a en el Mundo

Figura 3.1.1: Evolución consumo energético mundial [1]

ron,Baku (1844), I.Lukasiewicz en Bobrka, Polonia (1858) y E.Drake en Titusville, Pensil-


vania (1859).

Éstas, junto a muchas otras mejoras tecnológicas, derivaron en la gran explosión


energética experimentada a principios del siglo XX, siendo la energı́a el principal im-
pulsor del desarrollo industrial y facilitador de gran parte de las actividades humanas.

Durante el siglo XX la producción de electricidad creció desde cero hasta alcan-


zar los 15.000 TWh en el año 2000. El petróleo y el consumo de derivados llega a las
3.500 MTep 1 (millones de toneladas equivalentes de petróleo) y la población mun-
dial crece de 1.600 millones de habitantes en 1.900 a 7.000 millones de habitantes en
2011. Concretamente en el año 2011, el consumo energético global se estableció en
12.274 MTep [2]. La distribución de los fuentes energéticas consumidas se muestra la
Figura 3.1.2, representando los combustibles fósiles el 87 % de la energı́a mundial con-
sumida.

3.1.1. Situación energética actual

El consumo energético mundial se incrementó un 2,5 % en el año 2011, pasando


de 11.978 MTep hasta 12.274 MTep (Figura 3.1.3), localizándose principalmente dicho
1
1 Tep equivale a 41.87·106 kJ

18
Capı́tulo 3. Introducción

Figura 3.1.2: Distribución del consumo mundial de energı́a

aumento en las economı́as emergentes, representando China por si sola el 71 % de


dicho crecimiento. El conjunto de paı́ses pertenecientes a la OCDE presentó una
disminución del 0,8 % en su consumo energético, por el contrario los paı́ses no perte-
necientes a la OCDE presentaron un incremento del 5,3 %.

Figura 3.1.3: Consumo Energético Mundial en los últimos 20 años

Actualmente, el mundo se encuentra inmerso en un estado excepcionalmente


inestable, tanto polı́tica como medioambientalmente, lo que provoca la aparición

19
3.1.Energı́a en el Mundo

de una nueva situación energética mundial, con repercusiones directas en todos y


cada uno de los recursos energéticos.

La “Primavera Árabe”, a principios del 2011, y la Guerra Civil Libia sacudieron


enormemente el mercado energético mundial, principalmente el relacionado con el
petróleo. Dichos acontecimientos derivaron en una inmensa reducción del petróleo
norteafricano (1,2 millones de barriles/dı́a aproximadamente) y el consecuente au-
mento de la producción en Oriente Medio. Esta incertidumbre en la oferta y princi-
palmente la inestabilidad polı́tica de la zona produjo que el precio medio anual del
barril de petróleo alcanzará un máximo histórico (111,26 $/barril), un 40 % superior al
año 2010. Todas estas caracterı́sticas produjeron que el consumo de petróleo creciera
únicamente un 0,6 %, el menor de la última década [3].

Por otro lado, el accidente de Fukushima tambaleó el concepto de seguridad


en la energı́a nuclear, no sólo en Japón sino a nivel mundial. Todo ello derivó en una
reducción drástica de la energı́a nuclear (-4,3 %), especialmente localizada en Japón
(44 %) y Alemania (23 %).

El consumo de carbón se incrementó un 5,4 % respecto al año 2010, suponien-


do dicha cifra el mayor incremento registrado en la historia, llegando a representar el
30,3 % del consumo energético mundial. Este importante aumento tiene como causa,
el hecho de que el carbón es el combustible seleccionado mayoritariamente para
cubrir el incremento anual de la demanda energética. Ello es debido a que de todos
los combustibles fósiles, el carbón es por mucho el más abundante en el mundo y el
mejor distribuido geográficamente, pudiendo encontrarse en más de 100 paı́ses en
todos los continentes. Este hecho ha llevado a que el carbón sea la principal fuente
energética elegida para cubrir el incremento de la demanda energética, especial-
mente en los paı́ses en vı́as de desarrollo (principalmente China e India).

Por otro lado, el mercado del gas natural se incrementó un 2,2 % a nivel mundial.
Como en el resto de fuente energéticas, el paı́s donde más creció el consumo fue
en China (21,5 %), seguido de Arabia Saudi (13,2 %) y Japón (11,6 %). Además, la pro-
ducción de gas natural en Estados Unidos se incrementó sustancialmente en el último
año (7,7 %) inducido por tecnologı́as de exploración-producción que están liberando
petróleo ligero en formaciones compactas y gas de esquisto. Todo ello está espo-

20
Capı́tulo 3. Introducción

leando la actividad económica -con el abaratamiento de los precios del gas y de la


electricidad que ofrecen un margen competitivo a la industria. Finalmente es impor-
tante comentar la fuerte reducción del consumo de gas natural en la Unión Europea
(9,9 %). Dicha reducción se debe principalmente a la crisis económica, los altos pre-
cios del gas importado y el crecimiento de las energı́as renovables.

Estas últimas lograron un incremento global del 17.7 %, basándose principalmente


en la energı́a eólica con un aumento del 25.8 %, representando ésta más de la mitad
de la producción de energı́as renovables. En el caso de la energı́a solar se produjo un
aumento del 86.3 %, indicando este dato el correcto camino seguido por esta fuente
energética.

Las Figura 3.1.4 y 3.1.5 muestran un resumen de la situación energética mundial


y su variación respecto al año 2010, y el consumo energético per cápita en el año
2011, respectivamente.

Figura 3.1.4: Consumo Energético Mundial detallada en 2011

21
3.1.Energı́a en el Mundo

Figura 3.1.5: Consumo per cápita (Tep) en 2011 [2]

3.1.2. Futuro de la Energı́a vs. Cambio Climático

Las necesidades energéticas de la humanidad no dejan de crecer. La relativa-


mente nueva industrialización de paı́ses densamente poblados como China, Brasil o
India está incorporando millones de consumidores cada año al mercado energético.
Dicha cantidad adicional de energı́a, necesaria para suplir el incremento de la de-
manda mundial, se obtiene en su inmensa mayorı́a a partir de combustibles basados
en el carbono: carbón, gas y petróleo (Figura 3.1.2). Todo ello provoca que las emi-
siones de contaminantes a la atmósfera (sobretodo pero no solamente, de CO2 ) se
incrementen año a año. El aumento de las emisiones es responsable de numerosas
consecuencias como son el continuo calentamiento del planeta, variaciones tanto
en las cantidades como los patrones de precipitación, reducción de los casquetes
polares, elevación del nivel del mar, aumento del nivel de acidez de los océanos,
etc. . . Finalmente, y si no se pone remedio al continuo aumento de dichas emisio-
nes, tendrá un impacto directo y a nivel mundial en los recursos hı́dricos disponibles,
la cadena alimentaria, la extinción de animales y plantas y finalmente en la futura
existencia de la raza humana.

22
Capı́tulo 3. Introducción

El clima mundial se ha mantenido particularmente estable en los últimos 10.000


años, lo que ha permitido el desarrollo de la civilización humana. Hoy en dı́a empiezan
a aparecer claros signos de que el clima está cambiando [4]. Este cambio es uno de
los desafı́os más importantes al que se enfrenta la humanidad. La concentración de
dióxido de carbono (CO2 ) en la atmósfera ha alcanzado una cifra récord a nivel
mundial, 391 ppm [5]. Esto significa un crecimiento de casi el 40 por ciento desde la
revolución industrial (280 ppm) y la cifra más alta de los últimos 650.000 años. Como
consecuencia, la temperatura media global se ha incrementado en 0,8°C desde la
época preindustrial [6].

En 1988 se constituyó el “Intergovernmental Panel on Climate Change (IPCC)” co-


mo herramienta internacional contra el cambio climático. El objetivo de este grupo
es el análisis de la información cientı́fica, técnica y socioeconómica relevante para
la compresión de los elementos cientı́ficos relativos al cambio climático de origen an-
tropogénico, ası́ como sus posibles repercusiones , riesgos y sus posibilidades de ate-
nuación y de adaptación al mismo. Dicho grupo está constituido por dos importantes
organismos mundiales, “Unites Nations Environment Programme (UNEP)” y “World Me-
teorological Organization (WMO)” [7].

Una de las misiones de esta organización es el establecimiento de posibles esce-


narios futuros referentes la evolución de los niveles de contaminación atmosférica,
cambio climático, etc. . . Los principales escenarios presentados son los siguientes [8]:

A1 Mundo futuro con un rápido crecimiento económico, una población mun-


dial que alcanza su valor máximo hacia mediados de siglo y disminuye poste-
riormente, una rápida introducción de tecnologı́as nuevas y más eficientes. La
familia A1 se desarrolla en tres grupos que describen direcciones alternativas
del cambio tecnológico en el sistema de energı́a. Los tres grupos A1 se dife-
rencian en su orientación tecnológica: utilización intensiva de combustibles de
origen fósil (A1FI), utilización de fuentes de energı́a renovables (A1T), o utiliza-
ción equilibrada de todo tipo de fuentes (A1B)

A2 Mundo muy heterogéneo cuyas principales caracterı́sticas son la autosufi-


ciencia, la conservación de las identidades locales y una población mundial

23
3.1.Energı́a en el Mundo

en continuo crecimiento. El crecimiento económico por habitante ası́ como el


cambio tecnológico están más fragmentados y son más lentos que en otras
lı́neas evolutivas

B1 Mundo donde la población mundial alcanza su valor máximo hacia media-


dos de siglo y disminuye posteriormente. Similar al modelo A1, pero con rápidos
cambios de las estructuras económicas orientados a una economı́a de servi-
cios y de información, acompañados de una utilización menos intensiva de los
materiales y de la introducción de tecnologı́as limpias con un aprovechamien-
to eficaz de los recursos.

B2 Mundo en el que predominan las soluciones locales a la sostenibilidad eco-


nómica, social y medioambiental. Es un mundo cuya población aumenta pro-
gresivamente a una ritmo menor que en A2, con unos niveles de desarrollo
económico intermedios, y con un cambio tecnológico menos rápido y más
diverso que en las lı́neas evolutivas B1 y A1.

En el Protocolo de Kyoto (1996), las Naciones Unidas decidió establecer el obje-


tivo de intentar mantener el calentamiento global por debajo de los 2°C (cuantifi-
cado desde la época anterior a la revolución industrial) [9]. Aunque recientemente,
y desde un punto de vista cientı́fico, se ha establecido como lı́mite seguro para el
desarrollo tanto de la vida animal, vegetal como la vida humana, mantener el calen-
tamiento máximo entre 1 y 1,5°C. Cualquier calentamiento superior a éste presentarı́a
consecuencias catastróficas para la vida global del planeta [10].

Diferentes predicciones se han realizado a partir de los diferentes escenarios pre-


sentados con el fin de estudiar la evolución del calentamiento global. En la Figura
3.1.6 se muestra la evolución de las concentraciones de CO2 en el siglo XXI en ca-
da uno de los escenarios presentados. En la Figura 3.1.7 se muestra el calentamiento
producido en cada uno de dichos escenarios.

Como se puede observar en todos los escenarios propuestos, el objetivo marcado


de 1,5°C se sobrepasa con creces. El único caso, donde se conseguirı́a cumplir dicho
objetivo, es aquel que consiguiera mantener constantes los niveles de CO2 corres-
pondientes al año 2000. Esto significa que se deben mantener la concentración de

24
Capı́tulo 3. Introducción

Figura 3.1.6: Concentraciones CO2 (ppm) en cada uno de los escenarios

CO2 entre 350-400 ppm [11]. Actualmente la concentración (391 ppm) se encuentra
muy próxima al valor máximo deseado.

La pregunta que el mundo debe hacerse es: ¿es posible mantener el crecimiento
económico esperado respetando los niveles de emisiones de sustancias contamina-
tes?

Para lograrlo es imperativo que a más tardar en 2015, la cantidad de emisiones


inicie una disminución paulatina (actualmente las emisiones aumentan año a año)
hasta quedar por debajo de las 23 GT (23 GigaToneladas) de CO2 desde el año 2030
en adelante. Actualmente se vierten en la atmósfera 27 GT de CO2 [3]. El problema
es que el crecimiento de la economı́a mundial exige cada año un aumento en la
producción de energı́a de un 1,8 % sobre el acumulado total producido. Por lo que
para el año meta 2030 habrá que estar produciendo alrededor de un 60 % más de
energı́a (aproximadamente 18.000 MTep). Actualmente en todo el mundo se produ-
cen 12.200 MTep por año y se emiten 27 GT de CO2 . Si nada cambiara, para suplir las
necesidades energéticas del 2030 la humanidad emitirı́a 43 GT de CO2 ese año, el do-

25
3.1.Energı́a en el Mundo

Figura 3.1.7: Calentamiento Global en cada uno de los escenarios

ble de la contaminación esperada. En conclusión, para evitar el colapso ambiental


y al mismo tiempo mantener el crecimiento económico, para el 2030 la humanidad
requerirá un 60 % más de producción energética pero contaminando un 15 % menos
de lo que lo hace actualmente.

3.1.3. Principales Mejoras Energéticas

Las necesidades energéticas adicionales se cuantifican aproximadamente en 550


MTep/año. Existen diferentes alternativas que posibilitarı́an cumplir el objetivo energéti-
co sin incumplir el medioambiental. Las opciones más ampliamente estudiadas son el
desarrollo y utilización de energı́as renovables, la instauración de captura y almace-
namiento de CO2 o la mejora de la eficiencia energética [12].

26
Capı́tulo 3. Introducción

Diversos estudios [3, 13, 14] muestran que, con las tecnologı́as actuales, la insta-
lación presente y futura de energı́as renovables funcionando a máxima capacidad
no bastarı́a para proporcionar toda la energı́a adicional necesaria para asegurar el
crecimiento económico mundial. Las energı́as renovables serı́an capaces de propor-
cionar aproximadamente el 40 % de la energı́a adicional necesaria. La tecnologı́a de
captura y almacenamiento de CO2 se encuentra, en la actualidad, en plena fase de
investigación y su implantación en la industria no está muy extendida. La captura y
compresión de CO2 requiere mucha energı́a y aumentarı́a las necesidades de com-
bustibles de una central de carbón en un 25-40 % [15]. Se estima que, adicionando
éstos y otros costos del sistema de captura de CO2 , el coste de la energı́a de las
nuevas centrales eléctricas entre aumente entre un 21 % y un 91 % [15, 16]. El IPCC
estima que la economı́a potencial de esta tecnologı́a podrı́a encontrarse entre el
10 % y el 55 % del total de mitigación del carbono hasta 2100 [15]. En conclusión, esta
tecnologı́a no se puede considerar hoy en dı́a como una técnica importante en la
reducción de las emisiones de CO2 , aún siendo especialmente prometedora en la
lucha contra el cambio climático en el futuro.

Todo ello indica que el principal campo que puede llevar a la humanidad al cum-
plimiento, tanto de los objetivos económicos como medioambientales, es la mejora
de la eficiencia energética. Ésta es un campo que tiene aplicaciones en todos y ca-
da uno de los sectores económicos, aunque es en la industria, en el transporte y en el
acondicionamiento de edificios donde mayor ahorro energético es posible obtener
mediante la mejora de la eficiencia.

El consumo energético del sector industrial a nivel global representa aproximada-


mente el 28 % del consumo energético total y dentro de este sector, la industria quı́mi-
ca representa aproximadamente el 20 %. Si se realiza un simple cálculo de porcenta-
jes, el consumo energético de la industria quı́mica en el mundo representa aproxima-
damente el 5,6 % de toda la energı́a consumida en el mundo (unos 0,84 TW/año).

Ahora bien, al analizar el consumo energético de la industria quı́mica, se observa


que los principales consumidores energéticos en está son los procesos de separa-
ción de compuestos. Concretamente, Mix y col. [17] determinaron que el 60 % de
la energı́a total consumida en la industria quı́mica y petroquı́mica era empleada

27
3.1.Energı́a en el Mundo

en procesos de destilación. El proceso de destilación es uno de los más importan-


tes métodos de separación de compuestos. Se estima que únicamente en Estados
Unidos existen operando alrededor de 40000 columnas de destilación [18], lo que
representa aproximadamente el 90 % de la totalidad de procesos de separación y
purificación de compuestos. En conclusión, se estima que en el proceso de destila-
ción se consume aproximadamente el 3 % de la energı́a mundial [19, 20]. Esto unido
al hecho de que esta energı́a es generada principalmente mediante la combustión
de combustibles fósiles, hacen que cualquier mejora que permita reducir el consumo
energético de estas, supondrá un importante impacto tanto en el coste económico
como medioambiental global.

28
Capı́tulo 3. Introducción

3.2 Simuladores de Procesos

La simulación, diseño y optimización de una planta quı́mica, constituida por varias


unidades interconectadas por corrientes de proceso, forman el núcleo de activida-
des realizadas en la Ingenierı́a de Procesos. El correcto desarrollo de dichas tareas re-
quiere de la realización de múltiples subtareas, donde se puede encontrar balances
de materia y energı́a, dimensionado de equipos, o cálculo de coste de instalación y
operación, entre otras.

Históricamente, la realización de dichas tareas ha sido un proceso complicado y


tedioso, debido a que los modelos desarrollados para representar los procesos quı́mi-
cos son enormemente complejos. Afortunadamente el desarrollo de los ordenadores
permitió facilitar en gran medida el estudio de estos procesos. Hoy en dı́a, existen nu-
merosos programas informáticos con la capacidad de realizar estas tareas, especial-
mente los destinados a la simulación de procesos quı́micos. Este tipo de programas
se denominan “Simuladores de Procesos Quı́micos”.

Un simulador de procesos es capaz de realizar un buen número de actividades,


las principales son el cálculo riguroso y descripción de las propiedades fı́sicas tanto
de compuestos puros como mezclas, el modelado riguroso de unidades de proce-
sos y la capacidad de resolución de grandes sistemas de ecuaciones algebraicas y
diferenciales. Además, a través de un simulador de procesos es posible obtener una
imagen simple y global del proceso en ejecución, lo que facilita de forma sustancial
la comprensión técnica de la planta de proceso estudiada, y sobre esta base servir
para la mejora continua del proceso o el desarrollo de nuevos procesos.

Dentro de la Ingenierı́a de Procesos podemos diferenciar tres tipos diferentes de


problemas: problemas de simulación, de diseño y de optimización (Figura 3.2.1).

Problema de Simulación: es aquel donde todas las corrientes de entrada a


una determinada unidad, ası́ como los parámetros que definen dicha unidad,
están completamente especificados. En otras palabras, un simulador calcula
todas las salidas de una unidad en función de las entradas y los parámetros de

29
3.2.Simuladores de procesos

dicha unidad (No hay grados de libertad). Normalmente este tipo de proble-
mas presentan estructuras entrada-salida fijas

Problema de Diseño: es similar al problema de simulación, salvo por la diferen-


cia de que, en éste, ciertas variables de diseño de las unidades de proceso
son desconocidas (por ejemplo, volumen de reactor, no de pisos de una co-
lumna, área de un intercambiador de calor, . . . ). Para resolver el problema es
necesario añadir restricciones a diversas variables en las corrientes de salida,
de tal forma que estas restricciones compensen los grados de libertad extras
en el problema

Problema de Optimización: es aquel donde se pretende evaluar el rendimiento


del proceso en función tanto de variables de diseño como de variables de las
corrientes de entrada con el fin de minimizar su comportamiento de acuerdo
a criterios económicos, ambientales o sociales. En este tipo de problemas pue-
de presentar tanto ecuaciones de igualdad como desigualdad y su número
puede ser igual o superior al número de variables a calcular

Todos estos tipos de problemas son representativos de estructuras rı́gidas entrada-


salida. Si se considera una estructura abierta con diversas alternativas de operación y
de equipos para cada una de las tareas del sistema, el problema se transforma en un
Problema de Sı́ntesis. Mediante éste se pretende determinar la configuración óptima
que minimice o maximice algún aspecto clave del sistema, ya sea su economı́a, su
impacto ambiental, etc. La dificultad de este tipo de problema radica en el hecho de
que las ecuaciones cambian en función del equipo seleccionado. Una herramienta
que facilita enormemente la resolución de este tipo de problemas es la utilización de
simuladores de procesos

Las principales ventajas derivadas del uso de simuladores de procesos por orde-
nador son las siguientes:

Facilidad en el estudio completo y sencillo de todas las corrientes de materia y


energı́a del proceso

Favorecer el estudio de formación y separación de subproductos e impurezas

30
Capı́tulo 3. Introducción

(a)

(b) (c)

Figura 3.2.1: Problemas en Ingenierı́a de Procesos: a) Diseño, b) Simulación, c) Optimi-


zación

Evaluación del comportamiento de la planta ante cambios en las corrientes


de entrada (alimentos) o la demanda de productos

Mejora de la seguridad y el control de procesos

Optimización del rendimiento económico de la planta

31
3.2.Simuladores de procesos

3.2.1. Revisión Histórica

La historia de la simulación por ordenador comenzó en 1946 con la presentación


del primer ordenador de uso general, el ENIAC 2 [21]. El primer uso de este fue llevado
a cabo por el matemático John von Neumann y se centró en el modelado del proce-
so de detonación nuclear en el “Proyecto Manhattan”. Los intentos iniciales de simu-
lación por ordenador de sistemas de ingenierı́a quı́mica, se realizaron a principios de
la década de los 50 y se limitaron casi exclusivamente a las computadoras analógicas
[22]. A finales de la década de los 50 tuvo lugar uno de los avances más significantes
en simulación digital con el desarrollo de lenguajes de programación orientados a
procedimientos tales como FORTRAN 3 . Gracias a este lenguaje, en 1961 y gracias al
Profesor Paul T. Shannon se desarrolló el que puede ser considerado el antecesor de
los simuladores de procesos, el programa PACER 4 . El primer caso práctico (1964) fue
la simulación de una planta de ácido sulfúrico con una producción de 300 t/dı́a. El
problema simulado requerı́a la resolución simultánea de 500 ecuaciones y un total de
1000 variables asociadas a corrientes y 200 parámetros de equipos. El siguiente paso
llevado a cabo en el campo de la simulación de procesos se dio en 1966 cuando
la empresa “Simulation Science” comercializó un programa genérico de simulación
de columnas de destilación. Este programa fue el núcleo del paquete de simulación
de procesos PROCESS. Tres años más tarde, en 1969, la empresa “ChemShare” pre-
sentó DESIGN, un programa de simulación de procesos para aplicaciones de gas y
petróleo. En la década siguiente aparecieron los primeros programas de simulación
orientados a ecuaciones. Algunos de ellos fueron SPEEDUP (Imperial Collage, Lon-
dres, Reino Unido) y TISFLO (DSM, Paı́ses Bajos). En 1976, el Departamento de Energı́a
de EE.UU. y el MIT lanzaron conjuntamente el proyecto ASPEN, el cual dio lugar en
1985 al programa ASPEN PLUS lanzado por AspenTech.

La década de los 80 fue una década de continua evolución en el tema de la


informática. Varios hitos revolucionaron considerablemente este campo, uno fue la
aparición de los ordenadores personales, otro fue la aparición de las redes mundia-
2
Acrónimo de “Electronic Numerical Integrator And Computer”, fue construido en la Universidad de Pensilvania
por John Presper Eckert y John William Mauchly, pesaba 27 toneladas y ocupaba una superficie de 167 m2
3
´Proviene del inglés “FORmula TRANslator”. Es un lenguaje de programación para el desarrollo de aplicaciones
matemáticas y cientı́ficas, fue el primer lenguaje de programación de alto nivel.
4
Acrónimo de “Process Assembly Case Evaluator Routine”

32
Capı́tulo 3. Introducción

les de intercambio informático (precursoras de internet), todo esto junto a la llegada


de las estaciones de trabajo (1985) y de un nuevo sistema operativo multitarea, UNIX,
produjo una auténtica revolución en la computación cientı́fica. Pocas fueron las com-
pañı́as de software cientı́fico que sobrevivieron a estos cambios profundos. La capa-
cidad de adaptación a esta nueva era se basó principalmente en la reutilización de
las viejas rutinas desarrolladas en FORTRAN en el entorno de una nueva “programa-
ción orientada a objetos”. Precisamente en esta época se produjo la actualización
del simulador PROCESS para convertirse en PRO II.

A principios de los 90, el dominio de los ordenadores personales se consolidó.


Además la relativa estabilización de los sistemas operativos (dominados por Windows
y UNIX) permitió el desarrollo de una nueva generación de simuladores de procesos.
En estos nuevos simuladores, la interfaz gráfica de usuario pasó a ser la parte central
del desarrollo informático. En este periodo HYSYM se desarrolló hasta convertirse en
el simulador HYSYS. Durante la segunda mitad de los años 90 se produjo la consolida-
ción de la simulación de procesos, y las principales compañı́as de software cientı́fico.
A principios del siglo XXI aparecieron los simuladores de procesos libres, COCO 5 .

Hoy en dı́a, la comunidad dedicada a la simulación de procesos quı́micos está a-


vanzando hacia la interconexión de diferentes componentes de software a través del
proyecto CAPE-OPEN (CO) [23]. La red de laboratorios CAPE-OPEN (COLaN) es una
organización internacional para el gestión de las normas que deben aplicarse en el
software de simulación de procesos libre (CO). El simulador COCO explora la idea del
proyecto CO, es libre, gratuito, posee una estructura modular que opera de forma
secuencial y trabaja en estado estacionario. Como se trata de un entorno de mo-
delado de diagramas de flujo abierto, permite al usuario añadir nuevas operaciones
unitarias o paquetes termodinámicos con total libertad. COCO comprende cuatro
componentes principales:

COFE (CAPE-OPEN Flowsheet Environment): La interfaz gráfica donde realizar


la representación del diagrama de flujo, consta además de algoritmos de re-
solución secuencial con corrientes de corte automatizadas. Este componente
puede ser combinado junto con otros simuladores
5
Acrónimo del inglés “Cape Open to Cape Open”

33
3.2.Simuladores de procesos

TEA (Thermodynamics for Engineering Applications): esta basado en el librerı́a


termodinámica de ChemSep LITE, el cual es un simulador libre de equilibrio
para columnas de destilación y de extracción lı́quido-lı́quido [24]. Incluye una
base de datos de más de 430 compuestos quı́micos. El paquete ofrece más
de 100 métodos de cálculo de propiedades con sus derivadas analı́ticas o
numéricas

COUSCOUS: es el paquete básico de operaciones unitarias que incluye CO-


CO. Consta en un conjunto de operaciones unitarias tales como, mezcladores
y divisores de corrientes, intercambiadores de calor, compresores, bombas y
reactores

CORN (CAPE-OPEN Reaction Numerics): es el paquete incluido en COCO para


simular reacciones cinéticas y de equilibrio

3.2.2. Arquitectura de los Simuladores Quı́micos

3.2.2.1. Clasificación

Los modelos de procesos pueden clasificarse en tres grupos principales, depen-


diendo del tipo de variable (modelos continuos o discretos), la evolución temporal
(dinámicos o estacionario), y el grado de incertidumbre (deterministas o estocásti-
cos).

Según el tipo de variables:

Los modelos discretos hacen referencia a sistemas que pueden tomar cierto
conjuntos de valores “discretos” en instantes discretos del tiempo. Es decir,
un sistema discreto es aquel en el que las variables de estado cambian ins-
tantáneamente en puntos separados en el tiempo. El seguimiento de los cam-
bios de estado requiere la identificación de qué es lo que causa el cambio y
cuando lo causa, lo que se denomina suceso, las ecuaciones del modelo se
convierten entonces en las ecuaciones y relaciones lógicas que determinan
las condiciones en que tiene lugar la ocurrencia de un suceso. La simulación

34
Capı́tulo 3. Introducción

discreta consiste en el seguimiento de los cambios de estado del sistema que


tienen lugar como consecuencia de la ocurrencia de una secuencia de suce-
sos.

Los modelos continuos son aquellos donde las variables implicadas son conti-
nuas, es decir aquella que puede tomar cualquier valor dentro de un rango
determinado, cambiando de forma continua en el tiempo. Generalmente, es-
te tipo de variables suele estar asociada a ciertas propiedades fı́sicas como
son temperatura, flujos, presión, etc. . .

Según la evolución temporal:

Los modelos dinámicos son aquellos donde algunas de las variables asociadas
son dependientes del tiempo, es decir evolucionan temporalmente, no per-
maneces estáticas. Los problemas tı́picos que utilizan este tipo de modelado
son los problemas de control de procesos, de arranque y parada de procesos,
diseño de procesos en discontinuo, etc. . .

Los modelos estáticos son aquellos en los que las variables no dependen del
tiempo. Aunque este comportamiento no suele darse en la vida real, numero-
sos procesos son diseñados para permanecer en estado estacionario y utilizar
el control para conseguir tal fin. Por ello, los principales problemas donde sue-
len emplearse estos modelos son problemas de equilibrio, diseño de procesos
en continuo,etc. . .

Según el grado de incertidumbre:

Los modelos deterministas son aquellos que predicen el futuro como algo fijo,
donde la incertidumbre y el azar no tienen cabida. En estos modelos, una mis-
ma entrada producirá invariablemente la misma salida. Este tipo de modelos
han sido utilizados generalmente para la aplicación de leyes fı́sicas mediante
ecuaciones algebraicas o diferenciales, estudio de velocidades de reacción,
etc. . .

35
3.2.Simuladores de procesos

Los modelos estocásticos son más representativos del mundo real. En estos mo-
delos, a diferencia de los modelos deterministas, se considera que el valor de
alguno de los parámetros es incierto. Además, ciertas variables se ven afecta-
das según distribuciones de probabilidad que hace que los resultados obteni-
dos no sean fijos sino que deben representarse como un valor medio indicando
su desviación estándar o su varianza. Este tipo de modelo son cada vez más
utilizados para representar modelos más realistas como puede ser las fluctua-
ciones del mercado, etc. . .

La mayorı́a de simuladores de procesos disponibles están pensados para modelos


deterministas, continuos y en función de su evolución temporal, pueden funcionar de
forma correcta tanto para sistemas estacionarios como dinámicos.

Otra clasificación muy empleada se basa en dos aspectos importantes del simula-
dor, por un lado como esta configurado y descrito, y por otro como resuelve las ecua-
ciones generadas por el modelo. Dentro del modo de configuración, los simuladores
se clasifican como modulares o no modulares, y dentro del método de resolución se
clasifican como secuenciales y simultáneos. De acuerdo a esto, los simuladores de
procesos se pueden clasificar en tres tipos concretos; modular-secuencial, orientado
a ecuaciones (no modular simultáneo) y modular-simultáneo.

Un simulador modular-secuencial se basa en el concepto de “modularidad”, con-


siderando cada uno de los equipos como una unidad de cálculo independiente.
Las ecuaciones asociadas a cada equipo (balances de materia y energı́a, ecuacio-
nes de equilibrio, etc. . . ) son agrupadas en un modulo o subrutina computacional.
Ası́ cada modulo calcula las corrientes de salida del equipo a partir de las corrientes
de entrada y los parámetros de diseño (independientemente de donde proceda o
donde se dirige la información), sirviendo estas salidas como corrientes de entrada
para el siguiente equipo y ası́ sucesivamente. Este método es similar al llevado a ca-
bo tradicionalmente cuando se realizan los cálculos manualmente. Esta estrategia de
cálculo es utilizada en la mayorı́a de los simuladores de estado estacionario: Aspen,
Chemcad, Hysys, Prosim, Design II o SuperPro.

Los simuladores orientados a ecuaciones describen el proceso total como un úni-


co conjunto de ecuaciones que integra todas las ecuaciones relativas a todos los

36
Capı́tulo 3. Introducción

equipos y corrientes del proceso y se resuelve de forma simultánea, obteniendo di-


rectamente el valor de todas las variables desconocidas. Esta metodologı́a es mas
flexible que el Modular-Secuencial, sin embargo requiere mas esfuerzo de programa-
ción y se consumen mas recursos computacionales. Algunos simuladores que siguen
esta estrategia son Ascend, Abacus o gProms.

Un simulador modular-simultáneo combina la modularidad de los equipos para


agrupar sus ecuaciones propias con los algoritmos altamente eficientes de los simu-
ladores orientados a ecuaciones. Estos utilizan la estructura modular tradicional, pero
a su vez se resuelve un sistema de ecuaciones simultáneas incluyendo a todas las
variables de las corrientes. La diferencia principal consiste en que el sistema de ecua-
ciones a resolver es un sistema simplificado de más fácil solución que el sistema de
ecuaciones que se resolverı́a en el método orientado a ecuaciones. Especı́ficamen-
te, estos simuladores utilizan modelos rigurosos a nivel de las unidades de operación
los cuales son resueltos secuencialmente y modelos lineales a nivel del diagrama de
flujo, los cuales son resueltos de forma global. Dichos simuladores aprovechan algunas
ventajas del método modular-secuencial, tales como la fácil incorporación de módu-
los unitarios del sistema o la facilidad de localización, diagnóstico y solución de fallos,
y por otro lado aprovecha la ventaja del método orientado a ecuaciones, de un
manejo más eficiente de las ecuaciones para que el esquema de cálculo modular
funcione mejor en procesos complejos, con múltiples recirculaciones o con severas
restricciones de diseño. Comercialmente, no existe hoy en dı́a ningún simulador de
procesos en el mercado que utilice esta estrategia.

Debido a que dentro de las opciones comerciales el simulador más extendido


es el modular-secuencial y además el simulador utilizado posteriormente en todos
los cálculos de esta tesis ha sido un simulador modular-secuencial (concretamente
Aspen-Hysys), a continuación se va a proceder a comentar más detalladamente los
aspectos más reseñables de su arquitectura.

37
3.2.Simuladores de procesos

3.2.3. Simulador Modular-Secuencial

La simulación de una operación en estado estacionario de una planta quı́mica


puede ser representada por una sistema de ecuaciones algebraicas no lineales:

f (x) = 0 (3.2.1)

donde f es un vector de funciones y x es un vector de variables que describen


tanto las entradas y salidas de una operación unitaria particular como los parámetros
de diseño de tal unidad (por ejemplo, volumen de reactor, relación de reflujo en
columnas de destilación, etc. . . ).

El sistema de ecuaciones generado durante el proceso de simulación de una plan-


ta quı́mica puede contener miles de ecuaciones y variables. Este hecho provoca que
su resolución pueda ser extremadamente compleja considerando un único modelo
para toda la planta. Una solución para mejorar este problema es la que plantean
los simuladores modulares, ésta se basa en realizar una agrupación de ecuaciones
y variables en cada uno de los equipos de la planta. Esto hace que el problema a
resolver se reescriba como:

fi (x) = 0, i = 1, 2, . . . , nu (3.2.2)

siendo fi un subconjunto de vectores f que agrupa las funciones asociadas al


equipo i y nu es el número total de equipos de la planta.

Estructura interna de un simulador modular comercial La estructura de un simulador


modular-secuencial puede organizarse en tres funciones o secciones perfectamente
diferenciadas:

1. La lógica central o lógica general del simulador

38
Capı́tulo 3. Introducción

2. Sección encargada de la estimación de las propiedades fisicoquı́micas

3. La biblioteca de módulos de equipos, es decir cada uno de los módulos que


representan el comportamiento de válvulas, intercambiadores, sistema de des-
tilación, sumadores, divisores, flash, compresores, etc.

Lógica general del simulador

Esta primera sección a su vez comprende principalmente las siguientes subseccio-


nes:

La sección de entrada

La sección de salida de resultados

La lógica general de administración

EL sistema de entrada/salida de datos, es una parte fundamental de todo simu-


lador de uso general. Dicho sistema debe caracterizarse por su flexibilidad y amiga-
bilidad al usuario, facilitando a un usuario inexperto, o poco conocedor del tema,
un fácil uso del sistema. Además estos sistemas poseen la capacidad de chequear
al máximo las inconsistencias o errores en la introducción de datos, a los efectos de
minimizar el tiempo gastado inútilmente al emprender tareas de simulación. De esta
manera, el sumatorio de fracciones molares distintas de la unidad, las temperaturas
absolutas negativas, valores inconsistentes dentro del contexto del problema, grados
de libertad violados al especificar parámetros de equipos, etc., son inmediatamente
notificados al usuario por medio de un sistema de validación que emite mensajes de
error o advertencia.

La lógica general de administración propiamente dicha es la que está encargada


de administrar los distintos procesos que deben ejecutarse para lograr la simulación
de un proceso dado. Generalmente, los diagramas de procesos están compuestos
por un número importante tanto de equipos como de corrientes. El método de re-
solución de estos diagramas depende en gran medida del grado de complejidad
que presente. El caso más simple a resolver en un simulador modular-secuencial es

39
3.2.Simuladores de procesos

un sistema acı́clico, sin corrientes recirculadas, ya que el flujo de información fluye en


una única dirección. Sin embargo, los procesos quı́micos en la vida real implican el
uso de numerosas corrientes recirculadas, principalmente en sistemas integrados (re-
cuperación de reactivos, reutilización de servicios energéticos, etc. . . ). Este aspecto
complica mucho la resolución del diagrama de flujo siendo imposible su solución di-
recta, haciéndose necesaria la utilización de un método iterativo con el fin de resolver
la simulación. Para la implementación de estos métodos es necesario tener en cuenta
una serie de consideraciones previas tales como, ¿qué operaciones unitarias pueden
ser resueltas simultáneamente? Esta caracterı́stica adquiere el nombre de “Particio-
nado” en el campo de la Ingenierı́a Quı́mica. ¿En qué orden deben ser resueltos los
diferentes grupos que forman el diagrama? Este aspecto es conocido como “Orden
de Precedencia”. Y finalmente, ¿cuales son las corrientes claves (corrientes de corte)
qué facilitan la resolución de cada una de las particiones obtenidas? Este aspecto es
conocido como “Rasgado”.

En conclusión, esta parte del simulador debe procesar el diagrama de flujo, decidir
si puede resolverse en una secuencia lineal o si existen reciclos, seleccionar sobre
qué variables deberá iterarse, determinar en función de las corrientes de corte el
orden en el cual serán resueltos los equipos, etc. Existen numerosos algoritmos para
llevar a cabo estas tareas. La mayorı́a de estos fueron desarrollados en las décadas
de los 60 y 70. Los métodos de particionado y orden de precedencia desarrollados se
basan en la idea de la búsqueda de caminos y están muy relacionados con la teorı́a
de grafos. Un resumen detallado de estos métodos se muestra en los trabajos de
Sargent y Westerberg [25], Ledet and Himmelbrau [26], Tarjan [27] o Kehat y Shacham
[28]. Una vez determinadas las diferentes particiones, el siguiente paso es determinar
el mı́nimo número de corrientes de corte necesarias para la correcta resolución. Los
principales algoritmos detallados en la literatura son los propuestos por Christensen y
Rudd [29], Barkley y Motard [30], Pho y Lapidus [31] o Upadhye y Grens [32].

Una vez determinada la información necesaria (número de particiones, orden de


precedencia y corrientes de corte) se lleva a cabo el proceso iterativo para resolver la
simulación. El problema radica en que los métodos iterativos hallan la solución exacta
(si eso ocurre) sólo en un número infinito de iteraciones. Esto desde un punto de vista
práctico es totalmente inviable, ya que requerirı́a un tiempo infinito de cálculo. La

40
Capı́tulo 3. Introducción

solución a este problema es el empleo de métodos de convergencia que limiten el


número de iteraciones necesarias para la resolución de la simulación. Los principales
métodos detallados en la bibliografı́a son el método de sustitución directa, el método
de Wegstein, el método de Broyden y los métodos de Newton-Raphson.

Finalmente, una vez realizado el proceso iterativo de acuerdo al criterio de conver-


gencia definido, procede a detener el proceso de simulación, retener los resultados,
es decir almacenar en el lugar correspondiente todos los valores convergidos de las
corrientes del proceso, los valores y parámetros internos de los equipos, por ejemplo
los perfiles internos de torres, composiciones, caudales, temperatura y presiones de
cada etapa, etc. La Figura 3.2.2 muestra un esquema de las tareas realizadas por
dicho módulo. Como se puede observar en el esquema existe una etapa más esta-
blecida para el caso que se quisiera optimizar el dimensionado de los equipos del
proceso. En este caso, el proceso de iteración incluirá un bucle exterior donde se pro-
cederá a modificar las dimensiones de los equipos con el fin de conseguir el óptimo
del proceso.

Figura 3.2.2: Esquema de operación de un simulador modular-secuencial

41
3.2.Simuladores de procesos

Sección encargada de la estimación de las propiedades fisicoquı́micas

En un simulador de procesos de alcance general, el sistema de estimación de pro-


piedades fisicoquı́micas es prioritario. No basta con que un simulador cuente con los
mejores algoritmos de cálculo, los más rápidos y estables, ya que si se realiza una
elección incorrecta del método de predicción de propiedades los resultados obte-
nidos en la simulación tendrán poco o nada que ver con la realidad. Dado que se
deberán simular diversos tipos de mezclas, de comportamiento ideal y no ideal, siste-
mas bifásicos y/o trifásicos, potencial presencia de electrólitos y/o sólidos, constantes
de equilibrio en reacciones quı́micas, etc; resulta indispensable disponer de un banco
de modelos para la estimación de un número importante de propiedades fisicoquı́mi-
cas en todas las situaciones mencionadas. Un pequeño resumen de las diferentes
propiedades fisicoquı́micas que intervienen en la simulación de procesos quı́micos se
muestra en la Tabla 3.2.1.

Tabla 3.2.1: Tipos de propiedades fisicoquı́micas en un simulador de procesos quı́micos

Tipo Propiedades Especı́ficas

Presión de vapor, coeficientes actividad y fugacidad, solubilidad (Constantes


Equilibrio de fase de Henry, coeficientes de Ostwald o Bunsen), parámetros de interacción
binarias, puntos de fusión y ebullición
Densidad, Volumen Molar, Compresibilidad,Propiedades Crı́ticas, Factor
Comportamiento PVT
Acéntrico

Propiedades Térmicas Capacidad Calorı́fica, Calor Latente, Conductividad Iónica, Entalpı́a, Entropı́a

Propiedades de Transporte Viscosidad, Conductividad Térmica, Coeficientes de Difusión


Constante de equilibrio, Constantes de Asociación/Disociación, Entalpı́a de
Equilibrio quı́mico Formación, Entalpı́a de Combustión, Calor de Reacción, Energı́a libre de Gibbs
de formación, Velocidad de reacción
Propiedades de Interfase Tensión Superficial

Propiedades Moleculares Coeficientes viriales, Radio y Volumen Iónico, Peso Molecular, Momento dipolar

Lı́mites de Explosión, Lı́mite máximo y mı́nimo de Inflamabilidad, Temperatura de


Propiedades de Seguridad
Inflamación, Toxicidad, Concentración TLV

Como ya se ha comentado, cualquier simulación de un proceso requiere dispo-


ner del valor de las propiedades fisicoquı́micas y termodinámicas de las mezclas de
compuestos que circulan, o han de circular, entre los distintos equipos de la planta, en
todas las condiciones de composición, presión y temperatura que puedan llegarse a
verificar en la operación de la misma. Esto, obviamente, es prácticamente imposible
y se debe hacer uso de técnicas de predicción que permitan estimar esos valores.

42
Capı́tulo 3. Introducción

La simulación de procesos quı́micos incluye procesos tales como destilación, eva-


poración, extracción, etc. . . . El diseño de equipos para estas operaciones requiere
un conocimiento lo más exacto posible de las propiedades parciales de equilibrio
de los componentes de una mezcla. Además, el cálculo de los balances de energı́a
es inadecuado sin la estimación de las entalpı́as de mezclas. La predicción de estas
propiedades se lleva a cabo a través de modelos termodinámicos.

Los modelos termodinámicos disponibles en un simulador de procesos son numero-


sos. Este hecho se debe a que no existe hoy en dı́a un único modelo termodinámico
que represente fielmente el comportamiento de todos los compuestos y mezclas po-
sibles en todo el rango de presiones y temperaturas, existiendo numerosos modelos
diferentes válidos para ciertas mezclas de compuestos en unas determinadas con-
diciones. Los modelos termodinámicos se clasifican en cinco categorı́as diferentes,
modelos que utilizan Ecuaciones de Estado, modelos que utilizan Coeficientes de Ac-
tividad, modelos de Presión de Vapor, modelos Semiempı́ricos y modelos Especı́ficos.
Un pequeño resumen de los principales modelos termodinámicos se muestran en la
Tabla 3.2.2. Comentar que debido a que el estudio de los diferentes modelos no forma
parte importante de este trabajo no se va a proceder a presentar cada uno de ellos
detalladamente. Para más información sobre los diferentes modelos termodinámicos,
véase [33-35]

Tabla 3.2.2: Principales Modelos Termodinámicos disponibles en los simuladores co-


merciales
Categorı́a Nombre Caracterı́sticas

Este método combina las leyes de Raoult y Henry. Esta


recomendado para sistemas cercanos a la idealidad
Modelos Ideales Ideal
(operaciones a vacı́o, bajas temperaturas, hidrocarburos y
gases ligeros
Ideal para los cálculos de VLE y cálculo de la densidad de
Ecuación de lı́quidos para sistemas de hidrocarburos. Aplicación a gran
Peng-Robinson (PR)
Estado rango de P y T. Indicado para aplicaciones petroquı́micas
(petróleo, gas, etc)
Peng-Robinson-Stryjec- Extensión del modelo PR para su aplicación en sistemas
Vera (PRSV) moderadamente no ideales
Resultados comparables con el modelo PR, pero en un rango
Soave-Redlich-Kwong menor de P y T. No recomendable para sistemas no ideales
(SRK) tales como alcoholes, ácidos, u otros. Mejores resultados que
PR para sistemas polares

43
3.2.Simuladores de procesos

Tabla 3.2.2: Principales Modelos Termodinámicos disponibles en los simuladores co-


merciales
Categorı́a Nombre Caracterı́sticas

Modelo general más exacto para sustancias no polares.


Lee-Kesler-Plocker
Recomendado para torres de etileno
Extensión del modelo SRK que mejora los cálculos VLE para
Kabadi-Danner
sistemas Agua-Hidrocarburos
Modelos aplicados para aguas ácidas que contienen H2 S,
Sour PR/Sour SRK
CO2 o NH3 a bajas y medias presiones

Extensión del modelo RK que mejoran los cálculos VLE para


Zudkevitch Joffee
sistemas de hidrocarburos y sistemas que contienen hidrógeno

Schwartzentruber- Recomendado para sistemas altamente no ideales a altas


Renon temperaturas y presiones, como puede ser sı́ntesis de metanol
y extracción supercrı́tica

Primer modelo basado en coeficientes de actividad.


Coeficientes de
Wilson Está recomendado para sistema altamente no ideales. No
Actividad
puede ser utilizado en sistemas con equilibrio lı́quido-lı́quido

NRTL (Non Random Extensión del modelo de Wilson. Capaz de representar VLE, LLE,
Two Liquid) VLLE. Recomendado para sistemas altamente no ideales

Recomendado para sistemas altamente no ideales,


Van Laar especialmente aquellos que muestran LLE con importantes
desviaciones de la ley de Raoult
Ecuación sin base teórica pero muy útil para la estimación e
Margules interpolación de datos. No aconsejable para representar
sistemas lı́quido-lı́quido inmiscibles

Capaz de representar VLE, LLE, VLLE. Se emplea en sistemas


UNIQUAC poco ideales con un amplio rango de compuestos como
agua, alcoholes, nitrilos, aminas, ésteres, etc. . .

Antoine Modelo aplicable a baja presión con comportamiento ideal


Presión de Vapor
Estrictamente aplicable a sistemas de hidrocarburos pesados a
Braun K10
bajas presiones
Estrictamente aplicable a sistemas de hidrocarburos pesados a
Esso Tabular
bajas presiones
Modelo semiempı́rico para hidrocarburos pesados para
Semiempı́ricos Chao-Seader temperaturas entre -18 y 260ºC y presiones menores a 10000
kPa
Extensión del modelo Chao-Seader, adapatado a altas
Grayson-Streed concentraciones de H2 y temperaturas entre -18 y 425ºC y
presiones menores a 20000 kPa
44
Capı́tulo 3. Introducción

Tabla 3.2.2: Principales Modelos Termodinámicos disponibles en los simuladores co-


merciales
Categorı́a Nombre Caracterı́sticas

Modelo termodinámico para sistemas de procesos con aminas


Especı́ficos Amine Package
(MEA, DEA, TEA, MDEA, DGA y DIPA)

Modelo termodinámico especı́fico para la simulación del


ASME Steam
comportamiento del agua y vapor en un amplio rango de P y T

Modelo termodinámico especifico para la simulación de


Glycol Package mezclas agua-TEG (trietilglicol). recomendado para el proceso
de deshidratación de gas natural
Modelo para predicción de propiedades de equilibrio de fases
OLI Electrolyte y reacciones de compuestos electrolitos en disoluciones
acuosas
Extensión del modelo NRTL para su aplicación a disoluciones
Electrolyte NRTL
acuosas de especies electrolı́ticas
Modelo modificado de la ecuación BWR
MBWR (Benedict-Webb-Rubin) para su aplicación a hidrocarburos
ligeros y gases

Desafortunadamente, no existe un modelo termodinámico perfecto, ya que ningún


modelo teórico es capaz de simular eficientemente y de forma realista todos los siste-
mas posibles en todas las condiciones imaginadas. Alternativamente, simuladores co-
mo gPROMS ofrecen un nuevo sistema para predecir las propiedades termodinámi-
cas de mezclas complejas basadas en modelos moleculares y considerando sus in-
teracciones con otras moléculas, denominado Teorı́a Estadı́stica de Fluidos Asociados
[36, 37]. La tendencia en este campo se dirige hacia simulaciones de dinámica mo-
lecular que puedan predecir las propiedades fı́sicas y termodinámicas sólo utilizan-
do distribuciones moleculares microscópicos. El fundamento teórico de este enfoque
es la teorı́a de las soluciones de Kirkwood-Buff. Aunque este es un paso prometedor
para proporcionar simuladores de procesos totalmente fiables, actualmente la imple-
mentación de esta nueva metodologı́a en los simuladores comerciales se encuentra
totalmente descartada debido a sus prohibitivos tiempo de cálculo. Como ejemplo
sencillo indicar que el cálculo de la energı́a libre de Gibbs de una mezcla de me-

45
3.2.Simuladores de procesos

tanol y agua a una concentración fija utilizando recursos de computación de alto


rendimiento se realiza empleando alrededor de 8 horas [38].

Biblioteca de Módulos de Equipos en un Simulador Modular Secuencial

En toda instalación industrial la materia prima que ingresa (corrientes de entrada


en el simulador) sufre gran cantidad de transformaciones hasta alcanzar los productos
deseados (corrientes de salida). Los equipos de proceso (intercambiadores de calor,
torres de separación, reactores, etc.) son los responsables de las transformaciones y
constituyen “la maquinaria” de la planta industrial.

La simulación de los diferentes equipos en un simulador es un proceso que requiere


la realización de numerosas subtareas y cálculos. En la Figura 3.2.3 se observa un
esquema general de funcionamiento en el que se indica el flujo de información al
resolver un equipo o módulo.

Como se puede observar en dicha figura, la simulación de un equipo concreto


implica la resolución de una serie de pasos, concretamente tres. En primer lugar se
encuentra la introducción de todos los datos necesarios tanto los parámetros como
las corrientes de entrada al equipo. A continuación se encuentra la resolución del
equipo, la cual se lleva a cabo mediante la resolución de todas las ecuaciones que
describen el comportamiento del equipo: Dentro de las diferentes ecuaciones que
describen el comportamiento de cada uno de los equipos se encuentran:

Balances de materia

Balances de energı́a

Balances de cantidad de movimiento

Relaciones termodinámicas

Ecuaciones especificas del equipo estudiado

Finalmente y como último paso se encuentra la recuperación y almacenamiento


de todos los datos obtenidos para su posterior utilización.

46
Capı́tulo 3. Introducción

Figura 3.2.3: Esquema de cálculo en cada uno de los equipos

3.2.4. Ventajas e inconvenientes de un simulador secuencial mo-


dular

La gran ventaja del enfoque modular secuencial es su gran robustez y confiabi-


lidad. Después de muchos años de trabajo, el modelo matemático de cada uni-
dad ha sido muy estudiado, y existen por lo tanto programas que realizan el cálculo
de manera sumamente eficiente. Sobre el sistema de ecuaciones que representa la
operación del equipo, dado que se conoce la forma de cada expresión, se realizan
las transformaciones necesarias para reordenarlo y lograr la mejor estructura y lue-
go, de acuerdo a lo obtenido, se aplica un método adecuado de resolución. De
este modo se aprovechan las propiedades especiales de un sistema de ecuaciones

47
3.2.Simuladores de procesos

determinado para acelerar la convergencia de los módulos. Además, se conoce el


comportamiento fı́sico del módulo y los resultados posibles del mismo, lo cual puede
ser aprovechado para inicialización, verificación de resultados, consistencia, etc.

Otra importante ventaja es la facilidad de incorporar nuevos módulos a la simu-


lación. En principio la confección de la nueva subrutina se puede hacer aparte, sin
afectar el resto del simulador, y realizar sobre la misma todos los tests y verificaciones
necesarias. También en cada uno se puede realizar un análisis sobre la consistencia y
realidad fı́sica de los datos que se ingresan y de los resultados obtenidos.

Si bien las principales ventajas de estos simuladores radican en el hecho de poseer


una estructura determinada a priori para el flujo de información, la cual coincide con
el flujo material en el proceso. Ello es también responsable de las principales desven-
tajas ya que a partir de la rigidez que tiene el flujo de información en la resolución,
no es posible plantear ciertos problemas sin caer en complicadas estructuras itera-
tivas que requieren tiempos de cómputos no realistas. Por ejemplo, la resolución de
problemas de diseño en los cuales se imponen algunas especificaciones o condicio-
nes sobre el valor de una corriente o sobre el resultado de un equipo puede resultar
extremadamente costosa. Otro tipo de problemas donde se presentas importantes
dificultades es en los problemas de optimización. La evaluación de los puntos requeri-
dos para la optimización de un proceso implica resolver repetidamente el sistema de
ecuaciones que representa la planta.

48
Capı́tulo 3. Introducción

3.3 Sı́ntesis y Diseño de procesos

La sı́ntesis de procesos es, con diferencia, la parte más entretenida de la ingenierı́a,


siendo aquella donde se desarrolla, determina y construye la estructura y condiciones
de operación de un nuevo proceso quı́mico.

El diseño y la sı́ntesis de procesos parte originalmente del concepto de operación


unitaria. Este concepto fue introducido por Little en 1915 [39], cuando estableció que
un proceso quı́mico puede ser representado por una serie de operaciones unitarias.
Hasta finales de la década de los 60s, dicho concepto fue la clave del diseño de
procesos. El término ”sı́ntesis de procesos”fue propuesto como tal por Rudd et al. en
1973 [40], y desde entonces esta disciplina ha contribuido enormemente al desarro-
llo, diseño y operación de los procesos quı́micos, siendo considerada actualmente
como la piedra angular del diseño de éstos [41-45]. Según Harmsen [46], los ahorros
económicos totales en la industria se cifran entre un 20 y un 60 % al utilizar la sı́ntesis
de procesos en el diseño de los mismos.

Tradicionalmente, la sı́ntesis de procesos se puede describir como una metodo-


logı́a sistemática cuyo objetivo es la obtención de la configuración óptima de un
proceso, con el fin de maximizar el rendimiento económico, la eficiencia energética
o bien minimizar el impacto medioambiental del mismo. Para ello a partir de todas las
posibilidades imaginables (o disponibles) del proceso -diferentes tipos de alimentos y
operaciones unitarias- se debe obtener un diseño óptimo con el fin de conseguir los
productos deseados, cumpliendo los requisitos establecidos. La Figura 3.3.1 muestra
un esquema simplificado de un problema de sı́ntesis.

3.3.1. Metodologı́as en la Sı́ntesis de Procesos

Desde la década de los 70, numerosos y significativos avances se han realizado en


el área de la sı́ntesis de procesos quı́micos [41, 44]. Las diferentes metodologı́as em-
pleadas en la sı́ntesis de procesos, con el fin de minimizar costes energéticos y totales,
se clasifican en tres grupos: los métodos basados en reglas heurı́sticas (aquellas ba-
sadas en la experiencia y el conocimiento), los métodos basados en la optimización

49
3.3.Sı́ntesis y Diseño de procesos

Figura 3.3.1: Representación esquemática simplificada de un problema de sı́ntesis

matemática (dada una superestructura, ésta se optimiza mediante el empleo de pro-


gramas matemáticos lineales o no), y finalmente, los métodos hı́bridos (aquellos que
combinan aportaciones de ambas métodos, heurı́stico y matemático)[45].

3.3.1.1. Métodos basados en reglas heurı́sticas

Los métodos heurı́sticos se basan en la experiencia acumulada a lo largo del años


por investigadores e ingenieros. El primer intento de desarrollar un método sistemático
basado en la heurı́stica fue realizado en 1971 por Siirola y Ruud [47]. El objetivo de
éste fue el desarrollo de secuencias de separación de mezclas multicomponente.
Desde entonces, esta metodologı́a ha sido utilizada por otros autores en posteriores
investigaciones [48].

No fue hasta la década de los 80, cuando se desarrolló la principal metodologı́a


dentro de este campo: los métodos heurı́sticos jerarquizados. Esta técnica descom-
pone el problema completo de diseño en una serie de niveles de decisión, donde
sucesivamente y a través de reglas heurı́sticas, se va estableciendo la configuración
más adecuada del proceso. Esta metodologı́a fue propuesta en 1985 por Douglas
[42, 49], aunque no es única en la literatura, Smith y Linnhoff [50] propusieron un mo-
delo similar estructurado en capas. Los niveles del modelo presentado por Douglas se
clasifican en función del tipo de decisión tomada:

50
Capı́tulo 3. Introducción

1. Modo de Operación: Continuo o Discontinuo

En este primer nivel se decide si el proceso se va a desarrollar en continuo


o discontinuo. Los procesos en discontinuo son caracterı́sticos en la industria
farmacéutica, plástica y alimentaria. Estos únicamente son seleccionados si se
cumple al menos una de las siguientes caracterı́sticas:

El producto debe estar en el mercado en un espacio muy corto de tiem-


po. Esto puede ocurrir, por ejemplo, en un carrera industrial por ocupar el
mercado generado por un nuevo producto

Cuando la demanda anual de un producto se cubre con unos pocos


dias de producción

Cuando el proceso se encuentra en una fase preliminar expuesta a nu-


merosas variaciones y mejoras

Cuando el precio del producto es inmensamente superior al coste de


fabricación

Cuando el producto presenta una vida corta en el mercado antes de


que otro producto lo sustituya

En la práctica y en la gran mayorı́a de procesos industriales, los procesos en


continuo suelen ser seleccionados, ya que suelen ser generalmente más econó-
micos en relación con los costes de operación e infraestructuras, incluso en los
procesos industriales a pequeña escala.

2. Estructura Entrada-Salida (Alimentos y Productos)

En este nivel se estudian las diferentes corrientes de alimentos y productos que


intervienen en el proceso global. Además se debe considerar la existencia de
subproductos e inertes, y cómo estos pueden influir en los diferentes procesos
quı́micos del proceso. Una cuestión importante es la recuperación de los dife-
rentes compuestos, ası́ como la introducción de purgas con el fin de evitar la
acumulación en el sistema de inertes o subproductos.

51
3.3.Sı́ntesis y Diseño de procesos

3. Número de reactores y Corrientes Recirculadas

En este punto se estudian tanto las diferentes corrientes recirculadas del pro-
ceso como los reactores que son empleados en el mismo. Ade-más se estudia
el efecto que presentan, a nivel global, las diferentes condiciones de opera-
ción de cada uno de los reactores. Estas incluyen desde el efecto diluyente
de los inertes en las corrientes de alimentos, hasta el efecto de la presión en el
equilibrio quı́mico alcanzado en cada reactor.

4. Sistema de Separación

Generalmente, los alimentos no reaccionados se suelen recuperar y recircular


a los diferentes reactores para minimizar el coste en reactivos. Por otro lado, los
productos y subproductos deben ser separados y extraı́dos del proceso. En este
nivel se determina tanto el tipo de separación seleccionada como el lugar de
emplazamiento de está.

Este nivel se descompone a su vez en dos subniveles: recuperación de corrien-


tes lı́quidas y recuperación de corrientes gaseosas. El proceso de recuperación
y separación de corrientes gaseosas suele ser el más costoso económicamen-
te, y por ello se debe estudiar profundamente el efecto de introducir purgas en
el sistema, ya que una purga es un proceso de separación sin coste pero con
importante efectos en el proceso. Por otro lado, el proceso de separación de
corrientes lı́quidas suele llevarse a cabo en columnas de destilación.

5. Red de Intercambiadores de Calor

En esta última etapa, y una vez se han tomado todas las decisiones previas del
diseño del proceso, se pretende establecer y diseñar la red de intercambiado-
res de calor del sistema con el fin de minimizar los costes de servicios calientes
y frı́os del sistema.

La metodologı́a descrita por Douglas es una estrategia donde la toma de deci-


siones se realiza de arriba a abajo. Ésta permite la rápida localización de diagramas
de flujo con buenas prestaciones, cercanos a la configuración óptima del sistema. Sin
embargo, la principal limitación de este método, debido a su naturaleza secuencial,

52
Capı́tulo 3. Introducción

es que se tiende a ignorar las interacciones entre los distintos niveles, lo que produ-
ce que los métodos heurı́sticos jerarquizados no garanticen la obtención del diseño
óptimo del proceso.

Los métodos heurı́sticos han sido utilizados en numerosas aplicaciones, como son
la sı́ntesis de secuencias de separación [48, 51], diagramas de procesos [47], reduc-
ción de residuos [52] o diseño de procesos metalúrgicos [53]. Un ejemplo detallado
de la utilización de esta metodologı́a fue presentada por Douglas [49], en el caso de
la sı́ntesis de benceno a partir de la hidrodealquilación de tolueno. Posteriormente,
la metodologı́a presentada por Douglas ha sido extendida incluyendo un nuevo nivel
[54]. Este nuevo nivel es el más externo en el modelo y hace referencia al tratamien-
to de aguas del proceso, de tal forma se que se minimice tanto el uso y gasto en
tratamiento de aguas de un proceso.

3.3.1.2. Métodos basados en programación matemática

Conceptualmente, un problema de sı́ntesis de procesos puede ser descrito de la


siguiente forma: a partir de un conjunto de entradas (generalmente materias primas)
y salidas (productos) con una serie de especificaciones definidas, desarrollar un dia-
grama de flujo de proceso con el fin de convertir las entradas en salidas deseadas
cumpliendo las especificaciones deseadas y optimizando un determinado objetivo o
función objetivo, ya sea económica, medioambiental, etc.

La metodologı́a basada en programación matemática se centra en considerar


explı́citamente, a través de ecuaciones matemáticas, las relaciones existentes entre
los diferentes subsistemas y el balance económico del proceso. La sı́ntesis de procesos
implica la selección de una configuración o topologı́a, ası́ como sus parámetros de
diseño. Es decir, uno tiene que determinar, por una parte, que unidades de proceso
deben integrar el diagrama de flujo y cómo deben estar interconectadas, y por otro
lado se tiene que determinar los tamaños y las condiciones de funcionamiento de las
unidades. Desde un punto de vista matemático, la primera parte implica claramente
la toma de decisiones discretas, mientras que la segunda implica hacer una elección
en un espacio continuo. Por todo ello, el problema de la sı́ntesis corresponde a un

53
3.3.Sı́ntesis y Diseño de procesos

problema de optimización discreto/continuo que matemáticamente queda definido


por un problema MINLP6 [55].

La aplicación de esta metodologı́a consta de tres etapas [56].

Paso 1 Desarrollo de una superestructura 7 que contenga todas las alternativas


existentes para las diversas partes del proceso, a partir de las cuales se
establecerá el diseño óptimo del proceso

Paso 2 La superestructura es modelada como un problema MINLP:

Z = min C(y, x)

s.t. h(y, x) = 0 (3.3.1)

g(y, x) ≤ 0

y ∈ [0, 1]m , x ∈ Rn

Siendo:

y: vector de variables binarias asociadas a la toma de decisiones en


el diseño del proceso, y toma valor 1 cuando la unidad de proceso aso-
ciada a dicha variable es seleccionada y 0 cuando no es seleccionada

x : vector de variables continuas asociadas a las diferentes condicio-


nes de operación del proceso (presiones, temperatura, flujos, etc. . . )

C (y, x ): función objetivo del problema

h(y, x ): ecuaciones de proceso

g(y, x ): especificaciones de diseño

Aunque desde un punto de vista teórico no es estrictamente necesario,


es siempre posible modelar un problema de tal forma que las variables
binarias aparezcan siempre de forma lineal, lo cual desde un punto de
vista numérico facilita mucho la solución del problema.
6
Acrónimo del inglés “Mixed Integer Nonlinear Programming Problem”
7
Una superestructura se puede definir como un diagrama de flujo que incluye todas las alternativas existen-
tes para la realización de las diferentes tareas de que consta un proceso (alimentos, equipos, condiciones de
operación,...) estando interconectadas entre sı́, de tal forma que incluya la estructura óptima del sistema

54
Capı́tulo 3. Introducción

Paso 3 La resolución del correspondiente problema MINLP proporciona el diseño


óptimo del proceso

Esta metodologı́a general fue ya propuesta en 1973 por Umeda et al. [57]. El pro-
blema descrito inicialmente contenı́a únicamente variables continuas, siendo formu-
lado como un NLP, y resuelto a través de técnicas de búsqueda directa. Posterior-
mente, Papoulias y Grossmann (1983) [58] formularon el problema como un MILP ma-
nejando variables binarias y resolviendo dicho problema computacionalmente utili-
zando algoritmos de ramificación y acotamiento. Fue Duran y Grossmann [59] quie-
nes formularon explı́citamente el problema como un MINLP y posteriormente Kocis y
Grossmann [60] quienes aplicaron satisfactoriamente dicha metodologı́a a un caso
concreto.

Los pasos cruciales en la aplicación de la metodologı́a descrita son los pasos 1


(generación de la superestructura) y 3 (resolución del problema MINLP). Aunque el
paso 2 (formulación del problema MINLP) es una etapa extremadamente importante
debido a que la forma en que se modela el problema tiene una gran importancia en
la resolución (número de ecuaciones, de variables, tiempo de cálculo, etc) de éste
por parte del algoritmo utilizado.

Existen diferentes problemas y caracterı́sticas importantes a tener en cuenta en


cada uno de los diferentes pasos de esta metodologı́a. En primer lugar, la construc-
ción de superestructuras en los procesos quı́micos es una tarea altamente compleja, si
bien el desarrollo de estas puede realizarse de forma sistemática para ciertos sistemas
pequeños (por ejemplo, redes de intercambio de calor [61]), el desarrollo de superes-
tructuras en procesos generales es mucho más tedioso y complicado. Dos enfoques
principales se han desarrollado con el fin de mejorar y facilitar estas tarea, por un la-
do se encuentra el método axiomático propuesto por Friedler et al. [62], y por otro los
métodos estado-tarea y estado-equipos propuestos por Yeomans y Grossmann [63].

En cuanto a la formulación del problema es importante tener en cuenta que los


modelos de sı́ntesis se pueden formular en tres niveles principales de detalle: (a) mo-
delos agregados, los cuales se concentran en ciertas caracterı́sticas del sistema co-
mo puede ser los flujos de energı́a (por ejemplo, el modelo LP de transbordo para

55
3.3.Sı́ntesis y Diseño de procesos

redes de intercambio de calor propuesto por Papoulias y Grossmann [58], o los mo-
delos NLP para intercambiadores de materia y energı́a propuesto por Papalexandri y
Pistikopoulos [64]), (b) modelos aproximados, que implican la optimización de costes
(costes de inversión y de operación) pero donde la modelización de las unidades de
procesos es realizada a través de modelos no lineales simples (por ejemplo, el modelo
MINLP para la optimización de diagramas de flujo de proceso propuesto por Kocis y
Grossmann [60]); (c) modelos rigurosos, que se basan en superestructuras detalladas
e implican modelos rigurosos y complejos para predecir el comportamiento de las
diferentes unidades de proceso (por ejemplo, la sı́ntesis de secuencias de destilación
propuesta por Smith y Pantelides [65], y los modelos GDP propuestos por Grossmann,
Aguirre y Barttfeld [66]).

Finalmente, la resolución de este tipo de problemas, debido a su enorme com-


plejidad (gran número de ecuaciones y variables, uso de variables continuas y ente-
ras,...), se encuentra profundamente ligada al uso de ordenadores. Cabe destacar
que el continuo desarrollo de éstos ha permitido incrementar considerablemente su
capacidad de cálculo, lográndose con ello resolver problemas extraordinariamente
grandes en tiempos insignificantes. Posteriormente, en el capı́tulo 3.4 Programación
matemática en la sı́ntesis de procesos se muestra un análisis en profundidad de los
diferentes algoritmos desarrollados para la resolución de cada uno de los tipos de
problemas que se pueden presentar en programación matemática.

3.3.1.3. Métodos hı́bridos

Cada uno de los métodos de sı́ntesis de procesos presentados -heurı́sticos, des-


composición jerarquizada, programación matemática- poseen ciertas ventajas y des-
ventajas comparados entre sı́ [67, 68]. Sin embargo, estos métodos pueden ser con-
siderados como competitivos y complementarios, ya que se refieren a diferentes as-
pectos del diseño. Por lo tanto, un camino seguido en la sı́ntesis de procesos es la
combinación de varios de estos métodos con el fin de aprovechar las ventajas que
cada uno de ellos presenta. Por ejemplo, Daichendt [69] presentó un modelo que
combinaba la programación matemática con la descomposición jerarquizada para
diseñar grandes procesos quı́micos. Gani et al. [70, 71] propusieron una metodologı́a

56
Capı́tulo 3. Introducción

hı́brida que combinaba la programación matemática con aspectos termodinámicos


para el diseño de sistemas de destilación multicolumna. Generalmente, la metodo-
logı́a hı́brida conlleva a reducir el coste computacional necesario para la resolución
de los distintos problemas.

Numerosas modelos hı́bridos se han desarrollado y aplicado con éxito a un gran


número de procesos quı́micos como redes intercambiadoras de calor, secuencias de
separación, redes complejas de reactores o redes de agua [72-75].

3.3.2. Principales Avances en la Sı́ntesis de Procesos Quı́micos

En la sı́ntesis de procesos quı́micos, un ingeniero debe desarrollar, identificar o de-


terminar cual es el diagrama de flujo y las condiciones de operación que propor-
cionan la solución óptima. Dicho proceso implica el manejo de un número enorme-
mente grande de alternativas para un proceso quı́mico determinado. Con el fin de
facilitar esta tarea, numerosos avances en el campo de la sı́ntesis de procesos se han
desarrollado a lo largo de las últimas décadas. A continuación se muestran los prin-
cipales métodos desarrollados en cada una de las principales áreas de la ingenierı́a
quı́mica.

Redes de intercambiadores de calor

Dentro de la sı́ntesis de procesos, el problema más estudiado es el diseño de redes


de intercambiadores de calor, para lo cual se han desarrollado numerosas metodo-
logı́as y códigos de software. Los procesos de diseño de redes de intercambiadores
de calor se basa en la búsqueda de la configuración óptima que permita la recu-
peración y reutilización de la máxima cantidad de energı́a, minimizando simultánea-
mente el coste anual derivado del consumo de servicios calientes y frı́os. La principal
metodologı́a desarrollada y que establece las bases de la sı́ntesis de redes de in-
tercambiadores es el análisis del punto de pinch. Además de la aplicación a redes
de calor, dicha metodologı́a puede ser utilizada tanto en redes de intercambio de
materia [76] como en las redes de agua [77]. Diferentes métodos que combinan la
programación matemática y el análisis de punto de pinch han sido desarrollados pa-
ra la sı́ntesis de redes de intercambiadores de calor incluyendo además los servicios

57
3.3.Sı́ntesis y Diseño de procesos

calientes o frı́os suministrados al sistema. Por ejemplo, Duran y Grossmann [59] propu-
sieron un modelo MINLP combinado con la tecnologı́a del punto pinch, mediante la
cual es posible calcular la red óptima que minimiza el coste en servicios energéticos
externos. Dicho trabajo sirvió como punto de partida para numerosos trabajos reali-
zados tanto en este campo como en redes de suministro de agua. Recientemente,
Ahmetovic y Grossmann [78] han propuesto un modelo de optimización global unido
a una superestructura general para la sı́ntesis de redes de agua, el cual puede incluir
múltiples fuentes de agua, diferentes procesos que utilizan agua, operaciones de pre-
tratamiento y diferentes tratamientos de agua residuales. Dicha metodologı́a ha sido
aplicada satisfactoriamente en diferentes procesos industriales [79, 80].

Secuencia de separación

La sı́ntesis óptima de las secuencias de separación es un campo que ha recibido


especial atención, debido a qué, gran parte del coste de los procesos quı́micos se
deriva de las etapas de separación de compuestos. Por lo que fácilmente se llega a
la conclusión de que, la optimización de la etapa de separación implica importantes
ahorros energéticos y económicos en la totalidad del proceso. Casi la totalidad de
las metodologı́as explicadas en el apartado 3.3.1 han sido aplicadas a la sı́ntesis de
secuencias de destilación. En la bibliografı́a pueden encontrarse numerosas revisio-
nes que explican en detalle cada una de ellas [44, 81]. De todas las metodologı́as
existentes, la programación matemática es la herramienta más utilizada. Actualmen-
te, un gran número de excelentes contribuciones han sido realizadas entorno a la
destilación reactiva y los procesos de separación hı́bridos, debidos a la baja inversión
necesaria y los altas cantidades de reactivos implicadas. Ciric fue el primero en desa-
rrollar un modelo MINLP para el diseño óptimo de columnas de destilación reactiva
[82]. Recientemente, Ropotar et al. [83] han propuesto un modelo hı́brido para la ob-
tención de la configuración y las condiciones de operación óptimas para un sistema
de destilación catalı́tica. Franke [84] ha propuesto un proceso de sı́ntesis en tres pasos
para procesos hı́bridos de separación, destilación-cristalización.

Además, la sı́ntesis de secuencias de columnas complejas de destilación para la


separación de mezclas multicomponente ha ganado especial atención con el paso
del tiempo [85-87], debido a los importantes ahorros energéticos logrados en compa-

58
Capı́tulo 3. Introducción

ración con el uso de columnas de destilación convencionales. Un campo importante


dentro de las secuencias de columnas complejas es el que estudia las columnas de
destilación acopladas térmicamente (TCD) 8 . Agrawal [88] fue quién estableció las
bases teóricas de los sistemas con acoplamiento térmico total. Desde el punto de
vista estructural, los sistemas que incluyen columnas con acoplamientos térmicos son
mucho más complejos que los sistemas de columnas convencionales. Si se conside-
ran todas las posibles alternativas existentes entre las columnas convencionales y las
columnas con acoplamiento térmico total, el problemas llega a ser particularmente
complejo. Diferentes metodologı́as han sido propuestas con el objetivo de sintetizar
todas estas alternativas. Caballero et al. [89-93] han propuesto un método para la
generación sistemática de todas las alternativas usando programación matemática
y relaciones lógicas, mientras que Agrawal [94, 95] y Rong et al. [96-98] propusieron
un método con el mismo fin utilizando enumeración conceptual alternativa.

Redes de reactores

El desarrollo de metodologı́as para el diseño óptimo de redes de reactores ha si-


do menos estudiado que la sı́ntesis de redes de intercambio de calor o sistemas de
separación. Generalmente los sistemas de reacción son descritos por ecuaciones al-
gebraicas diferenciales, las cuales suelen ser fuertemente no lineales y no convexas.
Tanto los métodos heurı́sticos como de programación matemática han sido aplica-
dos a la sı́ntesis de redes de reactores. La metodologı́a más exitosa es quizás el méto-
do hı́brido que combina la programación matemática y el concepto geométrico de
“zona alcanzable” (La zona alcanzable, desde un punto de vista práctico, se puede
interpretar como el total de posibles condiciones que pueden presentarse a la salida
del sistema de reacción cualesquiera que sea su configuración) [99]. Por otro lado, un
importante tema que debe ser considerado a la hora de diseñar redes de reactores
es la operatividad. Ası́ pues, Kokossis [100] considero un análisis de estabilidad en la
sı́ntesis de redes de reactores con el fin de asegurar la operatividad del sistema ópti-
mo final. Zhao y Marquardt [101] presentaron un proceso de optimización acoplado
con el análisis dinámico no lineal para la sı́ntesis de redes de reactores, consiguiendo
con ello garantizar de forma robusta la estabilidad y operatividad del sistema.
8
Acrónimo del inglés “Thermally Coupled Distillation”

59
3.3.Sı́ntesis y Diseño de procesos

Diagrama de flujo del proceso global

En el caso de un proceso global, que incluya todas y cada una de sus etapas,
el objetivo de la sı́ntesis de procesos es la obtención del diagrama de flujo óptimo
del proceso total y sus condiciones de operación óptimas. En este sentido, tanto la
descomposición heurı́stica jerarquizada como la programación matemática han si-
do probadas como útiles y necesarias. Durante la última década, la programación
matemática, especialmente la formulación MINLP y GDP, han sido ampliamente utili-
zadas en el diseño de procesos globales. Kravanja [67] propuso una estrategia jerar-
quizada multietapa acoplado a un modelo MINLP con el fin de sintetizar la configu-
ración óptima de un proceso total. Diferentes representaciones han sido propuestas
con el fin optimizar un proceso global, como pueden ser la estructura de modela-
do general [64, 102-105], la representación estado-equipo [65], redes estado-tarea y
redes estado-equipo [63].

3.3.3. Prospectivas de la Sı́ntesis de Procesos

La industria de procesos es aquella que se encarga del diseño de los procesos


de fabricación y sı́ntesis de materiales. Los primeros pasos de esta industria fueron
dirigidos a las necesidades básicas de la época, la agricultura y la metalurgia anti-
gua. La evolución de las necesidades de la sociedad derivó en la evolución cons-
tante de la industria de procesos, abarcando campos tales como los materiales
de construcción (ladrillo, cemento,. . . ), tintes, pigmentos, jabones, licores, combus-
tibles,. . . Originalmente, los procesos desarrollados únicamente implicaban el aisla-
miento o separación de sustancias naturales, aunque con el paso de tiempo estas
técnicas fueron evolucionando hacia transformaciones fı́sicas y quı́micas más com-
plejas con el fin de obtener nuevos materiales.

La evolución de la industria de procesos puede ser explicado con numerosos ejem-


plos, un ejemplo claro es la industria de los polı́meros.

El campo de la industria de polı́meros se ha desarrollado principalmente durante


los últimos 75 años. Los primeros polı́meros sintetizados industrialmente procedı́an o
derivaban de compuestos naturales, como el rayón o el acetato de celulosa ambos

60
Capı́tulo 3. Introducción

sintetizados a partir de la celulosa. Posteriormente, nuevas rutas de sı́ntesis de polı́me-


ros fueron desarrolladas utilizando diferentes monómeros como materias primas. Estas
nuevas rutas dieron lugar al descubrimiento de nuevos compuestos como poliamidas
(nylons), poliésteres, policarbonatos, poliuretanos, poliestirenos o poliolefinas. Las ma-
terias primas empleadas en estas nuevas rutas eran y son obtenidas principalmente
de productos derivados del petróleo y el gas natural, como etileno, propileno, CO, H2 ,
compuestos aromáticos,. . . Una caracterı́stica de estos nuevos materiales es el gran
número de aplicaciones que presentan. El descubrimiento y sı́ntesis de estos com-
puestos trajo consigo una época dorada del desarrollo industrial, numerosos avances
fueron realizados en un gran número de industrias, como la farmacéutica, agrı́cola,
alimentaria, etc. . . Además de los avances industriales, la introducción de estos nue-
vos materiales en la vida cotidiana, en sustitución de los materiales de fabricación
de numerosos equipos y aparatos tradicionalmente construidos en base metálica,
abarató y facilito el acceso de la sociedad a numerosas tecnologı́as.

Aproximadamente hace 25 años, la velocidad de crecimiento del mercado de


los polı́meros empezó a ralentizarse como consecuencia de que la capacidad de
sustitución de metales por polı́meros estaba ya muy extendida. Además dos acon-
tecimientos importantes tuvieron lugar. Por un lado, el aumento constante del precio
del petróleo derivó en que el coste de la energı́a y las materias primas fueran cada
vez mayores. Y por otro lado, la aumento de la regulación medioambiental por parte
de los gobiernos derivó en un aumento de la inversión en la tecnologı́a con el obje-
tivo de cumplir la nueva normativa. Todos estos acontecimientos produjeron que los
márgenes de beneficios obtenidos por estas industrias fueran cada vez menores y co-
mo consecuencia numerosas industrias apostaron por nuevos diseños con el objeto
de reducir los costes.

Además, todo ello unido a la saturación de los mercados locales condujo a la


industria a dirigir sus esfuerzos fuera de los lı́mites donde normalmente trabajaban,
focalizando su crecimiento en la “globalización”. Como consecuencia, las amplia-
ciones realizadas en las principales industrias fueron destinadas principalmente a la
exportación de productos. Los polı́ticos, ante esta nueva tendencia mundial, facili-
taron las exportaciones reduciendo las barreras al comercio internacional. Y en los
casos donde el comercio transoceánico resultaba poco competitivo, numerosas em-

61
3.3.Sı́ntesis y Diseño de procesos

presas decidieron ampliar sus mercados mediante la construcción e implantación de


nuevas plantas a lo largo y ancho de todo el globo terráqueo. El resultado de todo
ello es que mientras los mercados han crecido, la competencia es ahora mayor, más
dura y a escala global.

La globalización por tanto se ha convertido en todo un reto para la industria en


general y la industria quı́mica en particular. En un futuro previsible, habrá muchos más
jugadores en el sector de la industria de procesos quı́micos, aunque el mercado pro-
bablemente continuará creciendo, debido al aumento de la calidad de vida tanto
en los paı́ses desarrollados como principalmente en los paı́ses en vı́as de desarrollo.
Generalmente, la ventaja competitiva recaerá sobre la industria con una estructura
de costes superior (mayor inversión). Otro aspecto competitivo especialmente impor-
tante será la capacidad para desarrollar y poner en práctica rápidamente nueva
tecnologı́a capaz de adaptarse a las necesidades del mercado.

Sin embargo, los desafı́os a los que deberá enfrentarse la industria quı́mica serán
principalmente, las materias primas, la energı́a (producción, almacenamiento y uso),
la gestión de residuos y de gases de efecto invernadero o la velocidad de desarrollo
de nuevas tecnologı́as o procesos para satisfacer las cada vez mayores demandas
del mercado mundial.

La pregunta en este punto es, ¿cual debe ser la evolución de la sı́ntesis de pro-
cesos para hacer frente satisfactoriamente a todos estos desafı́os? Algunas de las
múltiples evoluciones en los diferentes campos de que se compone la sı́ntesis de pro-
cesos fueron propuestas por Barnicki y Siirola [41].

Replanteamiento del uso de materias primas y procesos tradicionales

La gran competencia existente en el campo de la industria quı́mica obligará con


toda seguridad al desarrollo de nuevos procesos de sı́ntesis para poder competir en
el mercado global. Hoy en dı́a, gran número de procesos quı́micos utilizan como ma-
terias primas compuestos derivados del petróleo y el gas natural. El empleo de estas
materias primas en el futuro se verá relegado a un segundo plano, debido principal-
mente a su menor competitividad económica ya sea por su progresivo agotamiento

62
Capı́tulo 3. Introducción

o la baja disponibilidad geográfica en muchas regiones mundiales. El descenso en


el uso de estas materias primas implicará la obligatoria necesidad de sustituirlas por
otras. Los principales candidatos pueden ser el uso del carbón (recurso fósil más abun-
dante y ampliamente distribuido geográficamente), el empleo de materia vegetal
(especialmente cultivada con este fin) o el uso de diferentes productos intermedia-
rios que actualmente no son competitivos pero ante el nuevo panorama económico
pueden transformarse en importante puntos de partidas de numerosos procesos.

El cambio más que probable de la disponibilidad de materias primas provocará


que numerosos procesos deban ser rediseñados, con el fin de adaptarse satisfactoria-
mente a esta nueva situación. Algunos de estos cambios ya son conocidos, aunque
la gran mayorı́a de ellos aún deben ser analizados, investigados y desarrollados. Uno
de los aspectos más reseñables, y que más protagonismo adquirirá, será el continuo
aumento del uso de catalizadores y biocatalizadores, adaptados a cada proceso en
particular.

El objetivo fundamental de la sı́ntesis de procesos (invención y desarrollo de nuevos


procesos adaptados a la escala deseada, que se desarrollen de manera segura, me-
dioambientalmente responsable, y siendo a su vez eficiente y económicos respecto
al resto de procesos competidores) se mantendrá invariable. Aunque es muy proba-
ble que diversos factores del diseño se vean alterados radicalmente en el futuro. La
fuente y coste de la energı́a, los efectos sobre el clima, los materiales de construc-
ción y la cartera de operaciones unitarias puede cambiar drásticamente en el futuro.
Como resultado, muchas de las heurı́sticas empleadas actualmente en el diseño de
procesos pueden no ser aplicables en el futuro. Por lo que, a la luz de los cambios
producidos, será necesario volver a evaluar continuamente las heurı́sticas de diseño
antes de ser utilizadas.

Generación sistemática de alternativas

Numerosos aspectos deben ser considerados en la generación sistemática de al-


ternativas en el diseño de un proceso quı́mico. Actualmente, los métodos de sı́ntesis
de procesos basados en la experiencia y la programación matemática pura actual-
mente son los más utilizados, y en el futuro se cree que este tipo de métodos seguirán

63
3.3.Sı́ntesis y Diseño de procesos

siendo los métodos más eficaces y ampliamente utilizados para la generación de


alternativas de procesos.

Una alternativa interesante a desarrollar en el futuro es el uso de la inteligencia


artificial (IA) para el desarrollo de alternativas. Dentro de la inteligencia artificial, nu-
merosos avances se han realizado en numerosos campos como pueden ser los video-
juegos, la demostración automática de teoremas, la planificación en robots y otros
dispositivos automáticos, etc. . . . El principal problema de la implementación de es-
ta tecnologı́a en el estudio de los procesos quı́micos radica en el hecho de que la
mayorı́a de los procesos quı́micos presentan recirculaciones y recuperaciones de co-
rrientes, tanto de materia como de energı́a, lo que implica la retroalimentación de
información. Sin embargo, este tipo de proceso en general no han sido suficiente-
mente tenidos en cuenta en IA, dado que no son procesos comunes en los campos
tı́picos de aplicación de ésta. En el futuro, este campo puede llegar a convertirse en
una importante área de investigación en el campo de la IA.

El diseño de los procesos quı́micos es una tarea muy complicada. Todas las pro-
puestas realizadas en el pasado han enfocado el problema de diseño en base a la
descomposición jerarquizada en una serie de subproblemas, tales como subproble-
mas de reacción, de separación y purificación, subproblemas energéticos, etc. . . Tal
como están formulados actualmente estos subproblemas no son totalmente inde-
pendientes, sino que interactúan de maneras a menudo complejas. El rendimiento
y especialmente la optimalidad del proceso de diseño y sı́ntesis de procesos se ve
claramente influenciado por esta dependencia.

La ingenierı́a de procesos quı́micos ha ido y continuará cambiando a lo largo del


tiempo. Ocasionalmente, nuevas operaciones unitarias han sido desarrolladas y nue-
vos fenómenos son explotados para realizar y mejorar procesos tanto nuevos como ya
existentes. Hoy en dı́a la destilación y otros métodos de separación basados en gran
medida en el equilibrio de fases, como la extracción y cristalización, han alcanzado
altos niveles de madurez, tanto en comprensión como en aplicación. Estas opera-
ciones unitarias han sido y probablemente seguirán siendo pilares de la industria en
el futuro previsible. Sin embargo, es probable que muchos métodos de separación,
basados en procesos todavı́a relativamente inmaduros, como por ejemplo la per-

64
Capı́tulo 3. Introducción

meabilidad en membranas, la cromatografı́a a gran escala, el intercambio iónico o


la electroforesis, adquieran una mayor capacidad de aplicación en la industria en los
próximos años.

Por otro lado, la tecnologı́a tiende a intensificar los procesos [106, 107], lo que lleva
a pensar casi con total seguridad, que en un futuro los equipos serán diseñados para
actuar con mayores fuerzas impulsoras de los procesos, mayores áreas por unidad de
volumen, etc. . . Dicho grado de intensificación implicará nuevas operaciones unita-
rias combinando varias de ellas, por ejemplo reacciones y separaciones. Un ejemplo
claro de este proceso de intensificación o integración es la destilación reactiva [108],
la cual ya ha comenzado a ser aplicada ampliamente. Existen otros conceptos, co-
mo reactores de membrana, que están empezando a ser explotados. En el futuro, la
generación sistemática de procesos y las heurı́sticas de diseño deberán ser actuali-
zadas con el fin de introducir todas estas nuevas tecnologı́as, operaciones unitarias,
etc. . .

Desde el punto de vista computacional, existen diversos métodos de sı́ntesis de


procesos que se han automatizado, mientras que muchos otros aun no lo han sido.
Esto se debe a que el manejo y representación de ciertos procesos son adecua-
dos para el uso del ser humano, mientras que su manejo computacional no han si-
do implementados de forma adecuada. Un ejemplo claro son las representaciones
gráficas. Mientras que el ser humano es capaz de manejarlas exitosamente, los or-
denadores se encuentran aún lejos de manejar dichas habilidades. Esto unido a la
evolución del estudio de procesos ha obligado a que estos métodos pasen de su for-
ma gráfica a ser codificados para su estudio en profundidad. Este hecho se refleja
en numerosos casos de la historia de la ingenierı́a quı́mica. Un ejemplo claro de es-
te comportamiento se representa en la evolución de la destilación. Inicialmente, la
sı́ntesis de procesos de destilación se basaba casi por completo en métodos gráficos,
dimensiones limitadas, como son los diagramas de McCabe-Thiele. Con el desarrollo
computacional, dichos métodos evolucionaron a modelos numéricos basado en el
equilibrio entre fases, pudiendo estos ser codificados para su uso computacional y
consiguiendo estudiar sistemas de destilación mucho más complejos. Una evolución
similar esta teniendo lugar con los mapas de curvas de residuo. Sistemas de hasta tres
y cuatro componentes pueden ser representados en el espacio gráfico 3D y maneja-

65
3.3.Sı́ntesis y Diseño de procesos

dos con facilidad por el ser humano, en cambio sistemas más complejos con mayor
número de componentes son difı́cilmente analizables. Ello está derivando en el desa-
rrollo de nuevas técnicas de automatización y computación.

Optimización de superestructuras

La optimización de superestructuras ha sido considerada, desde hace mucho tiem-


po, como una materia clave dentro de la sı́ntesis de procesos. Cualquier proceso
quı́mico puede ser representado mediante una superestructura, la cual muestra, esta-
blece y resume todas y cada una de las alternativas posibles (equipos y condiciones)
en cada una de las etapas de un proceso establecido. La resolución de este proble-
ma implica la optimización simultánea tanto de la estructura del proceso (número y
tipo de equipos) como las de las condiciones de operación.

Este tipo de metodologı́a presenta dos importantes problemas. En primer lugar, la


configuración óptima solamente puede ser obtenida sı́ dicha opción se encuentra
considerada en la superestructura inicial. Por lo que la cuestión es como generar su-
perestructuras que garanticen la inclusión de la solución óptima. En segundo lugar,
la implementación de esta metodologı́a genera problemas matemáticos muy com-
plejos y de gran tamaño, por lo que la cuestión radica en como resolver este tipo de
problemas.

En un futuro, la generación de la superestructura se llevará a cabo de forma sis-


temática en cada una de las etapas del proceso, para posteriormente combinando
todas las alternativas generadas o solo las más probables generar la superestructura
completa del proceso. Esta forma de operar será especialmente práctica y fácilmen-
te aplicable en la generación de superestructuras asistidas por ordenador.

Los primeros trabajos realizados en la sı́ntesis de procesos mostraron que imple-


mentación de dicha metodologı́a implicaba la resolución de problemas matemáti-
cos extremadamente complejos. Generalmente, los problemas obtenidos son pro-
blemas MINLP, y en la práctica suelen ser problemas no convexos, con discontinuida-
des,. . . problemas muy difı́ciles de resolver. La representación matemática más apro-
piada y que será la más utilizada en el futuro para este tipo de problemas es la Pro-
gramación Disyuntiva Generalizada (GDP) [109]. La principal ventaja respecto al resto

66
Capı́tulo 3. Introducción

radica en el uso de la lógica, lo que facilita la resolución de problemas de sı́ntesis de


procesos. Este avance, junto con la mejora constante de la capacidad de cálculo
computacional, hace que la metodologı́a de optimización de superestructuras sea
una opción potencialmente práctica en la sı́ntesis de procesos.

Redefinición de los criterios de optimización

El diseño de procesos ha sido siempre evaluada desde diferentes puntos de vista,


incluyendo aspectos económicos, impacto medioambiental, consumo energético,
control, flexibilidad, etc. . . Sin embargo, en el futuro es muy probable que los factores
sociales puedan llegar a ser incluso más importantes que estos. Factores que incluyen
sostenibilidad, ciclo de vida, cambio climático, uso de mano de obra o minimización
de riesgos y seguridad. La principal dificultad en el estudio de estos factores es su
cuantificación, ya que muchos de ellos son conceptos abstractos. Uno de los princi-
pales retos es el desarrollo de metodologı́as para cuantificar todos los aspectos claves
en la sociedad.

La tendencia actual de la sociedad implica la resolución de problemas con más


de un objetivo (por ejemplo se buscan procesos económicos y respetuosos medioam-
bientalmente), por lo que en un futuro serán de uso común los problemas multiobjeti-
vo y la evaluación de diagramas de Pareto.

Integración de diferentes campos dentro de la sı́ntesis de procesos

La puesta en marcha de un nuevo proceso quı́mico es un tarea complicada que


precisa de la realización de muchos pasos. En el futuro, en el diseño y sı́ntesis de
procesos se deberá acentuar el proceso de integración e interactuación de las dife-
rentes partes que conforman dicho proceso.

En la práctica, los diagramas de flujos de procesos son evaluados de forma se-


cuencial. Generalmente, un proceso quı́mico es desarrollado e inventado y posterior-
mente dicho diseño es analizado y evaluado respecto a diferentes factores. Dichos
factores incluyen: 1) comportamiento dinámico, 2) flexibilidad (intervalos de condi-
ciones de operación y especificaciones donde el proceso es aplicable), 3) robustez

67
3.3.Sı́ntesis y Diseño de procesos

(tolerancia a los cambios en la calidad de materias primas y otras alteraciones en


el proceso) y 4) control (capacidad de mantener el proceso en un estado estable y
producir productos en las especificaciones deseadas a pesar de que tengan lugar
perturbaciones en el sistema). En general, los diagramas de control son diseñados
posteriormente al diseño del proceso. La tendencia futura es la integración de las
etapas de flexibilidad y control dentro del proceso de diseño y no como una etapa
posterior a ella.

Por otro lado, actualmente dentro de la metodologı́a de desarrollo de cualquier


proceso quı́mico, el primer paso que tiene lugar es el estudio y determinación del
proceso quı́mico (secuencia de reacción y sus condiciones: catalizadores requeri-
dos, temperaturas, concentraciones, purezas, o las necesidades de disolvente). Una
vez dicho proceso quı́mico ha sido estudiado en profundidad se procede al diseño
de éste para su implementación como proceso industrial y no es hasta esta etapa
cuando entran en juego la ingenierı́a de procesos, En la mayorı́a de ocasiones, im-
portantes parámetros son fijados en la etapa quı́mica sin tener en cuenta el posterior
diseño, con lo que el resultado final suele ser un diseño subóptimo. Esto representa
un claro problema en un mundo donde cada dı́a la competencia en el mercado
global está más acentuada, y cualquier mejora de los procesos puede establecer la
diferencia entre que un proceso triunfe o fracase.

Por todo ello, una tendencia clara de futuro será una integración cada vez ma-
yor entre la quı́mica y la ingenierı́a de los procesos quı́micos. Las consideraciones
técnicas tendrán un mayor impacto en decisiones tomadas en etapas tempranas
de establecimiento de la quı́mica del proceso. Aumentará la retroalimentación en-
tre ambas disciplinas. Esta retroalimentación se llevará a cabo por los avances en
la quı́mica computacional, combinatorial, la mejora de los métodos de predicción
de propiedades fı́sicas, ası́ como mejoras en el modelado de process quı́micos. En un
futuro no muy lejano se espera que experimentos virtuales de procesos quı́micos com-
binados sı́ntesis y modelado eficaz de procesos, puedan llegar a reducir temporal y
económicamente el coste de implementación de un nuevo proceso quı́mico.

68
Capı́tulo 3. Introducción

3.4 Programación matemática en la sı́ntesis de procesos

Desde un punto de vista práctico, la tarea de optimización puede describirse co-


mo: dado un sistema o proceso, determinar la mejor solución a éste que satisfaga
una serie de restricciones asociadas. La optimización de un proceso quı́mico es un
proceso especialmente complejo y nada trivial, el cual depende de las caracterı́sti-
cas presentes en el proceso. Toda operación o proceso quı́mico puede ser descrito a
través de un modelo matemático.

Para el diseño y operación de cualquier sistema, el primer paso a realizar es la


obtención de un modelo predictivo que describa el comportamiento del sistema.
El cual traslade a un conjunto de ecuaciones e inecuaciones tanto las relaciones
analı́ticas que describen al sistema como las restricciones asociadas. Conjuntamente
al modelo, una función objetivo debe ser especificada de tal forma que proporcione
una medida cuantitativa de la propiedad a optimizar.

Los modelos matemáticos desarrollados pueden incluir variables continuas y/o bi-
narias y estar descritos por ecuaciones lineales y/o no lineales. En función del tipo de
ecuaciones y variables se pueden establecer diferentes formulaciones matemáticas,
las cuales serán descritas brevemente a continuación.

3.4.1. Programación Lineal

Un problema lineal puede definirse como la optimización (minimizar o maximizar)


de una función lineal, denominada función objetivo, de tal forma que las variables
de dicha función estén sujetas a una serie de restricciones asociadas a un sistema de
ecuaciones e/o inecuaciones lineales [110].

69
3.4.Programación matemática

Un Problema Lineal (LP) 9 puede expresarse en la siguiente forma:

min (o max) C T x

s.a. Ax = b (3.4.1)

x≥0

donde x es el vector de las variables a resolver (por ejemplo parámetros de flujos,


presión, temperatura), A es una matriz de coeficientes conocidos, y c y b son vectores
de coeficientes conocidos. La expresión “C T x” es denominada función objetivo, y las
restricciones “Ax = b”forman la región factible.

Aunque todos los problemas de programación lineal se pueden expresar de forma


estándar, en la práctica esto es innecesario. Por ejemplo, aunque esta representación
exige a todas las variables tomar valores no negativos, la mayorı́a de los problemas
de LP permiten lı́mites generales l ≤ x ≤ u dónde l y u son los vectores conocidos de
los lı́mites inferiores y superiores, pudiendo expresarse estos como ∞ y/o −∞. De esta
forma una variable puede ser totalmente libre de forma explı́cita, aunque implı́cita-
mente las restricciones en la matriz A imponen lı́mites a las variables.

La resolución de este tipo de problemas se realiza a través de dos técnicas prin-


cipalmente, el método simplex y los métodos de punto interior. El método simplex,
introducido por Dantzig (1957)[110-112] hace aproximadamente 50 años, genera so-
luciones “básicas” computadas fijando muchas de las variables a sus lı́mites extremos
con el objetivo de reducir las restricciones Ax = b a un sistema cuadrado que se pue-
de resolver para los valores únicos de las variables restantes. Las soluciones básicas
representan el lı́mite extremo de la región factible definida por Ax = b y x ≥ 0. En
el método simplex las soluciones alternativas se encuentran siempre en un punto ex-
tremo de la región factible, en comparación con los métodos de punto interior, que
visita los puntos dentro del interior de la región factible. Este último método se deriva
de las técnicas para la programación no lineal que fue desarrollado y popularizado
9
Acrónimo del inglés “Linear Programming”

70
Capı́tulo 3. Introducción

en los años sesenta por Fiacco y McCormick, aunque su aplicación a la programa-


ción lineal empezó con el análisis innovador de Karmarkar [113, 114].

La programación lineal ha demostrado ser valiosa para el modelado y la solución


de diversos problemas de planificación (o planning), programación (o schedulling),
asignación, y diseño. Las principales industrias que hacen uso de la LP y sus extensio-
nes, aparte de las de quı́micas, incluyen las de transporte, energı́a, telecomunicacio-
nes, etc. . . .

3.4.2. Programación No Lineal

Al igual que la programación lineal, la programación no lineal (NLP) 10 tiene como


objetivo la optimización (maximizar o minimizar) de una función objetivo sujeta a res-
tricciones en las variables de decisión. La diferencia entre ambos radica en el hecho
de que la función objetivo y/o las restricciones asociadas son ecuaciones no lineales.

A diferencia de lo que ocurre con los LP en los cuales el óptimo siempre corres-
ponde a un vértice de la región factible, lo cual implica un número finito de puntos
de búsqueda. La solución óptima en los NLP puede ser localizada en cualquiera de
los infinitos puntos de la región factible, lo que aumenta la dificultad de resolución de
los problemas NLP.

Un problema de Programación No lineal (NLP) puede expresarse de forma general


como [115]:

min (o max) f (x)

s.a. h(x) = 0
(3.4.2)
g(x) ≤ 0

x ∈ X ⊆ Rn

El campo de la programación no lineal ha sido y es un campo extensamente estu-


diado, donde muchos investigadores han aportado un gran número de metodologı́as
10
Acrónimo del inglés “Non Linear Programming”

71
3.4.Programación matemática

de resolución de problemas. Ello es debido a que en el mundo real, la gran mayorı́a


de problemas a resolver son descritos por funciones no lineales.

Los problemas no lineales pueden ser convexos o no convexos (Figura 3.4.1) de-
bido al estado funcional de las restricciones y/o la función objetivo. Un problema
convexo es un caso donde todas las restricciones forman una región convexa, y el
objetivo es una función convexa en el caso de minimizar, o una función cóncava en
el caso de maximizar. Las funciones lineales son convexas, y por tanto los problemas
de la programación lineal son problemas convexos. En estos problemas, la región fac-
tible (intersección de las restricciones convexas) es una región convexa. Por extensión,
un problema no convexo es cualquier problema dónde el objetivo o cualquiera de
las restricciones es no convexa.

(a) (b)

Figura 3.4.1: Ejemplo de Región Convexa y No Convexa

Esta caracterı́stica de los problemas no lineales es de suma importancia, ya que


únicamente los problemas convexos (función objetivo y región factible convexas)
aseguran que la solución obtenida sea un óptimo global. Esto se produce como con-
secuencia de que dentro de una región factible convexa únicamente puede existir
una solución, y en conclusión ésta coincidirá con la solución óptima global del pro-
blema. En cambio, en los problemas no convexos pueden existir múltiples regiones
factibles y múltiples puntos localmente óptimos dentro de cada región, con lo que
no es posible asegurar la solución óptima global del problema. Por lo tanto, un pro-
blema no lineal con un gran número de variables y restricciones puede requerir un
enorme cantidad de tiempo determinar que una solución es el óptimo global para
todas las regiones factibles o simplemente que éste es no factible. Esto hace que tales
problemas sean generalmente muy difı́ciles de resolver.

72
Capı́tulo 3. Introducción

Los métodos de resolución de problemas no lineales se pueden clasificar en dos


grandes grupos, aquellos basados en derivadas y los que no utilizan derivadas (méto-
dos metaheurı́sticos).

Métodos metaheurı́sticos

Los métodos de optimización que no requieren de información de las derivadas


son denominados como métodos de búsqueda directa o metaheurı́stica. Estos méto-
dos presentan como principales ventajas, la fácil implementación y el bajo nivel ne-
cesario de conocimiento del problema de optimización a resolver. En particular, estos
métodos son adecuados para estudios de optimización previos en nuevas aplica-
ciones (evitando de invertir en un primer de desarrollo un gran esfuerzo en construir
modelos más sofisticado y estrategias de solución más complejas) y en aquellos pro-
blemas donde sea extremadamente costoso o difı́cil conseguir información de las
derivadas.

Los primeros métodos de búsqueda directa fueron desarrollados en las décadas


de los 60 y 70, incluyendo los métodos ´´one-at-a-time“ o los métodos basados en
diseños experimentales. Dentro de estos métodos se encuentra el método de patrón
de búsqueda de Hooke y Jeeves [116], el método de Nelder y Mead [117], o los
métodos de búsqueda aleatoria adaptativa de Luus y Jaakola [118]. Posteriormente
a estos, diferentes métodos no basados en derivadas han sido propuestos, dentro
de ellos podemos encontrar los algoritmos genéticos o el método de enfriamiento
simulado, entre otros.

Los algoritmos genéticos fueron propuestos inicialmente por Holland [119], y son lla-
mados ası́ porque se inspiran en la evolución biológica y su base genético-molecular.
Estos algoritmos hacen evolucionar una población de individuos sometiéndola a ac-
ciones aleatorias semejantes a las que actúan en la evolución biológica (mutaciones
y recombinaciones genéticas), ası́ como también a una selección de acuerdo con
algún criterio, en función del cual se decide cuáles son los individuos más aptos, se-
leccionados, y cuáles los menos aptos, que son descartados.

El método de enfriamiento simulado [120] es un algoritmo de búsqueda meta-


heurı́stica para problemas de optimización global. Dicho método se inspira en el pro-
ceso de recocido del acero y cerámicas, una técnica que consiste en calentar y

73
3.4.Programación matemática

luego enfriar lentamente el material para variar sus propiedades fı́sicas. El método es
una adaptación del algoritmo Metropolis-Hastings, un método de Montecarlo utiliza-
do para generar muestras de estados de un sistema termodinámico.

Métodos basados en derivadas

Estos métodos se diferencian de los del grupo anterior porque utilizan la informa-
ción de las derivadas de las funciones del proceso. Estos métodos generalmente con-
vergen en un menor número de iteraciones, requieren que las funciones sean diferen-
ciables, y además el cálculo de la derivadas pueda llevarse a cabo ya sea en forma
analı́tica o numérica.

Dentro de los algoritmos para resolver problemas NLP, los principales métodos utili-
zados son los métodos de gradiente reducido y la programación cuadrática sucesiva
(SQP) 11 [121-124].

La idea básica de la SQP se centra en resolver las condiciones necesarias de op-


timalidad de Karush–Kuhn–Tucker utilizando el método de Newton (o métodos cuasi
Newton). La gran ventaja de los métodos de programación cuadrática sucesiva es
que convergen de forma muy rápida con muy poco número de evaluación de las
funciones. Sin embargo para problemas con un elevado número de grados de liber-
tad quizás sea mejores los métodos de gradiente reducido, en tanto que reducen la
dimensionalidad del problema a resolver.

Los métodos de gradiente reducido se basan en reducir la dimensión del domi-


nio del problema representando todas las variables en término de un subconjunto
de variables independientes. Dicho de otro modo, considerando un problema con m
restricciones en forma de igualdad (forma estándar), y n variables (n ≥ m), la idea es
despejar m variables (tantas como restricciones) en función de las restantes y resolver
el problema como un problema sin restricciones. Una vez reducido la dimensionalidad
de problema, el primer paso que sigue el método es proponer una estrategia para
calcular una dirección factible y de mejora. Una vez calculada ésta, y siguiendo la
estrategia general es necesario realizar la búsqueda univariable. El principal proble-
ma de esta metodologı́a, tal y como fue propuesto originalmente por Wolfe [125], es
11
Acrónimo del inglés “Successive Quadratic Programming”

74
Capı́tulo 3. Introducción

que no siempre es posible hacer la eliminación de variables de forma algebraica, al


menos con ecuaciones no lineales. Para solucionar esto y poder ampliar dicho méto-
do a problemas NLP, dicho método ha sido extendido denominándose “Método del
Gradiente Reducido Generalizado (GRG)”. La principal novedad pasa por que en las
restricciones no lineales, para representar las m variables dependientes en función de
las (n − m) variables independientes, se realiza una linealización de cada una de las
restricciones en el punto factible actual mediante una expansión de Taylor de primer
orden.

Existen numerosos trabajos en la bibliografı́a entorno a la programación no lineal,


siendo algunos de los más completos los realizados por Biegler et al. [126], Floudas
[127] o Griva et al. [128].

3.4.3. Programación Lineal Mixta con Variables Enteras y Continuas

Un gran número de modelos de optimización descritos por ecuaciones lineales


pueden contener tanto variables continuas como enteras. Estos modelos matemáti-
cos se denominan como Programación Lineal Mixta (MILP) 12 . El uso de variables en-
teras extiende el alcance de los problemas de optimización que pueden ser definidos
y resueltos. Una amplia gama de aplicaciones se puede modelar como problemas
MILP. Estas aplicaciones han atraı́do muchas otras aplicaciones en el campo de in-
vestigación de operaciones y especı́ficamente en la ingenierı́a quı́mica, habiendo
recibido una atención significativa sobre todo en las áreas de sı́ntesis de procesos,
planificación y control.

Un problema MILP puede ser descrito de forma general como:

min(omax) cT x + dT y

s.a. Ax + By ≤ b
(3.4.3)
x ∈ X ⊆ Rn

y ∈ {0, 1}m
12
Acrónimo del inglés “Mixed Integer Linear Programming”

75
3.4.Programación matemática

donde x es un vector de n variables continuas que representa parámetros como


flujos, temperatura, presión, etc. . . , y es un vector de q variables binarias, c y d son
vectores de los parámetros, b es un vector de términos independientes, y A y B son
matrices con dimensiones apropiadas.

Los métodos para resolver MILPs están fundamentalmente basados en el método


clásico de “Ramificación y Acotamiento“ (BB) 13 [129, 130], donde cada subproblema
lineal se resuelve utilizando el método simplex .

La metodologı́a presentada en este método empieza encontrando la solución


óptima del problema relajado, eliminando la condición de integridad de las varia-
bles binarias, de tal forma que puedan adquirir valores fraccionarios. Si en esta prime-
ra solución, las variables de decisión relajadas adquieren valores enteros, entonces
no se requiera mas solución iterativa y se habrı́a alcanzado la solución. Sin embargo,
esto sólo ocurre en un número muy reducido de casos (por ejemplo en los problemas
de asignación) y lo normal es que algunas de las variables tomen valores fracciona-
rios. En cualquier caso, este nodo inicial produce una cota inferior global del proble-
ma. De entre las variables que no han tomada valores enteros, el método BB escoge
una variable (de acuerdo a una serie de reglas predeterminadas) “ramificándola” y
creando dos nuevos sub-problemas. Estos sub-problemas se resuelven y el proceso se
repite, hasta que se encuentra una solución que presenta todas las variables binarias
con valores enteros (0 o 1). Cuando en un nodo se obtiene una solución entera, ésta
es un lı́mite superior a la solución óptima del problema, de tal forma que todas las
ramas abiertas con valor superior de la función objetivo no necesitan evaluarse (aco-
tamiento). La enumeración continúa hasta que la diferencia entre las cotas inferior y
superior están dentro de una tolerancia o bien no existen ramas abiertas.

El peor caso que se puede encontrar es aquel donde para finalizar el algoritmo
es necesario la enumeración de todos los nodos del árbol. Este caso es un caso ex-
tremo e implicarı́a el consumo de importantes recursos de cálculo para la obtención
de la solución al problema. Con el fin de mitigar el crecimiento exponencial en la
solución de MILPs se han desarrollado dos importantes técnicas, las técnicas de pre-
procesamiento y la introducción de planos de corte. El preprocesamiento se basa
13
Acrónimo del Inglés “Branch and Bound”

76
Capı́tulo 3. Introducción

en la utilización de de técnicas de eliminación automática de variables y restriccio-


nes, reducción de lı́mites, reformulación de restricciones y fijado a priori de algunas
variables enteras. Los planos de corte son restricciones extra añadidas al problema,
bien en el nodo inicial o dentro de la enumeración, que tienen el efecto de reducir la
región factible del problema sin comprometer ninguna de las soluciones enteras del
mismo.

3.4.4. Programación No Lineal Mixta con Variables Enteras y Conti-


nuas

Una amplia gama de problemas de optimización no lineal de procesos quı́micos


involucra variables enteras o discretas. Esta clase de problemas de optimización es
modelado como Programación No lineal Mixta (MINLP)14 . Las variables enteras pue-
den ser usadas para modelar por ejemplo sucesiones de eventos, candidatos alter-
nativos, existencia o no-existencia de unidades.

Un problema MINLP puede ser descrito de forma general como:

min (o max) z = f (x, y)

s.a. gj (x, y) ≤ 0 j∈J


(3.4.4)
x ∈ X ⊆ Rn

y ∈ {0, 1}m

Donde se asume que f y g son funciones convexas y diferenciables, X esta da-


do por el conjunto convexo X = {x | xL ≤ x ≤ xU , Ax ≥ b} y J es un ı́ndice de
desigualdades.

Numerosos métodos numéricos han sido desarrollados para resolver este tipo de
problemas (MINLP). Un primer grupo de métodos incluyen los algoritmos de ramifica-
ción y acotamiento (BB). Estos son generalmente una extensión directa del método
BB para problemas lineales, donde la diferencia radica en cada uno de los nodos
14
Acrónimo del inglés “Mixed Integer Nonlinear Programming”

77
3.4.Programación matemática

se emplea un algoritmo para la resolución de problemas no lineales (NLP) (por ejem-


plo, método de gradiente reducido, programación cuadrática sucesiva o método
de punto interior) [131, 132]. Un segundo grupo incluyen los algoritmos de descom-
posición tales como la descomposición de benders (GBD) 15 [127, 133], y los métodos
de aproximaciones exteriores (OA) 16 [59, 134].

El algoritmo OA fue propuesto por Duran y Grossmann [59]. En éste, la resolución


del problema es realizada a través de una secuencia iterativa de subproblemas NLP
y subproblemas Máster (que suele ser un MILP). Los subproblemas NLP, con valores fijos
de las variables enteras 0-1, proporcionan la cota superior del problema, mientas que
los problemas Master proporcionan la cota inferior del problema. La convergencia
del algoritmo se logra cuando ambos lı́mites -superior e inferior- difieren en un valor
inferior a una tolerancia establecida. La Figura 3.4.2 muestra un esquema simplificado
del algoritmo de aproximaciones exteriores.

La descomposición de Benders Generalizada se puede considerar un caso parti-


cular del algoritmo de las aproximaciones exteriores. Las principales diferencias sur-
gen en la definición del problema Máster (MILP). Si bien en el método OA todas las
desigualdades son consideradas, en el método de descomposición de Benders úni-
camente se consideran las desigualdades activas, ignorándose el resto. Este hecho
hace que el coste computacional requerido para la resolución del problema Master
sea menor al necesario al utilizar OA. Por otro lado, los lı́mites inferiores predichos en
el problema relajado son inferiores o iguales a los obtenidos utilizando OA. Este hecho
es responsable de que, generalmente, el método GDB suela necesitar de un mayor
número de iteraciones para resolver el problema, en comparación con el método
OA.

En una situación intermedia entre los métodos de ramificación y acotamiento y los


métodos de descomposición se encuentran los métodos LP-NLP [135]. En este caso en
lugar de resolver el problema Máster hasta optimalidad, tan pronto como se encuen-
tra una solución entera se resuelve un NLP y se actualizan todos los nodos abiertos
del árbol de búsqueda. Finalmente se encuentran los métodos de plano de corte ex-
15
Acrónimo del inglés “Generalized Benders Decomposition”
16
Acrónimo del inglés “Outer Approximation”

78
Capı́tulo 3. Introducción

Figura 3.4.2: Esquema del algoritmo de Aproximaciones Exteriores

tendido (ECP) 17 [136-138], desarrollados a partir de los métodos de descomposición.


En éstos, los subproblemas NLP no son resueltos, el algoritmo se reduce a la solución
iterativa de problemas MILP añadiendo linealizaciones sucesivas a aquella restricción
más violada en el punto predicho. La convergencia se obtiene cuando la violación
máxima cae dentro de una tolerancia especificada. Cabe señalar que todos estos
métodos únicamente garantizan la solución óptima global de los problemas MINLP si
se cumple que todas las funciones no lineales fueran convexas.

17
Acrónimo del inglés“Extended Cutting Plane”

79
3.4.Programación matemática

3.4.5. Programación General Disyuntiva

Como ya se ha comentado anteriormente, la sı́ntesis y diseño de procesos quı́mi-


cos es una tarea altamente compleja que requiere el desarrollo de modelos de pro-
gramación matemática, los cuales suelen incluir variables enteras y continuas, donde
las variables enteras juegan un papel clave. Estas variables son normalmente varia-
bles binarias con “1” indicando la selección de una unidad o asignación de una
tarea, y “0” indicando la ausencia de la unidad o tarea.

Una herramienta que ha demostrado ser altamente eficiente en el manejo y mo-


delado de problemas de sı́ntesis y optimización de sistemas es la Programación Dis-
yuntiva Generalizada (GDP) 18 . Dicha metodologı́a aprovecha el conocimiento de la
estructura y topologı́a de los procesos quı́micos ası́ como las relaciones lógicas entre
las diferentes unidades del proceso, proporcionando información útil sobre el con-
junto de soluciones factibles y mejorando de esta forma la eficiencia de búsqueda
combinatorial[139-146]. Partiendo de la programación disyuntiva originalmente pro-
puesta por Balas [139], Raman y Grossmann [142] propusieron una formulación para
la sı́ntesis de procesos, la cual facilita el modelado de problemas lineales continuos y
enteros a través del uso de expresiones simbólicas, la cual incluye de forma general
variables Booleanas, disyunciones y proposiciones lógicas.

La estructura tı́pica de este tipo de problemas se muestra a continuación.


18
Acrónimo del inglés “Generalized Disjunctive Programming”

80
Capı́tulo 3. Introducción

X
M in Z= ck + f (x)
k

s.t. r(x) ≤ 0

s(x) = 0
 
Yik (3.4.5)
 
∨  gik (x) ≤ 0 k ∈ K
 

i∈Dk  
ck = γik

Ω(Y ) = T rue

x ∈ Rn , c ∈ Rm , Y ∈ {true, f alse}m

Siendo:

x : vector de variables continuas asociadas al proceso

ck : costes fijos asociados a cada disyunción, los cuales son activados en el


caso que la disyunción sea verdadera

Yik : variables booleanas que establecen si un término en la disyunción es


verdadero y por lo tanto deben cumplirse las ecuaciones dentro del término

Ω(Y ): relaciones lógicas, en forma de lógica de proposiciones, que involu-


cran solamente a variables booleanas

Una disyunción está compuesta por un numero de términos (condiciones) Dk uni-


dos por un operador “O exclusivo” (∨). Cada término esta compuesto por una varia-
ble Booleana Yik , y un conjunto de restricciones no lineales gik (x). La principal ca-
racterı́stica de una disyunción es que cuando uno de sus términos Yik se cumple (Yik
es verdadero), todas las restricciones asociados con éste son activadas gik (x) ≤ 0 y
ck = γik . De lo contrario, las correspondientes restricciones son ignoradas. Cabe des-
tacar, que en la formulación disyuntiva dada, las variables binarias 0-1 no se encuen-
tran incluidas explı́citamente en los modelos y que todas las decisiones son realizadas
a través de variables booleanas.

81
3.4.Programación matemática

En los problemas de sı́ntesis de procesos, gik (x) y hik (x) son ecuaciones de balan-
ce de calor y materia, o especificaciones del proceso, y γik son los cargos o costes.
En numerosos trabajos realizados [135, 143], se ha supuesto que las funciones f (x),
gik (x) y r(x) son convexas (PDG Convexo), con lı́mites inferiores y superiores, y que
las disyunciones dan lugar a una región o solución factible. Pero en realidad, muchos
problemas de sı́ntesis de procesos en ingenierı́a quı́mica incluyen restricciones y fun-
ciones objetivo muy complejas no convexas, lo que da lugar a PDG No convexa. Si no
se usan métodos potentes para la convexificación de estas funciones no convexas o
para la disminución de la influencia de éstas, las soluciones del problema de sı́ntesis
puede ser subóptimas múltiples o incluso, no factibles. Cuando las restricciones gik (x),
r(x), hik (x) y la función objetivo f (x) son funciones lineales, el problema se convier-
te en Programación Disyuntiva Lineal, y si cualquiera de las funciones es no lineal, el
problema se denomina Programación Disyuntiva No Lineal.

3.4.5.1. Métodos de Resolución para Problemas GDP

Los métodos de resolución de problemas GDP se pueden clasificar en dos ca-


tegorı́as, los métodos de resolución directa (sin necesidad de ser reformulados) y los
métodos que realizan la reformulación de los problemas GDP a problemas MILP/MINLP.

Métodos de resolución directa

Diferentes métodos han sido desarrollados para la resolución directa de problemas


GDP. Concretamente, dos métodos han sido presentados, por un lado el método de
ramificación y acotamiento (BB) desarrollado por Lee y Grossmann [146] basado en
el método disyuntivo Branch and Bound propuesto por Beaumont [140], y por otro el
método de Aproximaciones Exteriores basadas en la lógica (LBOA) 19 propuesto por
Turkay y Grossmann [143].

La idea básica del método BB se basa en la ramificación directa en los términos


de las disyunciones, mientras es aplicada la reformulación de envolvente convexa al
resto de disyunciones. Este método proporciona resultados similares a los obtenidos al
resolver el problema como MINLP utilizando reformulación de envolvente convexa. La
19
Acrónimo del inglés “Logic Based Outer Approximations”

82
Capı́tulo 3. Introducción

diferencia radica en el hecho de que el tamaño de los problemas a resolver en cada


nodo son menores, con ello se consigue mejorar la robustez del método respecto al
problema MINLP.

En el caso del método LBOA, el procedimiento es similar al método OA descrito


anteriormente. La idea básica consiste en resolver iterativamente el problema Master
dado por el problema GDP Lineal (el cual proporcionará el lı́mite inferior de la solu-
ción) y un subproblema NLP (el cual proporcionará el lı́mite superior de la solución).
La principal diferencia entre ambos radica en el subproblema NLP resuelto en cada
iteración. Tal y como describieron Turkay y Grossmann [143], dado unos valores fijos de
las variables Booleanas, Yki = verdadero, Ykî = f also donde î 6= i, el correspondiente
subproblema NLP queda definido de la siguiente forma:

M in Z = f (x)

s.t. r(x) ≤ 0

gki (x) ≤ 0 Yki = verdadero k ∈ K, i ∈ Dk (3.4.6)


lo up
x ≤x≤x

x ∈ Rn , ck ∈ RI , Yki ∈ {true, f alse}

Como se puede observar las únicas restricciones consideradas en el subproble-


ma NLP son aquellas pertenecientes a los términos activos de la disyunción (Yki =
verdadero). Las restricciones pertenecientes a los términos inactivos son descartadas.
Esto permite conseguir una sustancial reducción en el tamaño del problema en com-
paración con el método OA para problemas reformulados como MINLP. El problema
Master OA disyuntivo a resolver, se define como:

83
3.4.Programación matemática

M in Z=α

s.t.

α ≥ f (xl ) + ∇f (xl )T (x − xl ) 
l = 1,2. . . . , L
r(xl ) + ∇r(xl )T (x − xl ) ≤ 0 
 
Yki (3.4.7)
∨   k∈K
i∈Dk gki (xl ) + ∇gki (xl )T (x − xl ) ≤ 0 l ∈ Lki

Ω(Y ) = T rue

xlo ≤ x ≤ xup

α ∈ R1 , x ∈ Rn , ck ∈ R1 , Yki ∈ {true, f alse}

Cabe señalar que antes de aplicar el problema Master descrito es necesario re-
solver varios subproblemas (SNLP) para diferentes valores de las variables booleanas
Yik a fin de producir una aproximación lineal de cada uno de los términos i ∈ Dk en
las disyunciones k ∈ K (de tal forma que todos los términos de las diferentes disyun-
ciones se encuentren activos al menos una vez). Como muestran Turkay y Grossmann
[143], la selección del menor número de subproblemas equivale a la solución del pro-
blema de conjunto de cobertura, el cual es de pequeño tamaño y fácil de resolver.
Finalmente, debe tenerse en cuenta que el problema Master puede ser reformulado
como un MILP mediante el uso del método de la M grande o la envolvente convexa,
o bien resolverse directamente mediante un problema de BB disyuntivo.

Reformulación de GDP a MILP/MINLP

A pesar de la existencia de los métodos de resolución directa, generalmente estos


problemas son reformulados como problemas MILP o MINLP con el fin de aprovechar
la disponibilidad de los algoritmos MINLP presentes en las diferentes herramientas de
modelado (GAMS, TOMLAB, . . . ).

Con el fin de describir detalladamente cada uno de las transformaciones realiza-


das en los distintos métodos, el problema general GDP (3.4.5) se divide en 4 partes,
función objetivo, restricciones globales, disyunciones y proposiciones lógicas.

84
Capı́tulo 3. Introducción

La transformación de un problema GDP en un MILP o MINLP requiere únicamente


transformar la parte correspondiente a las disyunciones y las proposiciones lógicas,
manteniéndose invariable tanto la función objetivo como las restricciones globales. A
continuación de explicará brevemente cada uno de dichas transformaciones.

Transformación de proposiciones lógicas a restricciones MILP

Las proposiciones lógicas descritas a través de variables Booleanas deben ser


transformadas a ecuaciones algebraicas compuestas por variables binarias, con el
fin de poder ser incorporadas a la reformulación MINLP de problema original. Cada
uno de los operadores lógicos utilizados en la programación disyuntiva es transforma-
do en un conjunto de restricciones lineales (MILP), tal y como se describe en la Tabla
3.4.1:

Tabla 3.4.1: Transformación de operadores lógicos a restricciones MILP

Operador Lógico Expresión Booleana Restricción MILP


∨ (O) Y1 ∨ Y2 ∨ . . . ∨ Yn y1 + y2+...+yn ≥1
∨ (O exclusivo) Y1 ∨Y2 ∨ . . . ∨Yn y1 + y2+...+yn =1
y1 = 1
y2 = 1
∧ (Y) Y1 ∧ Y2 ∧ . . . ∧ Yn
...
yn = 1
¬ (No) ¬Y1 1 − y1
⇒ (Si) Y1 ⇒ Y2 y1 ≤ y2
⇔ (Si y solo Si) Y1 ⇔ Y2 y1 = y2

Además, con el fin de facilitar la transformación de una proposición lógica en


una ecuación lineal (reemplazando las variables booleanas por variables binarias),
se deben emplear el siguiente procedimiento de forma recursiva [147]:

(1) Eliminación de implicaciones Y1 ⇒ Y2


¬Y1 ∨ Y2
(2) Ley de De Morgan ¬(Y1 ∨ Y2 )
(¬Y1 ) ∧ (¬Y2 )
¬(Y1 ∧ Y2 )
(¬Y1 ) ∨ (¬Y2 )
(3) Regla Distributiva (Y1 ∧ Y2 ) ∨ Y3
(Y1 ∨ Y2 ) ∧ (Y2 ∨ Y3 )

85
3.4.Programación matemática

Existen numerosas formas de representar un proposición lógica. Las más comunes


y usadas son las dos formas extremas [141]: la Forma Normal Conjuntiva (CNF) 20 y la
Forma Normal Disyuntiva (DNF) 21 .

La diferencia entre ambas formas consiste en que la CNF describe la relación en-
tre las unidades de proceso o tareas en la superestructura y cada cláusula en ella se
debe cumplir para el problema de que se trata, mientras que la DNF describe una
configuración factible dentro de la superestructura y solamente una de las condicio-
nes debe ser satisfecha.

En este tipo de problemas es de particular interés la forma CNF. Esta forma se


caracteriza por representar una proposición lógica como la conjunción de casos
Q1 ∧ Q2 ∧ . . . ∧ Qn , donde cada caso corresponde a una proposición lógica con-
teniendo únicamente operadores tipo “O”. Como ya se ha comentado, para que
la forma CNF sea verdadera, cada uno de los casos que la componen deben ser
verdaderos. Utilizando las reglas booleanas comentadas previamente, el proceso de
transformación sistemática de cualquier proposición lógica en una forma CNF se con-
sigue a través de las siguientes etapas [148-150]:

Paso 1. Reemplazar la implicación por su disyunción equivalente

Paso 2. Aplicar las leyes de De Morgan para mover la negación al interior del
paréntesis

Paso 3. Aplicar la regla distributiva para conseguir que dentro de las disyunciones
únicamente presenten operadores ‘O”

Una vez obtenida la forma CNF, el último paso es traducir dicha forma a una serie
de restricciones algebraicas con el fin de ser introducidas en el problema a resolver.
A continuación, un ejemplo es presentado con el fin de ilustrar el procedimiento des-
crito.

Consideramos la proposición lógica [148]:


20
Acrónimo del inglés “Conjunctive Normal Form”
21
Acrónimo del Inglés “Disjunctive Normal Form”

86
Capı́tulo 3. Introducción

(Y1 ∧ Y2 ) ∨ Y3 ⇒ (Y4 ∨ Y5 ) (3.4.8)

Paso 1. Reemplazar la implicación por su disyunción equivalente

¬[(Y1 ∧ Y2 ) ∨ Y3 ] ∨ (Y4 ∨ Y5 ) (3.4.9)

Paso 2. Aplicar las leyes de De Morgan para mover la negación al interior del
paréntesis

[¬(Y1 ∧ Y2 ) ∧ ¬Y3 ] ∨ Y4 ∨ Y5
(3.4.10)
[(¬Y1 ∨ ¬Y2 ) ∧ ¬Y3 ] ∨ Y4 ∨ Y5

Paso 3. Aplicar la regla distributiva para conseguir que dentro de las disyunciones
únicamente presenten operadores ‘O”

(¬Y1 ∨ ¬Y2 ∨ Y4 ∨ Y5 ) ∧ (¬Y3 ∨ Y4 ∨ Y5 ) (3.4.11)

Paso 4. Transformación de la forma CNF a su equivalente conjunto de restricciones


lineales

y1 + y2 − y4 − y5 ≤ 1
(3.4.12)
y3 − y4 − y5 ≤ 0

87
3.4.Programación matemática

Transformación de disyunciones a restricciones MILP/MINLP

La relajación de las disyunciones involucra su reformulación a uno de los modelos


de la programación matemática anteriormente descritos (MILP, MINLP) dependiendo
de si el problema GDP original es lineal o no lineal. La estrategia de relajación tı́pi-
ca se lleva a cabo mediante el método de M-Grande (Big-M)[130], o el método de
Envolvente Convexa (CH)22 [146].

Método de M-Grande [151]:

Disjunction GDP Restricciones M-Grande

gki (x) ≤ M ki (1 − yki )


 
Yki k ∈ K, i ∈ Dk
∨   k∈K X
i∈Dk gki (x) ≤ 0 yki = 1 k∈K
i∈Dk

La clave de esta formulación radica en el hecho de que cuando un término de


la disyunción se encuentra activo (yki = 1), las restricciones asociadas a esta se vuel-
ven activas (gki (x) ≤ 0). En los casos inactivos (yki = 0) y siendo el parámetro M
lo suficientemente grande, las restricciones asociadas a estas se transforman en re-
dundantes, dejando de tener ningún sentido en el proceso. Indicar que la ecuación
P
i∈Dk yki = 1 asegura que en cada disyunción únicamente un término sea activo
en cada solución (solamente una variable binaria yki en cada disyunción k adquiera
valor 1).

Método de Envolvente convexa [151]:

La reformulación de CH puede ser diferenciada para los casos lineales y no linea-


les, aunque la formulación lineal no es más que un caso particular de la formulación
no lineal.

22
Acrónimo del inglés “Convex Hull”

88
Capı́tulo 3. Introducción

Disjunction GDP Restricciones Envolv. Convexa No Lineal

X
x= ν ki
i∈Dk k∈K
 
Yki yki gki (ν ki /yki ) ≤ 0 k ∈ K, i ∈ Dk
∨   k∈K
i∈Dk gki (x) ≤ 0 xlo yki ≤ ν ki ≤ xup yki k ∈ K, i ∈ Dk
X
yki = 1 k∈K
i∈Dk

No Lineal:

La principal caracterı́stica de esta formulación es la disgregación de las variables


continuas x en un conjunto de variables ν ki tantas como términos contenga cada
disyunción. En este caso, es necesario introducir lı́mites superiores e inferiores de cada
variable xlo yki ≤ ν ki ≤ xup yki . Con ello se consigue que si yki se encuentra activa
(yki = 1), dicha variable disgregada adquiera un valor comprendido entre dichos
lı́mites, en cambio si yki se encuentra inactiva (yki = 0) se fuerza a que la variable dis-
gregada ν ki adquiera valor 0. Indicar que al igual que en el caso de la reformulación
P
M-Grande, la ecuación i∈Dk yki = 1 asegura que en cada disyunción únicamente
un término sea activo en cada solución (solamente una variable binaria yki en cada
disyunción k adquiera valor 1). Finalmente, hay que indicar que en problemas no li-
neales y como consecuencia de la formulación de las restricciones en el método, en
los casos donde yki = 0 pueden tener lugar singularidades que dificultan la resolución
de dicho problema. este hecho puede mitigarse transformando la forma general de
las restricciones por la siguiente aproximación [152]:

ν ki
yki gki (ν ki /yki ) ≈ ((1 − ε)yki + ε)gki ( ) − εgki (0)(1 − yki ) (3.4.13)
(1 − ε)yki + ε

Donde ε es un pequeño número finito (approx. 10−5 ). esta aproximación es con-


vexa si gki (x) es convexa y produce un valor exacto tanto para yki = 0 como yki = 1.

89
3.4.Programación matemática

Finalmente, las Tablas 3.4.2 y 3.4.3 muestran un resumen de la reformulación de un


problema GDP utilizando tanto el método de M´Grande como el método de Envol-
vente Convexa en un problema lineal y no lineal respectivamente.

90
Tabla 3.4.2: Esquema Reformulaciones M-Grande y Envolvente Convexa de un Problema Lineal
Problema GDP Lineal

Disjunction GDP M-Grande Envolvente Convexa

minz = f (x) minz = f (x) minz = f (x)

s.a.r(x) ≤ 0 s.a.r(x) ≤ 0 s.a.r(x) ≤ 0

X
x= ν ki
i∈Dk k∈K
 
Aki x ≤ aki + M ki (1 − yki )
Yki k ∈ K, i ∈ Dk Aki ν ki ≤ aki y ki k ∈ K, i ∈ Dk
∨   k∈K X
i∈Dk Aki x ≤ aki yki = 1 k∈K xlo yki ≤ ν ki ≤ xup yki k ∈ K, i ∈ Dk
i∈Dk
X
yki = 1 k∈K
i∈Dk

Ω(Y ) = V erdadero Hx ≥ h Hx ≥ h

xlo ≤ x ≤ xup , x ∈ Rn xlo ≤ x ≤ xup , x ∈ Rn x ∈ Rn

Yki ∈ {V erdadero, F also} k ∈ K, i ∈ Dk yki ∈ {0, 1} k ∈ K, i ∈ Dk yki ∈ {0, 1} k ∈ K, i ∈ Dk

91
Capı́tulo 3. Introducción
92
Tabla 3.4.3: Esquema Reformulaciones M-Grande y Envolvente Convexa de un Problema No Lineal
Problema GDP No Lineal

Disjunction GDP M-Grande Envolvente Convexa

minz = f (x) minz = f (x) minz = f (x)

s.a.r(x) ≤ 0 s.a.r(x) ≤ 0 s.a.r(x) ≤ 0


3.4.Programación matemática

X
x= ν ki
i∈Dk k∈K
 
Yki gki (x) ≤ M ki (1 − yki ) k ∈ K, i ∈ Dk k ∈ K, i ∈ Dk
yki gki (ν ki /yki ) ≤ 0
∨   k∈K X
i∈Dk gki (x) ≤ 0 yki = 1 k∈K lo ki up k ∈ K, i ∈ Dk
x yki ≤ ν ≤ x yki
i∈Dk
X
yki = 1 k∈K
i∈Dk

Ω(Y ) = V erdadero Hx ≥ h Hx ≥ h
lo up n lo up n
x ≤x≤x , x∈R x ≤x≤x , x∈R x ∈ Rn

Yki ∈ {V erdadero, F also} k ∈ K, i ∈ Dk yki ∈ {0, 1} k ∈ K, i ∈ Dk yki ∈ {0, 1} k ∈ K, i ∈ Dk


Capı́tulo 3. Introducción

Como se puede deducir a partir de los métodos presentados, la reformulación CH


presenta un número mayor de variables que la reformulación M-Grande, como con-
secuencia de la disgregación de variables llevada a cabo. Además dicho método
aumenta el número de restricciones respecto a la M-Grande (dos nuevas ecuacio-
nes por cada variable disgregada y una ecuación extra que relaciona la variable
original con las variables disgregadas). Todo ello lleva a concluir que el método CH
genera problemas mayores que el método M-Grande. Sin embargo, tal y como de-
mostraron Grossmann y Lee [153]y Vecchietti et al. [154], la formulación CH consigue
acotar el problema más eficientemente (mejores relajaciones) cuando las variables
binarias son relajadas, reduciendo el espacio de búsqueda. Esta caracterı́stica es de
gran importancia ya que la eficacia de los algoritmos MiLP/MINLP depende conside-
rablemente de la calidad de estas relajaciones. En la figura 3.4.3 [151] se muestran
las relajaciones previstas por ambos métodos en el espacio de las variables continuas
para un problema GDP lineal compuesto por dos disyunciones (dos términos por dis-
yunción). Como se puede observar, mientras que esta región factible (cuadrados ra-
yados) es la misma para ambas formulaciones, las relajaciones continuas (área azul)
son diferentes, observándose una considerable reducción empleando CH respecto
a M-Grande.

Figura 3.4.3: Representación de la relajación utilizando M-Grande y Envolvente Con-


vexa

93
3.4.Programación matemática

3.4.6. Algoritmos computacionales

En las últimas dos décadas, el número de códigos para la resolución de problemas


MINLP se ha incrementado considerablemente. El código DICOPT [155] es un algorit-
mo utilizado en problemas MINLP basado en el algoritmo de aproximaciones exte-
riores con algunas diferencias y disponible en el sistema de modelado GAMS [156].
Como caracterı́sticas principales, este código utiliza un subproblema NLP relajado
para generar la primera linealización del problema Master (MILP) correspondiente a
la primera iteración, gracias a lo cual el usuario no necesita especificar un valor en-
tero inicial. Además y debido a que el lı́mite inferior riguroso del problema Máster no
puede ser garantizado, la búsqueda de la solución óptima de los problemas no con-
vexos se considera finalizada cuando no se encuentra mejora en los problemas NLP
factibles en dos iteraciones sucesivas. Esta heurı́stica funciona razonablemente bien
en la mayorı́a de los casos. Un código similar a DICOPT (basado en OA) pero imple-
mentado en AIMMS [157] es el programa AAOA. Algunos códigos que implementan
los métodos de ramificación y acotamiento resolviendo subproblemas NLP en cada
uno de los nodos incluyen: el MINLP BB basado en el algoritmo SQP [131] (“Sequential
Quadratic Programming”) e implementado en AMPL y el programa SBB implementa-
do en GAMS. El código α-ECP, disponible en GAMS, implementa el método de plano
de corte extendido de Westerlund y Pettersson [136] incluyendo la extensión de Wes-
terlund y Pörn [138]. El código MINOPT [158] también implementa los métodos OA y
GBD, y los aplica a optimización dinámica con variables enteras. Además de estos,
existen códigos de uso libre como Bonmin [159], el cual implementa los algoritmos
BB, OA y una extensión del LP-NLP en un única estructura. Otro código libre es FilMINT
[160], el cual implementa una variación del algoritmo LP-NLP basado en el método
de ramificación y acotamiento.

Como ya se ha comentado, la resolución de los problemas MINLP no es una tarea


trivial, especialmente comparado con los problemas MILP. La principal problemática
radica en la resolución de los subproblemas NLP, y por ello se han realizado grandes
esfuerzos con el fin de mejorar dicho problema. Algunos de los principales códigos
computacionales desarrollados incluyen CONOPT [161] que implementa el método
de gradiente reducido, SNOPT [162] que implementa el método de programación

94
Capı́tulo 3. Introducción

cuadrática sucesiva, y KNITRO [163] e IPOPT [164] los cuales implementan el método
de punto interior. El desarrollo de estos métodos hace posible actualmente resolver
modelos con miles de variables.

Sin embargo, y como consecuencia de que todos éstos se basan en el método


de Newton, son necesarios buenos puntos de partida para garantizar la convergen-
cia. Los métodos descritos hasta ahora solamente garantizan el óptimo global si el
modelo NLP es convexo. Sin embargo, la mayorı́a de los modelos NLP asociados a los
procesos industriales no son convexos, por ello es necesario aplicar métodos de op-
timización global rigurosa -basados en los métodos de ramificación y acotamiento-
para asegurar el óptimo global [165]. Algunos de estos códigos son: BARON [166],
LINDOGlobal [167], GloMIQO [168] y Couenne [169]. Sin embargo la aplicación de
los métodos de optimización global en problemas grandes (miles de ecuaciones y
variables) llega a ser muy costoso desde el punto de vista computacional. En conse-
cuencia, y teniendo en cuenta, tanto el problema de robustez de los algoritmos NLP
como el alto coste computacional de los algoritmos de optimización global para los
modelos MINLP, un enfoque que se utiliza a menudo es la reformulación del problema
MINLP a un problema MILP utilizando, por ejemplo, linealizaciones exactas o el uso de
aproximaciones lineales a trozos. El problema es que esta técnica sólo puede llevar-
se a cabo en relativamente pocos casos. En definitiva, y como solución aproximada
en la mayorı́a de los casos, se suele utilizar métodos como DICOPT o SBB para la re-
solución de problemas MINLP no convexos, aunque dichos métodos no aseguren la
solución óptima.

Referencias

[1] Gas, “Petrotecnia”. Instituto Argentino del Petróleo y del. Siglo XX: el siglo de la Energı́a.
Panorama energético del mundo y de la Argentina. Actualidad y futuro. http : / / www .
petrotecnia.com.ar. 2009.
[2] Petroleum, British. Statistical Review of World Energy 2012. http://www.bp.com/ statistical-
review. 2012.
[3] Agency, International Energy. World Energy Outlook 2012. http://www.worldenergyoutlook.
org//. 2012.
[4] Copenhagen, University of. International Scientific Congress Climate Change: Global Risks,
Challenges & Decisions — Synthesis Report, IARU (International Alliance of Research Uni-
versities). Inf. téc. University of Copenhagen, 2009.

95
3.4.REFERENCIAS

[5] WMO. WMO Greenhouse Gas Bulletin, The State of Greenhouse Gases in the Atmosphere
Using Global Observations through 2011 No 7. Inf. téc. World Meteorological Organization,
2011.
[6] WMO. WMO statement on the status of the global climate in 2011. Inf. téc. World Meteoro-
logical Organization, 2011.
[7] Climate Change (IPCC), Intergovernmental Panel on. http://www.ipcc.ch.
[8] Climate Change (IPCC), Intergovernmental Panel on. Informe Especial del IPCC: Escena-
rios de Emisiones. http://www.ipcc.ch/pdf/special-reports/spm/sres-sp.pdf. 2001.
[9] Nations, United. Kyoto Protocol to the United Nations Framework Convention on Climatwe
Change. Inf. téc. United Nations, 1998.
[10] Climate Change (UNFCCC), United Nations Framework Convention on. Copenhagen Ac-
cord, 18 December 2009. 2009.
[11] Science, EU Climate Change Expert Group. The 2°C target, Information Reference Docu-
ment. Inf. téc. European Commission, 2008.
[12] Abadia, J. Energı́a y Sostenibilidad. La Energı́a y el Medio Ambiente en la Unión Europea.
Inf. téc. ENDESA, 2006.
[13] Nelder, C. Efficiency: The Way to Close the Renewables Gap. Inf. téc. 2009 ASPO-USA Peak
Oil Conference, 2009.
[14] Trainer, F.E. Renewable Energy Cannot Sustain a Consumer Society. Springer London, Limi-
ted, 2007.
[15] Metz, B. y Climate Change. Working Group III., Intergovernmental Panel on. Carbon Dioxi-
de Capture and Storage: Special Report of the Intergovernmental Panel on Climate Chan-
ge. Cambridge University Press, 2005.
[16] Council, Coal Utilization Research e Institute, Electric Power Research. The CURC-EPRI 2012
Coal Technology Roadmap). Inf. téc. Coal Utilization Research Council, 2012.
[17] MIx, T.J., Dueck, J.S. y Weinberg, M. ((Energy conservation in distillation)). En: Chemical En-
gineering Progress 74 (1978), págs. 49-55.
[18] Humprey, J. ((Separation processes: Playing a critical role)). En: Chemical Engineering Pro-
gress 91 (1995), págs. 31-41.
[19] Engelien, H.K. y Skogestad, S. ((Selecting appropriate control variables for a heat-integrated
sistillation system with prefractionator)). En: Computers & Chemical Engineering 28 (2004),
págs. 683-691.
[20] Humphrey, J.L. y Siebert, A.F. ((Separation technologies: an opportunity for energy savings)).
En: Chemical Engineering Progress 91 (1992), págs. 31-41.
[21] Goldstine, H.H. The Computer from Pascal to von Neumann. Princeton University Press,
1993.
[22] White, J.A. Development of a Modified Pacer Simulation Program for Use in a Chemical
Engineering Curriculum. University of Kansas, Chemical y Petroleum Engineering, 1968.
[23] Braunschweig, B.L. y col. ((Process Modelling: The promise of open software architectures)).
En: Chemical Engineering Progress 96(9) (2000), págs. 65 -76.
[24] Kooijman, H.A. y Taylor, R. The ChemSep Book. Books on Demand, 2006.
[25] Sargent, R.W.H y Westerberg, A.W. ((“SPEEDUP” in Chemical Engineering Design)). En: Tran-
sactions of the Institution of Chemical Engineers 42 (1964), págs. 190-197.

96
Capı́tulo 3. Introducción

[26] Ledet, W.P. e Himmelblau, D.M. ((Decomposition Procedures for the Solving of Large Scale
Systems)). En: ed. por Thomas B. Drew Giles R. Cokelet, John W. Hoopes y Vermeulen, Theo-
dore. Vol. 8. Advances in Chemical Engineering. Academic Press, 1970, págs. 185 -254.
[27] Tarjan, R. ((Depth-First Search and Linear Graph Algorithms)). En: SIAM Journal on Compu-
ting 1.2 (1972), págs. 146-160.
[28] Kehat, E y Shacham, M. ((Chemical process simulation programs-2)). En: Process Techno-
logy International 18.3 (1973), págs. 115-118.
[29] Christensen, J.H. y Rudd, D.F. ((Structuring design computations)). En: AIChE Journal 15.1
(1969), págs. 94-100.
[30] Barkley, R.W. y Motard, R.L. ((Decomposition of nets)). En: The Chemical Engineering Journal
3.0 (1972), págs. 265 -275.
[31] Pho, T.K. y Lapidus, L. ((Topics in computer-aided design: Part I. An optimum tearing algo-
rithm for recycle systems)). En: AIChE Journal 19.6 (1973), págs. 1170-1181.
[32] Upadhye, R.S. y Grens, E.A. ((Selection of decompositions for chemical process simulation)).
En: AIChE Journal 21.1 (1975), págs. 136-143.
[33] De Hemptinne, J.C., Ledanois, J.M. y Mougin, P. Select Thermodynamic Models for Process
Simulation: A Practical Guide Using a Three Steps Methodology. Editions Technip, 2012.
[34] Kontogeorgis, G.M. y Folas, G.K. Thermodynamic Models for Industrial Applications: From
Classical and Advanced Mixing Rules to Association Theories. Wiley, 2009.
[35] Aspen Technology, Inc. Aspen Physical Property System - Physical Property Models. Inf. téc.
Aspen Technology, Inc., 2010.
[36] Galindo, A. y col. ((The thermodynamics of mixtures and the corresponding mixing rules in
the SAFT-VR approach for potentials of variable range)). En: Molecular Physics 93.2 (1998),
págs. 241-252.
[37] Gil-Villegas, A. y col. ((Statistical associating fluid theory for chain molecules with attractive
potentials of variable range)). En: J. Chem. Phys 106.10 (1997), págs. 4168-4186.
[38] Mukherji, D. y col. ((Kirkwood-Buff Analysis of Liquid Mixtures in an Open Boundary Simula-
tion)). En: Journal of Chemical Theory and Computation 8.2 (2012), págs. 375-379.
[39] King, C.J. ((From Unit Operations to Separation Processes)). En: Separation & Purification
Reviews 29.2 (2000), págs. 233-245.
[40] Rudd, D.F., Powers, G.J. y Siirola, J.J. Process Synthesis. Prentice Hall International Series in
the Physical and Chemical Engineering Sciences Series. Prentice-Hall, 1973.
[41] Barnicki, S.D. y Siirola, J.J. ((Process synthesis prospective)). En: Computers & Chemical En-
gineering 28.4 (2004), págs. 441 -446.
[42] Douglas, J. M. ((A hierarchical decision procedure for process synthesis)). En: AIChE Journal
31.3 (1985), págs. 353-362.
[43] Nishida, N., Stephanopoulos, G. y Westerberg, A.W. ((A review of process synthesis)). En:
AIChE Journal 27.3 (1981), págs. 321-351.
[44] Westerberg, A.W. ((A retrospective on design and process synthesis)). En: Computers & Che-
mical Engineering 28.4 (2004), págs. 447 -458.
[45] Yuan, Z., Chen, B. y Gani, R. ((Applications of process synthesis: Moving from conventional
chemical processes towards biorefinery processes)). En: Computers & Chemical Enginee-
ring 49.0 (2013), págs. 217 -229.

97
3.4.REFERENCIAS

[46] Harmsen, J. y col. ((Industrially applied process synthesis method creates synergy between
economy and sustainability)). En: Foundations of Computer-Aided Process Design. Ed. por
Malone, M. F., Trainham, J. A. y Carnahan, B. Vol. 323. AIChE Symposium Series. 2000,
págs. 364-366.
[47] Siirola, J.J. y Rudd, D.F. ((Computer-Aided Synthesis of Chemical Process Designs. From
Reaction Path Data to the Process Task Network)). En: Industrial & Engineering Chemistry
Fundamentals 10.3 (1971), págs. 353-362.
[48] Seader, J.D. y Westerberg, A.W. ((A combined heuristic and evolutionary strategy for synt-
hesis of simple separation sequences)). En: AIChE Journal 23.6 (1977), págs. 951-954.
[49] Douglas, J.M. Conceptual design of chemical processes. McGraw-Hill chemical enginee-
ring series. McGraw-Hill, 1988.
[50] Smith, R. y Linnhoff, B. ((The design of separators in the context of overall processes)). En:
Chemical Engineering Research and Design 66 (1988), págs. 195-228.
[51] Nath, R. y Motard, R. L. ((Evolutionary synthesis of separation processes)). En: AIChE Journal
27.4 (1981), págs. 578-587.
[52] Douglas, J.M. ((Process synthesis for waste minimization)). En: Industrial & Engineering Che-
mistry Research 31.1 (1992), págs. 238-243.
[53] Linninger, A.A. ((Metallurgical Process Design A Tribute to Douglas Conceptual Design Ap-
proach)). En: Industrial & Engineering Chemistry Research 41.16 (2002), págs. 3797-3805.
[54] Smith, R. Chemical process design and integration. Wiley, 2005.
[55] Grossmann, I.E. ((Mixed-integer programming approach for the synthesis of integrated pro-
cess flowsheets)). En: Computers & Chemical Engineering 9.5 (1985), págs. 463 -482.
[56] Grossmann, I.E. ((MINLP optimization strategies and algorithms for process synthesis)). En:
Proc. FOCAPD Meeting (1990), págs. 105 -132.
[57] Umeda, T., Hirai, A. e Ichikawa, A. ((Synthesis of optimal processing system by an integrated
approach)). En: Chemical Engineering Science 27.4 (1972), págs. 795 -804.
[58] Papoulias, S.A. y Grossmann, I.E. ((A structural optimization approach in process synthesis
II: Heat recovery networks)). En: Computers & Chemical Engineering 7.6 (1983), págs. 707
-721.
[59] Duran, M.A. y Grossmann, I.E. ((An outer-approximation algorithm for a class of mixed-
integer nonlinear programs)). En: Mathematical Programming 36 (3 1986), págs. 307-339.
[60] Kocis, G.R. y Grossmann, I.E. ((Relaxation strategy for the structural optimization of process
flowsheets)). En: Industrial & Engineering Chemistry Research 26.9 (1987), págs. 1869-1880.
[61] Yee, T.F. y Grossmann, I.E. ((Simultaneous optimization models for heat integration - II. Heat
exchanger network synthesis)). En: Comput. Chem. Eng. 14.10 (1990), págs. 1165 -1184.
[62] Friedler, F. y col. ((Graph-theoretic approach to process synthesis: Polynomial algorithm
for maximal structure generation)). En: Computers & Chemical Engineering 17.9 (1993),
págs. 929 -942.
[63] Yeomans, H. y Grossmann, I.E. ((A systematic modeling framework of superstructure optimi-
zation in process synthesis)). En: Computers & Chemical Engineering 23.6 (1999), págs. 709
-731.
[64] Papalexandri, K.P. y Pistikopoulos, E.N. ((Generalized modular representation framework for
process synthesis)). En: AIChE Journal 42.4 (1996), págs. 1010-1032.

98
Capı́tulo 3. Introducción

[65] Smith, E.M.B. y Pantelides, C.C. ((Design of reaction/separation networks using detailed
models)). En: Computers & Chemical Engineering 19, Supplement 1.0 (1995), págs. 83 -88.
[66] Grossmann, I.E., Aguirre, P.A. y Barttfeld, M. ((Optimal synthesis of complex distillation co-
lumns using rigorous models)). En: Comput. Chem. Eng. 29.6 (2005), págs. 1203 -1215.
[67] Bedenik, N.I., Pahor, B. y Kravanja, Z. ((An integrated strategy for the hierarchical multi-
level MINLP synthesis of overall process flowsheets using the combined synthesis/analysis
approach)). En: Computers & Chemical Engineering 28.5 (2004), págs. 693 -706.
[68] Ponce-Ortega, J.M. y col. ((A property-based approach to the synthesis of material con-
servation networks with economic and environmental objectives)). En: AIChE Journal 57.9
(2011), págs. 2369-2387.
[69] Daichendt, M.M. y Grossmann, I.E. ((Integration of hierarchical decomposition and mathe-
matical programming for the synthesis of process flowsheets)). En: Computers & Chemical
Engineering 22.1-2 (1998), págs. 147 -175.
[70] Jaksland, C.A., Gani, R. y Lien, K.M. ((Separation process design and synthesis based on
thermodynamic insights)). En: Chemical Engineering Science 50.3 (1995), págs. 511 -530.
[71] Hostrup, M. y col. ((Integration of thermodynamic insights and MINLP optimization for the
synthesis, design and analysis of process flowsheets)). En: Computers & Chemical Enginee-
ring 23, Supplement.0 (1999), S23 -S26.
[72] Kravanja, Z. y Grossmann, I.E. ((Multilevel-hierarchical MINLP synthesis of process flowsheets)).
En: Computers & Chemical Engineering 21, Supplement.0 (1997), S421 -S426.
[73] Verheyen, W. y Zhang, N. ((Design of flexible heat exchanger network for multi-period ope-
ration)). En: Chemical Engineering Science 61.23 (2006), págs. 7730 -7753.
[74] Tay, D.H.S. y col. ((Synthesis of an integrated biorefinery via the C–H–O ternary diagram)).
En: Clean Technologies and Environmental Policy 13.4 (2011), págs. 567-579.
[75] Tay, D.H.S. y col. ((Fuzzy Optimization Approach for the Synthesis of a Sustainable Integrated
Biorefinery)). En: Industrial & Engineering Chemistry Research 50.3 (2011), págs. 1652-1665.
[76] El-Halwagi, M.M. y Manousiouthakis, V. ((Simultaneous synthesis of mass-exchange and re-
generation networks)). En: AIChE Journal 36.8 (1990), págs. 1209-1219.
[77] Foo, D.C.Y. ((State–of–the-Art Review of Pinch Analysis Techniques for Water Network Synt-
hesis)). En: Industrial & Engineering Chemistry Research 48.11 (2009), págs. 5125-5159.
[78] Ahmetovic, E. y Grossmann, I.E. ((Global superstructure optimization for the design of inte-
grated process water networks)). En: AIChE Journal 57.2 (2011), págs. 434-457.
[79] Ahmetovic, E., Martı́n, M. y Grossmann, I.E. ((Optimization of Energy and Water Consum-
ption in Corn-Based Ethanol Plants)). En: Industrial & Engineering Chemistry Research 49.17
(2010), págs. 7972-7982.
[80] Martı́n, M. y Grossmann, I.E. ((Process Optimization of FT–Diesel Production from Lignocellu-
losic Switchgrass)). En: Ind. Eng. Chem. Res.r 50.23 (2011), págs. 13485-13499.
[81] Anderson, J.L. Process synthesis. Advances in Chemical Engineering Series. ACADEMIC
PressINC, 1998.
[82] Ciric, A.R. y Gu, D. ((Synthesis of nonequilibrium reactive distillation processes by MINLP
optimization)). En: AIChE Journal 40.9 (1994), págs. 1479-1487.
[83] Ropotar, M. y col. ((MINLP Synthesis of Reactive Distillation Using a Disjunctive, Hybrid Mo-
del)). En: 10th International Symposium on Process Systems Engineering: Part A. Ed. por Brito

99
3.4.REFERENCIAS

Alves, Caludio Augusto Oller do Nascimento Rita Maria de y Biscaia, Evaristo Chalbaud.
Vol. 27. Computer Aided Chemical Engineering. Elsevier, 2009, págs. 543 -548.
[84] Franke, M.B. y col. ((Design and optimization of a hybrid distillation/melt crystallization pro-
cess)). En: AIChE Journal 54.11 (2008), págs. 2925-2942.
[85] Kraemer, K., Kossack, S. y Marquardt, W. ((Efficient Optimization-Based Design of Distillation
Processes for Homogeneous Azeotropic Mixtures)). En: Industrial & Engineering Chemistry
Research 48.14 (2009), págs. 6749-6764.
[86] Giridhar, A. y Agrawal, R. ((Synthesis of distillation configurations: I. Characteristics of a good
search space)). En: Computers & Chemical Engineering 34.1 (2010), págs. 73 -83.
[87] Giridhar, A. y Agrawal, R. ((Synthesis of distillation configurations. II: A search formulation for
basic configurations)). En: Computers & Chemical Engineering 34.1 (2010), págs. 84 -95.
[88] Agrawal, R. ((Synthesis of Distillation Column Configurations for a Multicomponent Separa-
tion)). En: Industrial & Engineering Chemistry Research 35.4 (1996), págs. 1059-1071.
[89] Caballero, J.A. y Grossmann, I.E. ((Generalized Disjunctive Programming Model for the Op-
timal Synthesis of Thermally Linked Distillation Columns)). En: Industrial & Engineering Che-
mistry Research 40.10 (2001), págs. 2260-2274.
[90] Caballero, J.A. y Grossmann, I.E. ((Logic–based methods for generating and optimizing
thermally coupled distillation systems)). En: European Symposium on Computer Aided Pro-
cess Engineering-12 35th European Symposium of the Working Party on Computer Aided
Process Engineering. Ed. por Grievink, Johan y Schijndel, Jan van. Vol. 10. Computer Aided
Chemical Engineering. Elsevier, 2002, págs. 169 -174.
[91] Caballero, J.A. y Grossmann, I.E. ((Thermodynamically equivalent configurations for ther-
mally coupled distillation)). En: AIChE Journal 49.11 (2003), págs. 2864-2884.
[92] Caballero, J.A. y Grossmann, I.E. ((Design of distillation sequences: from conventional to
fully thermally coupled distillation systems)). En: Computers & Chemical Engineering 28.11
(2004), págs. 2307 -2329.
[93] Caballero, J.A. y Grossmann, I.E. ((Structural Considerations and Modeling in the Synthesis
of Heat-Integrated−Thermally Coupled Distillation Sequences)). En: Industrial & Enginee-
ring Chemistry Research 45.25 (2006), págs. 8454-8474.
[94] Agrawal, R. ((A Method to Draw Fully Thermally Coupled Distillation Column Configura-
tions for Multicomponent Distillation)). En: Chemical Engineering Research and Design 78.3
(2000), págs. 454 -464.
[95] Agrawal, R. ((Synthesis of multicomponent distillation column configurations)). En: AIChE
Journal 49.2 (2003), págs. 379-401.
[96] Rong, B.G., Kraslawski, A. y Nyström, L. ((The synthesis of thermally coupled distillation flows-
heets for separations of five-component mixtures)). En: Computers & Chemical Engineering
24.2–7 (2000), págs. 247 -252.
[97] Rong, B.G., Kraslawski, A. y Nyström, L. ((Design and synthesis of multicomponent thermally
coupled distillation flowsheets)). En: Comput. Chem. Eng. 25.4-6 (2001), págs. 807-820.
[98] Rong, B.G., Kraslawski, A. y Turunen, I. ((Synthesis of Functionally Distinct Thermally Coupled
Configurations for Quaternary Distillations)). En: Industrial & Engineering Chemistry Research
42.6 (2003), págs. 1204-1214.
[99] Lakshmanan, A. y Biegler, L.T. ((Synthesis of Optimal Chemical Reactor Networks)). En: In-
dustrial & Engineering Chemistry Research 35.4 (1996), págs. 1344-1353.

100
Capı́tulo 3. Introducción

[100] Kokossis, A.C. y Floudas, C.A. ((Stability in optimal design: Synthesis of complex reactor
networks)). En: AIChE Journal 40.5 (1994), págs. 849-861.
[101] Zhao, X. y Marquardt, W. ((Constructive nonlinear dynamics for reactor network synthe-
sis with guaranteed robust stability)). En: 21st European Symposium on Computer Aided
Process Engineering. Ed. por E.N. Pistikopoulos, M.C. Georgiadis y Kokossis, A.C. Vol. 29.
Computer Aided Chemical Engineering. Elsevier, 2011, págs. 387 -391.
[102] d’Anterroches, L. y Gani, R. ((Group contribution based process flowsheet synthesis, design
and modelling)). En: Fluid Phase Equilibria 228-229.0 (2005), págs. 141 -146.
[103] Proios, P., Goula, N.F. y Pistikopoulos, E.N. ((Generalized modular framework for the synthesis
of heat integrated distillation column sequences)). En: Chemical Engineering Science 60.17
(2005), págs. 4678 -4701.
[104] Alvarado-Morales, M. y col. ((Biorefining: Computer aided tools for sustainable design and
analysis of bioethanol production)). En: Chemical Engineering Research and Design 87.9
(2009), págs. 1171 -1183.
[105] Alvarado-Morales, M. y col. ((A model-based methodology for simultaneous design and
control of a bioethanol production process)). En: Computers & Chemical Engineering 34.12
(2010), págs. 2043 -2061.
[106] Stankiewicz, A. y Moulijn, J.A. Re-Engineering the Chemical Processing Plant: Process Inten-
sification. Chemical Industries. Taylor & Francis, 2003.
[107] Becht, S. y col. ((An industrial view of process intensification)). En: Chemical Engineering
and Processing: Process Intensification 48.1 (2009), págs. 329 -332.
[108] Harmsen, G.J. ((Reactive distillation: The front-runner of industrial process intensification:
A full review of commercial applications, research, scale-up, design and operation)). En:
Chemical Engineering and Processing: Process Intensification 46.9 (2007), págs. 774 -780.
[109] Grossmann, I.E., Yeomans, H. y Kravanja, Z. ((A rigorous disjunctive optimization model for
simultaneous flowsheet optimization and heat integration)). En: Computers & Chemical
Engineering 22, Supplement 1.0 (1998), S157 -S164.
[110] Dantzig, G.B. y Thapa, M.N. Linear Programming 1: Introduction. Linear Programming. Sprin-
ger, 1997.
[111] Dantzig, G.B., Orden, A. y Wolfe, P. ((The generalized simplex method for minimizing a li-
near form under linear inequality restraints)). En: Pacific Journal of Mathematics 5.2 (1955),
págs. 183-195.
[112] Nash, J.C. ((The (Dantzig) simplex method for linear programming)). En: Computing in Scien-
ce Engineering 2.1 (2000), págs. 29-31.
[113] Karmarkar, N. ((A new polynomial-time algorithm for linear programming)). En: Proceedings
of the sixteenth annual ACM symposium on Theory of computing. STOC ’84. New York, NY,
USA: ACM, 1984, págs. 302-311.
[114] Adler, I. y col. ((An implementation of Karmarkar’s algorithm for linear programming)). En-
glish. En: Mathematical Programming 44.1-3 (1989), págs. 297-335.
[115] Caballero, J.A., Odjo, A. y Grossmann, I.E. ((Flowsheet optimization with complex cost and
size functions using process simulators)). En: AIChE Journal 53.9 (2007), págs. 2351-2366.
[116] Hooke, R. y Jeeves, T.A. ((“Direct Search” Solution of Numerical and Statistical Problems)).
En: J. ACM 8.2 (abr. de 1961), págs. 212-229.

101
3.4.REFERENCIAS

[117] Nelder, J.A. y Mead, R. ((A Simplex Method for Function Minimization)). En: The Computer
Journal 7.4 (1965), págs. 308-313.
[118] Luus, R. y Jaakola, T.H.I. ((A direct approach to optimization of a complex system)). En:
AIChE Journal 19.3 (1973), págs. 645-646.
[119] Holland, J.H. Adaptation in natural and artificial systems: an introductory analysis with ap-
plications to biology, control, and artificial intelligence. University of Michigan Press, 1975.
[120] Laarhoven, P.J. van y Aarts, E.H. Simulated Annealing: Theory and Applications. Mathema-
tics and Its Applications. Springer, 1987.
[121] Biegler, L.T. y Grossmann, I.E. ((Retrospective on optimization)). En: Computers & Chemical
Engineering 28.8 (2004), págs. 1169 -1192.
[122] Binder, T. y col. ((Introduction to Model Based Optimization of Chemical Processes on Mo-
ving Horizons)). English. En: Online Optimization of Large Scale Systems. Springer Berlin Hei-
delberg, 2001, págs. 295-339.
[123] Han, S.P. ((Superlinearly convergent variable metric algorithms for general nonlinear pro-
gramming problems)). English. En: Mathematical Programming 11.1 (1976), págs. 263-282.
[124] Powell, M.J.D. ((A fast algorithm for nonlinearly constrained optimization calculations)). En:
Numerical Analysis. Ed. por Watson, G.A. Vol. 630. Lecture Notes in Mathematics. Springer
Berlin Heidelberg, 1978, págs. 144-157.
[125] Frank, M. y Wolfe, P. ((An algorithm for quadratic programming)). En: Naval Research Logis-
tics Quarterly 3.1-2 (1956), págs. 95-110.
[126] Biegler, L.T. Nonlinear Programming: Concepts, Algorithms, and Applications to Chemical
Processes. SIAM e-books. Society for Industrial y Applied Mathematics (SIAM, 3600 Market
Street, Floor 6, Philadelphia, PA 19104), 2010.
[127] Floudas, C.A. Nonlinear and Mixed-Integer Optimization: Fundamentals and Applications.
Topics in Chemical Engineering. Oxford University Press, USA, 1995.
[128] Griva, I.N.S.S.A. Linear and Nonlinear Optimization, 2nd Edition. Society for Industrial y Ap-
plied Mathematics (SIAM, 3600 Market Street, Floor 6, Philadelphia, PA 19104), 2009.
[129] Dakin, R.J. ((A tree-search algorithm for mixed integer programming problems)). En: The
Computer Journal 8.3 (1965), págs. 250-255.
[130] Nemhauser, G.L. y Wolsey, L.A. Integer and combinatorial optimization. Wiley-Interscience
series in discrete mathematics and optimization. Wiley, 1988.
[131] Leyffer, S. ((Integrating SQP and Branch-and-Bound for Mixed Integer Nonlinear Program-
ming)). En: Computational Optimization and Applications 18 (3 2001), págs. 295-309.
[132] Gupta, O.K. y Ravindran, A. ((Branch and Bound Experiments in Convex Nonlinear Integer
Programming)). En: Management Science 31.12 (1985), págs. 1533-1546.
[133] Geoffrion, A.M. ((Generalized Benders decomposition)). En: Journal of Optimization Theory
and Applications 10 (4 1972), págs. 237-260.
[134] Fletcher, R. y Leyffer, S. ((Solving mixed integer nonlinear programs by outer approximation)).
En: Mathematical Programming 66.1-3 (1994), págs. 327-349.
[135] Quesada, I. y Grossmann, I.E. ((An LP/NLP based branch and bound algorithm for convex
MINLP optimization problems)). En: Computers & Chemical Engineering 16 (1992), págs. 937
-947.

102
Capı́tulo 3. Introducción

[136] Westerlund, T. y Pettersson, F. ((An extended cutting plane method for solving convex MINLP
problems)). En: Computers & Chemical Engineering 19, Supplement 1.0 (1995), págs. 131
-136.
[137] Westerlund, T. y col. ((An extended cutting plane method for a class of non-convex MINLP
problems)). En: Computers & Chemical Engineering 22.3 (1998), págs. 357 -365.
[138] Westerlund, T. y Pörn, R. ((Solving Pseudo-Convex Mixed Integer Optimization Problems by
Cutting Plane Techniques)). En: Optimization and Engineering 3.3 (2002), págs. 253-280.
[139] Balas, E. ((Disjunctive Programming and a Hierarchy of Relaxations for Discrete Optimization
Problems)). En: SIAM Journal on Algebraic Discrete Methods 6.3 (1985), págs. 466-486.
[140] Beaumont, N. ((An algorithm for disjunctive programs)). En: European Journal of Operatio-
nal Research 48.3 (1990), págs. 362 -371.
[141] Raman, R. y Grossmann, I.E. ((Symbolic integration of logic in mixed-integer linear program-
ming techniques for process synthesis)). En: Computers & Chemical Engineering 17.9 (1993),
págs. 909 -927.
[142] Raman, R. y Grossmann, I.E. ((Modelling and computational techniques for logic based
integer programming)). En: Computers & Chemical Engineering 18.7 (1994), págs. 563 -578.
[143] Turkay, M. y Grossmann, I.E. ((Logic-based MINLP algorithms for the optimal synthesis of
process networks)). En: Computers & Chemical Engineering 20.8 (1996), págs. 959 -978.
[144] Hooker, J.N. y Osorio, M.A. ((Mixed Logical Linear Programming)). En: Discrete Applied Mat-
hematics 96–97 (1999), págs. 395-442.
[145] Hooker, J. Logic-Based Methods for Optimization: Combining Optimization and Constraint
Satisfaction. Wiley Series in Discrete Mathematics and Optimization. Wiley, 2000.
[146] Lee, S. y Grossmann, I.E. ((New algorithms for nonlinear generalized disjunctive program-
ming)). En: Computers & Chemical Engineering 24.9–10 (2000), págs. 2125-2141.
[147] Williams, H.P. Model Building in Mathematical Programming. Wiley, 2013.
[148] Biegler, L.T., Grossmann, I.E. y Westerberg, A.W. Systematic methods of chemical process
design. Prentice-Hall international series in the physical and chemical engineering scien-
ces. Prentice Hall PTR, 1997.
[149] Clocksin, W.F. y Mellish, C.S. Programming in Prolog. Springer Berlin Heidelberg, 2003.
[150] Raman, R. y Grossmann, I.E. ((Relation between MILP modelling and logical inference for
chemical process synthesis)). En: Computers & Chemical Engineering 15.2 (1991), págs. 73
-84.
[151] Grossmann, I.E. y Trespalacios, F. ((Systematic modeling of discrete-continuous optimization
models through generalized disjunctive programming)). En: AIChE Journal (2013), n/a-n/a.
[152] Sawaya, N. y Grossmann, I.E. ((Thesis: “Reformulations, Relaxations and Cutting Planes for
Generalized Disjunctive Programming”)). En: Carnegie Mellon University (2006).
[153] Grossmann, I.E. y Lee, S. ((Generalized Convex Disjunctive Programming: Nonlinear Con-
vex Hull Relaxation)). English. En: Computational Optimization and Applications 26.1 (2003),
págs. 83-100.
[154] Vecchietti, A., Lee, A. y Grossmann, I.E. ((Modeling of discrete/continuous optimization pro-
blems: characterization and formulation of disjunctions and their relaxations)). En: Compu-
ters & Chemical Engineering 27.3 (2003), págs. 433 -448.

103
3.4.REFERENCIAS

[155] Viswanathan, J. y Grossmann, I.E. ((A combined penalty function and outer-approximation
method for {MINLP} optimization)). En: Computers & Chemical Engineering 14.7 (1990),
págs. 769 -782.
[156] Brooke, A. y col. GAMS: A User’s Guide. GAMS Development Corporation, 1998.
[157] Bisschop, J. y Roelofs, M. Aimms Language Reference. Lulu Enterprises Incorporated, 2006.
[158] Schweiger, C.A. y Floudas, C.A. ((Process Synthesis, Design, And Control: A Mixed-Integer
Optimal Control Framework)). En: Proceedings of DYCOPS-5 on Dynamics and Control of
Process Systems (1998), págs. 189-194.
[159] Bonami, P. y col. ((An algorithmic framework for convex mixed integer nonlinear programs)).
En: Discret. Optim. 5.2 (mayo de 2008), págs. 186-204.
[160] Abhishek, K., Leyffer, S. y Linderoth, J. ((FilMINT: An Outer Approximation-Based Solver for
Convex Mixed-Integer Nonlinear Programs)). En: INFORMS Journal on Computing 22.4 (2010),
págs. 555-567.
[161] Drud, A. ((CONOPT: A GRG code for large sparse dynamic nonlinear optimization pro-
blems)). En: Mathematical Programming 31.2 (1985), págs. 153-191.
[162] Gill, P., Murray, W. y Saunders, M. ((SNOPT: An SQP Algorithm for Large-Scale Constrained
Optimization)). En: SIAM Journal on Optimization 12.4 (2002), págs. 979-1006.
[163] Byrd, R., Hribar, M. y Nocedal, J. ((An Interior Point Algorithm for Large-Scale Nonlinear Pro-
gramming)). En: SIAM Journal on Optimization 9.4 (1999), págs. 877-900.
[164] Wächter, A. y Biegler, L.T. ((On the implementation of an interior-point filter line-search algo-
rithm for large-scale nonlinear programming)). En: Math. Program. 106.1 (mayo de 2006),
págs. 25-57.
[165] Tawarmalani, M. y Sahinidis, N.V. Convexification and Global Optimization in Continuous
and Mixed-Integer Nonlinear Programming: Theory, Algorithms, Software, and Applica-
tions. Nonconvex Optimization and Its Applications. Springer, 2002.
[166] Sahinidis, N.V. ((BARON: A general purpose global optimization software package)). En:
Journal of Global Optimization 8.2 (1996), págs. 201-205.
[167] Inc., Lindo Systems. ((LINDOGlobal Solver)). En: (2010).
[168] Misener, R. y Floudas, C.A. ((GloMIQO: Global mixed-integer quadratic optimizer)). En: Jour-
nal of Global Optimization (mar. de 2012), págs. 1-48.
[169] Belotti, P. y col. ((Branching and bounds tighteningtechniques for non-convex MINLP)). En:
Optimization Methods Software 24.4-5 (ago. de 2009), págs. 597-634.

104
CAPITULO 4

Resultados

105
Capı́tulo 4. Resultados

Capı́tulo 4. Resultados
Los resultados de la presente tesis se recogen en este capı́tulo. En total se presen-
tan tres trabajos publicados en diversas revistas de difusión internacional y dos últimos
trabajos pendientes de publicación.

Publicación I: “Strategies for the robust simulation of thermally coupled disti-


llation sequences” Navarro-Amorós, M.A., Javaloyes, J., Caballero, J.A., Gross-
mann, I.E. (2012) Computers & Chemical Engineering, 36, pp.149-159

Publicación II: “A new technique for recovering energy in thermally coupled dis-
tillation using vapor recompression cycles”. Navarro-Amorós, M.A., Ruiz-Femenia,
R., Caballero, J.A., (2013) AIChE Journal, Article published online: Jun-2013

Publicación III: “An alternative disjunctive optimization model for heat integra-
tion with variable temperatures”. Autores: Navarro-Amorós, M.A., Caballero,
J.A., Ruiz-Femenia, R., Grossmann, I.E. (2013) Computers & Chemical Enginee-
ring, 56, pp. 12-26

Anexo I: “Integration of different models in the design of chemical processes:


Application to the design of a Power Plant”. Enviado y en revisión en Applied
Energy.

Anexo II: “Integration of modular process simulators under the Generalized Dis-
junctive Programming framework for the structural flowsheet optimization”. En-
viado y en revisión en Computers & Chemical Engineering.

A continuación se presentan las publicaciones que forman esta tesis doctoral, ca-
da una de ellas precedida por una breve introducción en la que se destacan las
conclusiones más relevantes obtenidas.

107
Capı́tulo 4. Resultados

4.1 Publicación I: Strategies for the robust simulation of ther-


mally coupled distillation sequences

Uno de los procesos dentro de la industria quı́mica que más energı́a consumen
es la destilación. Concretamente, el consumo energético de ésta se cifra entorno al
3 % del consumo energético mundial [1]. Generalmente, los sistemas de destilación
emplean columnas convencionales (un alimento, dos productos, caldera y conden-
sador. El principal problema radica en el hecho de que dichas configuraciones son
energéticamente ineficientes, debido a la irreversibilidad termodinámica asociada a
la mezcla de corrientes tanto en la zona de alimentación como las zonas de cabeza
(condensador) y cola (caldera) de la columna [2]. Esta ineficiencia es intrı́nseca a
cualquier separación de mezclas que presenten componentes con volatilidades in-
termedias a la de los compuestos a separar. Estudios teóricos desarrollados por Petlyuk
et al. [2] mostraron que dicha ineficiencia puede ser mejorada mediante la sustitución
de ciertos intercambiadores (calderas o condensadores) por una serie de corrientes
entre varias columnas del sistema(“Acoplamiento Térmico”) (TCD) 1 . Diferentes inves-
tigadores [3-7] han mostrado que los sistemas TCD son capaces de conseguir ahorros
de energı́a de alrededor del 30 % comparados con los sistemas de columnas con-
vencionales de destilación. Además, Halvorsen y Skogestad [8-10] probaron que el
consumo energético mı́nimo para la separación de una mezcla ideal de N compo-
nentes era obtenido mediante configuraciones con acoplamiento térmico total.

Desde un punto de vista estructural, las configuraciones TCD son mucho más com-
plejas que las construidas únicamente con columnas convencionales. El estudio de
este tipo de configuraciones suele ser extraordinariamente complejo debido al gran
número de recirculaciones existentes entre columnas. Generalmente, la resolución de
este tipo de sistemas implica la realización de numerosos cálculos iterativos. Además
la mayorı́a de los estudios sobre secuencias de columnas TCD han sido realizados uti-
lizando modelos aproximados, como es el método Fenske-Underwood-Gilliland [11].
Y aunque estos modelos son lo suficientemente precisos para identificar y compa-
1
Acrónimo del inglés “Thermally Coupled Distillation”

109
4.1.Strategies for the robust simulation of TCD

rar diferentes alternativas, se necesitan modelos para verificar la exactitud de estos


modelos aproximados y poder realizar diseños más detallados.

Un herramienta básica en el estudio de este tipo de sistemas son los simulado-


res de procesos quı́micos. Generalmente, la mayorı́a incluyen módulos de columnas
de destilación, incluso columnas tipo Petlyuk. Sin embargo, la simulación de sistemas
TCD compuestos por dos o más columnas es bastante complicado. La presencia del
gran número de recirculaciones existentes son responsables de la gran dificultad de
convergencia de estos sistemas en un simulador, necesitándose, en la mayorı́a de los
casos, buenos valores iniciales próximos a la solución final para converger el sistema.
En conclusión, la presencia de un gran número de recirculaciones ralentiza y dificulta
considerablemente la simulación y el estudio de los sistemas TCD.

El objetivo del presente trabajo es el desarrollo de una nueva estrategia que me-
jore y facilite la simulación de este tipo de sistemas de destilación. La idea básica es
la de evitar o sustituir la estructura cı́clica (corrientes recirculadas) en el diagrama de
flujo de los sistemas TCD, por una configuración acı́clica.

La idea parte de los estudios realizados por Carlberg y Westerberg [12, 13], quienes
probaron, utilizando modelos aproximados (Método de Underwood), que en un siste-
ma TCD, las dos corrientes que conectan el sector de rectificación de una columna
A con una columna B son equivalentes a una única corriente de vapor sobrecalenta-
do, cuyo flujo es el flujo neto entre ambas. El problema de esta configuración es que
el grado de sobrecalentamiento y/o subenfriamiento pueden ser extremadamente
altos, llegando a presentar valores sin sentido fı́sico, y como consecuencia, esta es-
trategia no siempre se puede aplicar en un simulador. La solución aportada en este
trabajo es la sustitución de las corrientes sobrecalentada y subenfriada por una com-
binación de una corriente de materia y una corriente de energı́a, evitándose los pro-
blemas de sobrecalentamiento y/o subenfriamiento y consiguiendo la configuración
acı́clica deseada.

Para estudiar y validar la estrategia propuesta se estudiaron diferentes sistemas


con diferente número de componentes. Los sistemas estudiados incluyen: mezclas de
hidrocarburos (C4s-C5s-C6s), aromáticos (BTX), alcoholes, sistemas azeotrópicos no
ideales (acetona, benceno, cloroformo) y sistemas que contienen 4 y 5 componen-

110
Capı́tulo 4. Resultados

tes. Además se estudiaron varias configuraciones termodinámicamente equivalentes


de diferentes columnas. Todos los ejemplos han sido realizados utilizando como si-
mulador, Aspen-Hysys. Finalmente, para comprobar el correcto funcionamiento de
sistema acı́clico respecto al sistema cı́clico, se comparan tanto los calores necesarios
en condensador y caldera como los flujos internos de las corrientes en cada una de
las columnas del sistema.

En todos los casos estudiados, los resultados (configuración acı́clica) son muy próxi-
mos a los obtenidos al realizar la simulación rigurosa (configuración cı́clica) del siste-
ma, presentando errores medios por debajo del 2 % para mezclas de 3 componentes.
El error medio se incrementa ligeramente al incrementar el número de componentes,
debido principalmente a la propagación del error como consecuencia del aumento
de los acoplamientos térmicos en el sistema. Sin embargo, en todos los casos, esta
estrategia proporciona excelentes resultados comparados con los obtenidos con la
simulación rigurosa. Por otro parte, esta estrategia proporciona excelentes puntos de
partida son obtenidos para la simulación rigurosa. En conclusión, esta nueva técni-
ca permite estudiar la separación de mezclas de 3, 4 o 5 componentes mediante
secuencias de columnas de destilación acopladas térmicamente de forma rápida y
sencilla comparados con los métodos actuales de simulación.

111
4.1.Strategies for the robust simulation of TCD

Strategies for the robust simulation of thermally coupled distillation


sequences

Miguel A. Navarro, Juan Javaloyes, José A. Caballero, Ignacio E. Grossmann

Computers & Chemical Engineering, 36 (2012), pp.149-159

Abstract

This paper presents a novel strategy for the simulation of thermally coupled dis-
tillation sequences using process simulators. First, we show that the two side stream
connections involved in a ‘thermal couple’ can be accurately substituted by a combi-
nation of a material stream and heat flow; enabling a sequence of thermally coupled
distillation columns to be simulated without recycle streams, similar to conventional
simulations of zeotropic distillation sequences. In fact, using this method, a sequence
of thermally coupled distillation columns is not more difficult to converge than other
distillation systems without recycles. Furthermore, in most cases, this approach introdu-
ces negligible errors, and provides excellent starting points for rigorous simulations of
actual thermally coupled systems with recycle streams. Different examples, including
mixtures of hydrocarbons (C4s–C5s–C6s), aromatics (BTX), alcohols, non-ideal azeotro-
pic systems (acetone, benzene, chloroform) and systems involving 4 or 5 components
are presented. In addition, various thermodynamically equivalent configurations, co-
rresponding to different alternatives for implementing this approach, are discussed.

Keywords

Distillation, Simulation, Thermally coupled distillation

112
Capı́tulo 4. Resultados

4.1.1. Introduction

Sustainable process development encourages the pursuit of designs that make


efficient use of energy. Distillation processes consume approximately 3 % of the total
global energy [1]. However, separation sequences using conventional columns (a sin-
gle feed, two product streams, condenser and reboiler) suffer from an inherent ineffi-
ciency, caused by the thermodynamic irreversibility associated with stream mixing at
the feed, top, and bottom of the column [2]. This inefficiency is intrinsic to any sepa-
ration that involves an intermediate boiling component, and can be generalized for
an N-component mixture. Theoretical studies developed by Petlyuk et al. [2] showed
that this inefficiency can be improved by removing some heat exchangers, and by in-
troducing thermal coupling between the columns. In fact, the fully thermally coupled
configuration for separating a three component mixture is named a Petlyuk configu-
ration, in honor of F. Petlyuk. However, since the advent of that pioneer work, interest
in thermally coupled distillation (TCD) declined until the end of the 1980s, when the
operation of a divided wall column (DWC) by BASF [14] renewed interest in thermally
coupled distillation. Moreover, several researchers [3-7, 15] have since shown that TCDs
are typically capable of achieving a 30 % reduction in energy use compared to con-
ventional systems. In addition, Halvorsen and Skogestad [8-10] proved that the mi-
nimum energy consumption for an ideal N component mixture is obtainable in fully
thermally coupled configurations.

However, from a structural point of view, thermally coupled configurations are much
more complex than sequences of conventional columns. In a seminal paper, Agrawal
[16] established the theoretical basis behind fully thermally coupled (FTC) systems. If
we take into account all possible alternatives, from conventional to FTC distillation sys-
tems, including all intermediate alternatives, the situation becomes even more com-
plex. A method for the systematic generation of all of these alternatives was proposed
by Caballero and Grossmann [17, 18], using logical relationships and mathematical
programming; while Agrawal [19, 20], and Rong et al. [21-23], among others, proposed
a method to accomplish the same task using alternative conceptual enumeration. In
addition, different researchers have proposed alternatives that were not previously
considered, such as: structures with a reduced number of column sections [24]; struc-

113
4.1.Strategies for the robust simulation of TCD

tures with duplicate key components [23]; structures with duplicate separation tasks
[25]; and modifications designed to enable better control, while maintaining nearly
the same level of performance over a large range of operational conditions [26, 27].
Other proposed modifications include a reduction in column interconnections, which
was hypothesized to provide better controllability [28]. However, later studies showed
that reducing the number of interconnections does not necessarily provide opera-
tional advantages over modified and simpler structural designs [29, 30]. In particular,
Segovia-Hernández et al. [30] compared the control properties of six alternative ther-
mally coupled distillation schemes to the Petlyuk system; and found that reducing the
number of interconnections in the Petlyuk configuration does not necessarily improve
its controllability. The magnitude of the problem can be understood by considering
that there are more than 105 alternatives for separating a 5 component mixture into
its pure components [17, 31].

An important reason why TCD systems were “forgotten”, in spite of their clear ad-
vantages, is the lack of confidence in the controllability of these systems. However,
the controllability of TCD systems is similar to, and in some cases better than, systems
consisting only of conventional columns. The controllability of these systems has been
analyzed by many researchers [32-42].

Most of the studies performed on TCD sequences were conducted using shortcut
models, such as the Fenske–Underwood–Gilliland method [11]. Although these ap-
proaches are accurate enough to identify and compare promising alternatives; a
more rigorous simulation is necessary to verify the accuracy of these shortcut models,
and enable more detailed designs.

Most chemical process simulators include side columns, or even Petlyuk-like confi-
gurations. However, simulation of thermally coupled systems involving more than two
columns (and in some cases even with two columns) is difficult, because the two si-
de flows connecting the columns produce systems with a large number of ‘recycle’
streams (in a modular simulator these recycles are converged through tear streams).
Whatever the method used to converge the cyclic structure of the flowsheet (e.g. fi-
xed point, Newton or quasi-Newton methods), good initial values approximating the
final solution are mandatory to converge the system, while maintaining product spe-

114
Capı́tulo 4. Resultados

cifications. The presence of a large number of tear streams slows down the simulation,
making convergence difficult. For the remainder of the present study, we present a
very straightforward procedure that enables simulation of these systems in such a way
that they can be simulated with the same degree of difficulty as a sequence of con-
ventional columns.

It should be noted that, in this paper, we only deal with the problem of simulation,
and not with the design or optimization of a TCD system. However, it is not difficult
(although this is outside of the scope of this paper) to synthesize a TCD sequence
using the procedure presented by Caballero, Milan-Yañez, and Grossmann [43].

4.1.2. Application of the proposed simulation strategy: “acyclic sys-


tem simulation´´

The basic idea behind the simulation strategy presented in the present study is to
avoid the recycle structure that appears in TCD systems in a modular simulator. This
idea is based on the works by Carlberg and Westerberg [12, 13], who proved, in the
context of Underwood’s shortcut method, that in a TCD system, the two side streams
connecting the rectifying section of column 1 (see Fig. 4.1.1a) with column 2 are equi-
valent to a superheated vapor stream, whose flow is the net flow (i.e. the difference
between vapor exiting the column and liquid entering the column) (Fig. 4.1.1b). If the
two side streams connect the stripping section of the first column with the second co-
lumn, then they are equivalent to a single subcooled liquid stream, whose flow is the
net flow (in this case the liquid minus the vapor flows) (see Fig. 4.1.1c and d).

However, in general, this approach cannot be implemented in modular process


simulators, because the degree of superheating and/or subcooling can be so large
that it might produce results without physical meaning, and thus the simulator may fail
to converge.

A simple example will illustrate this last point. Assume that we have a mixture of ben-
zene, toluene and p-xylene, with a molar fraction composition of 0.3, 0.4 and 0.3. If we
want to use a Petlyuk configuration, which is thermodynamically equivalent to a divi-
ded wall column, we can simulate this system using two (or maybe three) conventional

115
4.1.Strategies for the robust simulation of TCD

Figura 4.1.1: (a, b and e) Equivalent configurations. (c, d and f) Equivalent configura-
tions

columns (see Fig. 4.1.2). A complete discussion of thermodynamically equivalent con-


figurations and their implications with respect to cost and operability for systems with
3 or more components can be found in Agrawal [26], Caballero and Grossmann [27]
and Agrawal and Fidkowski [44].

However, to illustrate this point, we will focus only on the first column. Assume also
that we have 20 theoretical trays, with the feed in tray 10 (a non-optimized column). In
order to avoid recycled streams, we follow the Carlberg and Westerberg strategy and
use a conventional column with a partial reboiler to obtain a saturated vapor distillate
stream. Using a feed flowrate of 100 kmol/h as a basis for calculation, and specifying
99.9 % benzene recovery in the top of the column and 99.9 % p-xylene recovery in the

116
Capı́tulo 4. Resultados

Figura 4.1.2: Petlyuk configuration and the thermodynamically equivalent divided wall
column

bottom stream, we obtain by Aspen-Hysys®(using a Peng Robinson equation of state,


a constant pressure of 1 atm and default parameters):

Distillate: Saturated vapor, 45.84 kmol/h; molar fractions of benzene, toluene and
xylene, 0.6538, 0.3456 and 0.0006, respectively; temperature 93.8ºC.

Bottoms: Saturated liquid, 54.16 kmol/h; molar fractions of benzene, toluene and
xylene, 0.0005, 0.4461 and 0.5534, respectively; temperature 123.6ºC.

The heat flow that must be removed in the condenser is 478.7 kW. And the heat
flow added in the reboiler is 918.5 kW.

With the above data and a simple energy balance, it is easy to calculate that, ac-
cording to the procedure suggested by Carlberg and Westerberg, the temperature
of the equivalent distillate stream should be 350ºC! Thus, Hysys fails to properly calcu-
late the temperature of the bottoms stream, because the energy balance predicts
temperatures below .273.15ºC (0 K!), which of course has no physical meaning.

Fortunately, it is possible to solve this problem by substituting the superheating or


subcooling streams with a combination of a material stream and an energy stream.
In the rectifying section, the material stream is vapor at its dew point and the energy
stream is equivalent to the energy removed if we include a partial condenser to pro-

117
4.1.Strategies for the robust simulation of TCD

vide reflux to the first column (see Fig. 4.1.1e). In the stripping section, the material
stream is liquid at its bubble point, and the energy stream is equivalent to the energy
added if we include a reboiler to provide vapor to the first column (see Fig. 4.1.1f).

The main source of error encountered when using the Carlberg and Westerberg
approximation is the assumption that the introduction of a liquid stream in a column
does not modify the flow of the vapor stream; and that the introduction of a vapor
stream does not modify the flow of the liquid stream. (These assumptions are discussed
in the original paper, and for further details the interested reader is referred to the
original work [12, 13]. Consider, for example, that in Fig. 4.1.3, the only possibility for
stream V1C1 to mix with stream V1C2 without modifying stream LC2
2 is if the net stream
V1C1 + V1C2 is in equilibrium with LC2
2 . Fortunately, this situation is generally found in any
thermally coupled system.

Figura 4.1.3: Details of the connection between columns, “cyclic system simulation´´

The introduction of an energy stream and a saturated stream is completely equi-


valent to the Carlberg and Westerberg methodology, if the heat of vaporization is
independent of the composition, and if the heat of mixture can be neglected. Consi-
der, for example Fig. 4.1.4, where the introduction of an energy stream results in partial
vaporization of the liquid stream LC2
1 . Fortunately, all of the implied vapor and liquid
streams are either in equilibrium (an ideal case in which the Carlberg and Westerberg
approach does not introduce any error) or very close to equilibrium (generally found
in real situations) and therefore the dependence of the heat of vaporization on the

118
Capı́tulo 4. Resultados

Figura 4.1.4: Details of the connection between columns, “acyclic system simulation´´

composition and heat of mixture can be neglected. As will be demonstrated in the


remainder of the paper, even in the worst possible scenario, the values obtained with
this technique provide excellent initial points to enable convergence of the rigorous
simulations of the original system.

It is worth noting that some researchers have proposed the use of a single saturated
stream to simulate a thermal couple, rather than the two bidirectional streams (vapor
and liquid streams) [7] that characterize a thermal couple. However, this approach
introduces considerable errors and should be avoided. A detailed discussion can be
found in Vaca, Jiménez, and Álvarez-Ramı́rez [45].

It is important to remark that if good initial values are available for each of the
tear streams (vapor or liquid streams in the bidirectional streams that form a thermal
couple), for example, if those initial values come from any previous process synthesis
step, the procedure proposed here is not really necessary, and we can converge di-
rectly the actual system. Note, however, that if a change is introduced in the system
(i.e. changes in the feed composition, feed state, pressure, etc.) is not uncommon that
the system presents convergence difficulties. In this case the proposed approach is an
easy strategy to recover convergence.

119
4.1.Strategies for the robust simulation of TCD

4.1.3. Examples and results

In this section, a range of different examples are presented: including mixtures of


hydrocarbons (C4s–C5s–C6s), aromatics (BTX), alcohols, non-ideal azeotropic systems
(acetone, benzene, chloroform) and systems involving 4 or 5 components. In addition,
various thermodynamic equivalent configurations, corresponding to different alterna-
tives for implementing this approach are also discussed. All simulations were performed
using ASPEN-HYSYS. Reboiler and condenser duties, as well as vapor/liquid internal
flows were studied to compare the results between cyclic and acyclic simulations.

4.1.3.1. Separations of three component mixtures

Four systems involving the separation of a three component mixture were studied:
a mixture of aromatics (benzene, toluene, p-xylene); alcohols (methanol, ethanol, bu-
tanol); hydrocarbons (n-hexane, n-heptane, n-octane); and a difficult separation of a
mixture of three compounds with similar volatilities (i-butane, n-butane, cyclobutane).
As can be seen in the residue curve maps (see Fig. 4.1.5), in all cases, the separations
are theoretically easy to carry out.

Furthermore, the methodology is the same in all the cases. We will only discuss
the first case in detail, but the other three cases are solved in a similar manner. First,
we calculated the number of trays and the feed tray required in each column for a
desired separation. To do this, we use a shortcut model: either Underwood–Fenske for
near ideal systems; or simple trial and error for non-ideal systems. Note that we are
not interested in optimizing the column, but only in developing an easy and reliable
simulation (see Fig. 4.1.6 and Table 4.1.1).

Tabla 4.1.1: Characteristics of different feeds to each column

Molar Flow Composition


P(atm) T(ºC)
(kmol/h) Benzene Toluene p–Xylene
Feed 1.0 103.3 200.00 0.30 0.40 0.30
D1 1.0 95.3 97.51 0.61 0.38 6.2 10−4
R1 1.0 124.7 102.49 5.8 10−4 0.41 0.58

120
Capı́tulo 4. Resultados

(a) (b)

(c) (d)

Figura 4.1.5: Residue curve maps of the four component systems studied: (a) i-butane,
n-butane, cyclobutane; (b) n-hexane, n-heptane, n-octane; (c) benzene, toluene, p-
xylene; (d) methanol, ethanol, butanol

Next, we simulated the acyclic sequence, where each thermal couple is substi-
tuted by a mass and energy stream, using conventional distillation columns (see Fig.
4.1.7a). In this configuration, we connect the mass and energy streams that leave the
condenser of the first column in the same tray of the second column. In the same way,
the mass and energy streams that leave the reboiler of the first column are connected
to the same tray of the second column. Finally, we converge the acyclic sequence.

121
4.1.Strategies for the robust simulation of TCD

Figura 4.1.6: Calculation of tray columns using “short cut distillation”

In this first example, we assume that the first column has 17 trays, with the feed in
tray 9. The distillate stream (saturated vapor) and the energy stream are introduced
in the second column in tray 14, which is simulated with 68 trays. The bottom stream
from the first column (saturated liquid) is introduced in tray 51. From this tray (tray 51),
an energy stream with exactly the same energy consumed in the reboiler of the first
column is withdrawn. Specifications used to converge the first column were 0.9999 re-
covery of benzene in the distillate and 0.9999 recovery of xylene in the bottoms; while
for the second column we specified a 0.999 recovery for each component. Toluene is
withdrawn from tray 31.

The results from this acyclic simulation were then used as initial points in the actual
system (with a cyclic structure). In particular, the initial flow rate of the liquid stream
entering the top of the first column (tear stream Liq to C1 in Fig. 4.1.7b) is assumed to
be the flow entering the first column from the partial condenser in Fig. 4.1.7a (136.022
kmol/h). The composition of this stream can then be read from the liquid composition
exiting tray 14 in column 2 of Fig. 4.1.7a. A similar procedure is followed to estimate the
flow and composition of the vapor stream “Vap to C1” in Fig. 4.1.7b.

122
Capı́tulo 4. Resultados

(a)

(b)

Figura 4.1.7: Simulations of (a) acyclic and (b) cyclic system configurations

A list of the results obtained using the above, and the characteristics of the different
columns are shown in Table 4.1.2.

It is important to note that the distillate of the first column is equivalent to a satu-
rated vapor stream plus an energy stream; hence, we are adding heat to the upper
part of the second column. However, the bottoms stream is equivalent to a saturated
liquid stream minus a heat stream, and therefore, we are actually removing heat from
the second column. In addition, the sign of the energy stream added must be taken

123
4.1.Strategies for the robust simulation of TCD

Tabla 4.1.2: Characteristics of short cut columns and conventional columns

Condenser Reboiler Energy


Nº Trays Feed Tray
Energy (kWh) (kWh)
Short cut columns
SC1 17 9 1777.9 2710.3
SC2 31 14 5685.0 4830.2
SC3 37 20 4561.6 4583.7
Conventional Columns - acyclic system
C1 17 9 -– -–
Tray D1-14
C2 68 3214.7 3315.3
Tray R1—51
Conventional Columns - cyclic system
C1 17 9 -– -–
Tray D1—14
C2 68 3220.7 3319.6
Tray R1—51

into account, since a negative sign in Hysys means that we are removing heat, which
is in fact what we want in the lower part of the second column. This is achieved in
Hysys by means of a set operation that simply multiplies the reboiler heat load in the
first column by minus one.

The results obtained were very good in all cases: average errors in internal flows
and energy consumption were lower than 1.5 % and 1 %, respectively; and in both
simulations the maximum errors were between 3 % and 5 %. The results obtained in
these systems are shown in Table 4.1.3.

Tabla 4.1.3: Results obtained with systems 3 compounds

Internal flow Energy


3 Component mixtures
Max. error Average error St. deviation Max. error
i-Butane - n-butane - cyclobutane 3.42 % 0.74 % 0.87 % 0.04 %
Hexane – heptane – octane 3.47 % 0.96 % 0.96 % 0.08 %
Methanol – ethanol – butanol 3.94 % 0.86 % 0.92 % 0.08 %
Benzene – toluene – xylene 4.55 % 1.46 % 1.40 % 0.19 %

As a representative example, internal flows for the benzene–toluene–xylene 3-component


separation are shown in Fig. 4.1.8.

124
Capı́tulo 4. Resultados

(a) (b)

(c) (d)

Figura 4.1.8: Comparison of flows for BTX separation: (a) liquid flow-column 1; (b) vapor
flow-column 1; (c) liquid flow-column 2; (d) vapor flow-column 2

4.1.3.2. Difficult separations of three component mixtures

Here we refer to difficult separations not in the usual sense (i.e. mixtures of com-
ponents with very similar volatilities), but rather systems that present other theoretical
difficulties, such as azeotropic systems (benzene – acetone – chloroform), multicom-
ponent mixtures that must be separated in groups (i.e. groups of C3s, C4s and C5s), or
non-ideal mixtures (acetone – acetic acid – acetic anhydride).

To perform the separation of an azeotropic mixture, we first studied its residue curve
map to determine a feasible separation route. In the following example (benzene –
acetone – chloroform), there is a distillation boundary. A possible sequence to obtain
the three pure components is shown in Figs. 4.1.9 and 4.1.10.

125
4.1.Strategies for the robust simulation of TCD

Figura 4.1.9: Residue curve map (azeotropic mixture)

Some remarks on this last example. The separation benzene–acetone–chloroform


can be performed using a system involving only two columns. However, this example
has been selected to study the error propagation in a very non-ideal system, and the-
refore the three column sequence is presented here. On other side, it is known that
Benzene cannot be used due to environmental concerns (carcinogenic and tumori-
genic), and it can be substituted by other solvents like 1-hexanal or amyl methyl ether
[46]. We have selected this example because is a well documented and easy to re-
produce case of study; see for example the text book by Doherty and Malone [47].

The simulations performed here are different from those presented in the previous
sections, because of the requirements of using three columns to obtain pure compo-
nents, and the need to recycle the azeotropic stream and mix it with the feed stream.

However, this simulation has the same level of difficulty as the previous examples;
because, although the number of columns is increased, the number of recycle streams
remains constant. Therefore, the complexity of the problem is not increased and con-
sequently the error obtained is similar to that calculated previously.

126
Capı́tulo 4. Resultados

(a)

(b)

Figura 4.1.10: Simulations of acyclic (a) and cyclic (b) system configurations (azeotro-
pic mixture)

The multi-component separation of groups of C3s, C4s and C5s can be compared
with a simple separation of a mixture of 3 components (as in the previous examples).
As such, the methodology is the same as that used previously. However, the error ob-
tained is slightly larger than the error associated with a 3-component mixture because
increasing the number of components increases the complexity of the separation.

Note that the case of a 3-component mixture acetone – acetic acid – acetic an-
hydride (AAA) is special, as can be seen from its residue curve map (Fig. 4.1.11).

In particular, all residue curves are partly over the acetic acid–acetic anhydride
binary mixture, which is problematic because any small change in the concentration
of acetone in the residue causes significant changes in the concentrations of acid

127
4.1.Strategies for the robust simulation of TCD

Figura 4.1.11: Curve residue map acetone–acetic acid–acetic anhydride (AAA)

and anhydride. As a consequence, the small error introduced by the substitution of


the two streams in a thermal couple with a material stream and an energy stream,
can induce large errors compared to rigorous and approximate simulations.

As expected, the results obtained were worse than those from the previously des-
cribed examples. However, in all the cases, the outcomes obtained using our novel
strategy still provided excellent initial points for use in rigorous simulations. Furthermore,
the average errors in internal flow and energy consumption were less than 4 % and 1 %,
respectively; and the maximum error between both simulations was between 4 % and
18 %. The results obtained in these systems are shown in Table 4.1.4.

Tabla 4.1.4: Results of difficult separation systems with 3 compounds


Internal Flow Energy
3 Compounds
Max. Error Average Error St. deviation Max. Error
Azeotropic Distillation 4.04 % 1.09 % 0.98 % 0.36 %
C4s–C5s–C6s 6.72 % 1.43 % 1.72 % 0.05 %
Acetone-acetic acid-acetic anhydride 18.40 % 3.91 % 4.61 % 0.91 %

128
Capı́tulo 4. Resultados

The internal flows for the worst case studied (acetone–acetic acid–acetic anhydri-
de) are shown in Fig. 4.1.12.

(a) (b)

(c) (d)

Figura 4.1.12: Comparison of flows for AAA separation: (a) liquid flow-column 1; (b)
vapor flow-column 1; (c) liquid flow-column 2; (d) vapor flow-column 2

129
4.1.Strategies for the robust simulation of TCD

4.1.3.3. Separation of 4 and 5 component mixtures

Application of our proposed strategy to the separation of 4 component mixtures


was also studied for butane–pentane–hexane–heptane, in a sequence with 16 ther-
modynamically equivalents configurations. In this case, 3 configurations were studied
using the same methodology (see Fig. 4.1.13).

(a) (b) (c)

Figura 4.1.13: Thermodynamically equivalents configurations-system 4 compounds: (a)


configuration 1; (b) configuration 2; (c) configuration 3

Finally, the separation of a 5 component mixture was evaluated. In this case, only
one configuration was studied using the same methodology described above (see
Fig. 4.1.14).

Although the results obtained were worse than any of the previously studied cases,
they still remained very good. As expected,when the number of columns and recy-
cle streams are increased, small errors propagate throughout the system. However, in
any case, the results obtained with our proposed strategy still provide excellent initial
points for use in rigorous simulations. The average errors in internal flow and energy
consumption were less than 5and 1 %, respectively, for the separation of a 4 compo-
nent mixture; and were less than 25 % and 1 %, respectively, for the separation of a 5
component mixture. The results obtained in these systems are shown in Table 4.1.5.

Internal flows for the worst case studied (separation of a 5 component mixture) are
depicted in Fig. 4.1.15.

130
Capı́tulo 4. Resultados

Figura 4.1.14: Configuration separation system 5 compounds

Tabla 4.1.5: Results for the systems with 4 compounds

Internal Flow Energy

Max. Error Average Error St. deviation Max. Error


4 compounds (butane-pentane–hexane–heptane)
Configuration 1 21.16 % 4.88 % 6.00 % 0.41 %
Configuration 2 22.42 % 5.03 % 6.16 % 0.12 %
Configuration 3 22.42 % 4.86 % 6.07 % 0.41 %
5 compounds (butane-pentane–hexane–heptane–octane)
Configuration 1 79.27 % 23.61 % 31.46 % 0.19 %

4.1.4. Conclusions

We evaluated the application of a novel strategy for the simulation of thermally


coupled distillation sequences using process simulators. Several case studies were pre-
sented to demonstrate that the results obtained with this acyclic sequence technique
are very close to those obtained with recycle calculations, with average errors below
2 % for 3 component mixtures. The average error increases slightly with the number
of components, due to error propagation as a consequence of the larger number
of thermally coupled columns in the system. However, in all cases, “acyclic simula-
tion” produces excellent results, which are comparable to those of the actual system.

131
4.1.Strategies for the robust simulation of TCD

(a) (b)

(c) (d)

(e) (f)

(g) (h)

Figura 4.1.15: Comparison of flows for 5 compounds separation: (a) liquid flow-column
1; (b) vapor flow-column 1; (c) liquid flow-column 2; (d) vapor flow-column 2; (e) liquid
flow-column 3; (f) vapor flow-column 3; (g) liquid flow-column 4; (h) vapor flow-column
4

132
Capı́tulo 4. Resultados

Furthermore, this new strategy yields very good starting points to converge rigorous
simulations of these systems. In conclusion, our proposed technique enables thermally
coupled distillation systems for the separation of 3, 4 or 5 component mixtures to be
studied rapidly and easily.

Acknowledgements

The authors gratefully acknowledge financial support from the Spanish “Ministerio
de Ciencia e Innovación” under project CTQ2009-14420-C02-01.

Referencias

[1] Soave, G. y Feliu, J.A. ((Saving energy in distillation towers by feed splitting)). En: Applied
Thermal Engineering 22.8 (2002), págs. 889 -896.
[2] Petlyuk, F.B., Platonov, V.M. y Slavinsk, D. ((Thermodynamically optimal method for separa-
ting multicomponent mixtures)). En: International Chemical Engineering 5.3 (1965), pág. 555.
[3] Fidkowski, Z.T. ((Distillation configurations and their energy requirements)). En: AIChE Journal
52.6 (2006), págs. 2098-2106.
[4] Fidkowski, Z.T. y Agrawal, R. ((Multicomponent thermally coupled systems of distillation co-
lumns at minimum reflux)). En: AIChE Journal 47.12 (2001), págs. 2713-2724.
[5] Fidkowski, Z.T. y Krolikowski, L. ((Minimum energy requirements of thermally coupled distilla-
tion systems)). En: AIChE Journal 33.4 (1987), págs. 643-653.
[6] Shah, P.B. y Kokossis, A.C. ((New synthesis framework for the optimization of complex distilla-
tion systems)). En: AIChE Journal 48.3 (2002), págs. 527-550.
[7] Triantafyllou, C. y Smith, R. ((Design and optimisation of fully thermally coupled distillation
columns)). En: Chemical Engineering Research and Design 70.A2 (1992), págs. 118-131.
[8] Halvorsen, I.J. y Skogestad, S. ((Minimum Energy Consumption in Multicomponent Distilla-
tion. 1. Vmin Diagram for a Two-Product Column)). En: Industrial & Engineering Chemistry
Research 42.3 (2003), págs. 596-604.
[9] Halvorsen, I.J. y Skogestad, S. ((Minimum Energy Consumption in Multicomponent Distilla-
tion. 2. Three-Product Petlyuk Arrangements)). En: Industrial & Engineering Chemistry Re-
search 42.3 (2003), págs. 605-615.
[10] Halvorsen, I.J. y Skogestad, S. ((Minimum Energy Consumption in Multicomponent Distilla-
tion. 3. More Than Three Products and Generalized Petlyuk Arrangements)). En: Industrial &
Engineering Chemistry Research 42.3 (2003), págs. 616-629.
[11] Underwood, A.J.V. ((Fractional Distillation of Multicomponent Mixtures)). En: Industrial & En-
gineering Chemistry 41.12 (1949), págs. 2844-2847.
[12] Carlberg, N.A. y Westerberg, A.W. ((Temperature-heat diagrams for complex columns. 2.
Underwood’s method for side strippers and enrichers)). En: Industrial & Engineering Che-
mistry Research 28.9 (1989), págs. 1379-1386.

133
4.1.REFERENCIAS

[13] Carlberg, N.A. y Westerberg, A.W. ((Temperature-heat diagrams for complex columns. 3.
Underwood’s method for the Petlyuk configuration)). En: Industrial & Engineering Chemistry
Research 28.9 (1989), págs. 1386-1397.
[14] Schultz, M.A. y col. ((Reduce costs with dividing wall columns)). En: Chemical Engineering
Progress 98.5 (2002), págs. 64-71.
[15] Ropotar, M. y col. ((MINLP Synthesis of Reactive Distillation Using a Disjunctive, Hybrid Mo-
del)). En: 10th International Symposium on Process Systems Engineering: Part A. Ed. por Brito
Alves, Caludio Augusto Oller do Nascimento Rita Maria de y Biscaia, Evaristo Chalbaud.
Vol. 27. Computer Aided Chemical Engineering. Elsevier, 2009, págs. 543 -548.
[16] Agrawal, R. ((Synthesis of Distillation Column Configurations for a Multicomponent Separa-
tion)). En: Industrial & Engineering Chemistry Research 35.4 (1996), págs. 1059-1071.
[17] Caballero, J.A. y Grossmann, I.E. ((Structural Considerations and Modeling in the Synthesis
of Heat-Integrated−Thermally Coupled Distillation Sequences)). En: Industrial & Enginee-
ring Chemistry Research 45.25 (2006), págs. 8454-8474.
[18] Caballero, J.A. y Grossmann, I.E. ((Design of distillation sequences: from conventional to
fully thermally coupled distillation systems)). En: Computers & Chemical Engineering 28.11
(2004), págs. 2307 -2329.
[19] Agrawal, R. ((Synthesis of multicomponent distillation column configurations)). En: AIChE
Journal 49.2 (2003), págs. 379-401.
[20] Agrawal, R. ((A Method to Draw Fully Thermally Coupled Distillation Column Configura-
tions for Multicomponent Distillation)). En: Chemical Engineering Research and Design 78.3
(2000), págs. 454 -464.
[21] Rong, B.G., Kraslawski, A. y Nyström, L. ((Design and synthesis of multicomponent thermally
coupled distillation flowsheets)). En: Comput. Chem. Eng. 25.4-6 (2001), págs. 807-820.
[22] Rong, B.G., Kraslawski, A. y Nyström, L. ((The synthesis of thermally coupled distillation flows-
heets for separations of five-component mixtures)). En: Computers & Chemical Engineering
24.2–7 (2000), págs. 247 -252.
[23] Rong, B.G., Kraslawski, A. y Turunen, I. ((Synthesis of Functionally Distinct Thermally Coupled
Configurations for Quaternary Distillations)). En: Industrial & Engineering Chemistry Research
42.6 (2003), págs. 1204-1214.
[24] Kaibel, G. ((Distillation columns with vertical partitions)). En: Chemical Engineering & Tech-
nology 10.1 (1987), págs. 92-98.
[25] Grossmann, I.E., Aguirre, P.A. y Barttfeld, M. ((Optimal synthesis of complex distillation co-
lumns using rigorous models)). En: Comput. Chem. Eng. 29.6 (2005), págs. 1203 -1215.
[26] Agrawal, R. ((More Operable Fully Thermally Coupled Distillation Column Configurations for
Multicomponent Distillation)). En: Chemical Engineering Research and Design 77.6 (1999),
págs. 543 -553.
[27] Caballero, J.A. y Grossmann, I.E. ((Thermodynamically equivalent configurations for ther-
mally coupled distillation)). En: AIChE Journal 49.11 (2003), págs. 2864-2884.
[28] Agrawal, R. ((Thermally coupled distillation with reduced number of intercolumn vapor
transfers)). En: AIChE Journal 46.11 (2000), págs. 2198-2210.
[29] Jiménez, A. y col. ((Design and Energy Performance of Alternative Schemes to the Petlyuk
Distillation System)). En: Chemical Engineering Research and Design 81.5 (2003), págs. 518
-524.

134
Capı́tulo 4. Resultados

[30] Segovia-Hernández, J.G., Hernández, S. y Jiménez, A. ((Analysis of dynamic properties of


alternative sequences to the Petlyuk column)). En: Computers & Chemical Engineering
29.6 (2005), págs. 1389 -1399.
[31] Giridhar, A. y Agrawal, R. ((Synthesis of distillation configurations: I. Characteristics of a good
search space)). En: Computers & Chemical Engineering 34.1 (2010), págs. 73 -83.
[32] Alatiqi, I.M. y Luyben, W.L. ((Control of a complex sidestream column/stripper distillation
configuration)). En: Industrial & Engineering Chemistry Process Design and Development
25.3 (1986), págs. 762-767.
[33] Jiménez, A. y col. ((Analysis of Control Properties of Conventional and Nonconventional
Distillation Sequences)). En: Ind. Eng. Chem. Res. 40.17 (2001), págs. 3757-3761.
[34] Luyben, W.L. Distillation Design and Control Using Aspen Simulation. Wiley, 2006.
[35] Segovia-Hernández, J.G. y col. ((Control of Thermally Coupled Distillation Arrangements
with Dynamic Estimation of Load Disturbances)). En: Industrial & Engineering Chemistry Re-
search 46.2 (2007), págs. 546-558.
[36] Segovia-Hernández, J.G., Hernández, S. y Jiménez, A. ((Control Behaviour of Thermally Cou-
pled Distillation Sequences)). En: Chem. Eng. Res. Des. 80.7 (2002), págs. 783 -789.
[37] Segovia-Hernández, J.G. y col. ((A comparison of the feedback control behavior between
thermally coupled and conventional distillation schemes)). En: Computers & Chemical En-
gineering 28.5 (2004), págs. 811 -819.
[38] Segovia-Hernández, J.G. y col. ((Controllability Analysis of Thermally Coupled Distillation
Systems: Five-Component Mixtures)). En: Industrial & Engineering Chemistry Research 46.1
(2007), págs. 211-219.
[39] Serra, M., Espuña, A. y Puigjaner, L. ((Controllability of Different Multicomponent Distillation
Arrangements)). En: Ind. Eng. Chem. Res. 42.8 (2003), págs. 1773-1782.
[40] Serra, M., Espuña, A. y Puigjaner, L. ((Control and optimization of the divided wall column)).
En: Chemical Engineering and Processing: Process Intensification 38.4-6 (1999), págs. 549
-562.
[41] Serra, M. y col. ((Analysis of different control possibilities for the divided wall column: feed-
back diagonal and dynamic matrix control)). En: Computers & Chemical Engineering 25.4-
6 (2001), págs. 859 -866.
[42] Serra, M. y col. ((Study of the divided wall column controllability: influence of design and
operation)). En: Computers & Chemical Engineering 24.2-7 (2000), págs. 901 -907.
[43] Caballero, J.A., Milán-Yañez, D. y Grossmann, I.E. ((Rigorous Design of Distillation Columns:
Integration of Disjunctive Programming and Process Simulators)). En: Industrial & Enginee-
ring Chemistry Research 44.17 (2005), págs. 6760-6775.
[44] Agrawal, R. y Fidkowski, Z.T. ((More operable arrangements of fully thermally coupled disti-
llation columns)). En: AIChE Journal 44.11 (1998), págs. 2565-2568.
[45] Vaca, M., Jiménez-Gutiérrez, A. y Ramı́rez, J. Álvarez. ((A Note on the Controllability of Two
Short-Cut Designs for a Class of Thermally Coupled Distillation Sequence)). En: Industrial &
Engineering Chemistry Research 48.4 (2009), págs. 2283-2289.
[46] Hostrup, M., Harper, P.M. y Gani, R. ((Design of environmentally benign processes: integra-
tion of solvent design and separation process synthesis)). En: Computers & Chemical Engi-
neering 23.10 (1999), págs. 1395 -1414.

135
4.1.REFERENCIAS

[47] Doherty, M.F. y Malone, M.F. Conceptual design of distillation systems. McGraw-Hill chemi-
cal engineering series. McGraw-Hill, 2001.

136
Capı́tulo 4. Resultados

4.2 Publicación II: A new technique for recovering energy in


thermally coupled distillation using vapor recompression
cycles

Como ya se ha comentado en el Articulo 1, uno de los procesos de separación


más ampliamente utilizados y que más energı́a consumen es la destilación. El consu-
mo energético relacionado con los procesos de destilación se cuantifica en aproxi-
madamente el 60 % del total de energı́a consumida en la industria quı́mica y petro-
quı́mica. El hecho de que la destilación consuma tal cantidad de energı́a se debe a
que es un proceso altamente ineficiente desde un punto de vista energético.

Como resultado de la importancia de destilación y su baja eficiencia, a lo largo de


los años se han propuesto un gran número de alternativas en un intento de aumentar
su eficiencia y/o recuperar parte de la energı́a degradada por destilación. Algunas
de las principales mejoras energéticas desarrolladas son la utilización de calderas y
condensadores intermedios, las columnas acopladas con bombas de calor y siste-
mas de compresión de vapor, los métodos de reflujo secundario y vaporización, las
columnas de destilación con integración de calor, las columnas de destilación con
integración de calor interna o la destilación Acoplada Térmicamente (TCD).

El consumo mı́nimo de energı́a en una secuencia de columnas, sin incluir equipo


adicional (por ejemplo compresores) se obtiene siempre en secuencias con acopla-
miento térmico total. Aunque debido a diversos motivos no se puede concluir que
las configuraciones obtenidas empleando columnas TCD mejoren siempre a las se-
cuencias de columnas convencionales o parcialmente acopladas térmicamente. Los
principales motivos responsables de este hecho son:

En las columnas TCD, la energı́a es aportada y eliminada en las peores condi-


ciones, aportada a la temperatura máxima del sistema en la caldera y elimi-
nada a la temperatura mı́nima en el condensador.

En los sistemas FTC, el flujo mı́nimo de vapor que limita el sistema está asocia-
do a la separación más difı́cil [1, 2]. El hecho que los acoplamientos térmicos

137
4.2.New vapor recompression cycles in TCD

transfieran corrientes de vapor y lı́quido entre las columnas del sistema, y que
el flujo de vapor se vea limitado por ciertas separaciones, provoca que algu-
nas secciones de columna vean aumentado su diámetro respecto al diámetro
óptimo

En los sistemas FTC, el número total de secciones de columnas es superior al ob-


tenido en sistemas con columnas convencionales. Diferentes autores han estu-
diado y discutido el tema relacionado con el número de secciones necesarias
para llevar a cabo una separación dada [3-7]

La operación de columnas de acoplamiento térmico es mucho más compli-


cada que con columnas convencionales debido al gran número de interco-
nexiones entre las columnas

El objetivo del presente trabajo es el desarrollo de una nueva estrategia que con-
vierte la ineficiencia inherente de las secuencias TCD -exceso de flujo de vapor/lı́qui-
do en ciertas secciones como resultado de la transferencia llevada a cabo en los
acoplamientos térmicos- en una ventaja, consiguiendo disminuir la energı́a y costes
del sistema. La idea básica consiste en extraer el exceso de vapor (lı́quido) de la sec-
ción de la columna que, como consecuencia de los acoplamientos térmicos, opera
en condiciones subóptimas. La corriente de vapor (lı́quido) extraı́da se utiliza en un
ciclo de recompresión de vapor (VRC) o un ciclo de recompresión de vapor inverso
(RVRC), reduciendo de esta forma la cantidad de calor aportado al sistema exter-
namente. Además, la extracción de la corriente (lı́quida o vapor en exceso) restaura
las condiciones óptimas de funcionamiento de la sección de la columna afectada y
consecuentemente reduce el diámetro de la columna. Cabe comentar que debido
a que la instalación de los ciclos de compresión requiere de equipos bastantes caros,
tales como compresores, puede darse el caso de que el ahorro energético consegui-
do en la planta no se vea compensado con el coste de los nuevos equipos, es decir,
se pueden dar casos donde el coste económico de la instalación del ciclo de com-
presión sea superior al ahorro energético conseguido. Por ello es necesario calcular
y cuantificar el coste adicional que tiene lugar como consecuencia de la compra e
instalación de los equipos de que consta el ciclo de compresión.

138
Capı́tulo 4. Resultados

La estrategia propuesta es aplicada a varios ejemplos de implementación de ci-


clos VRC y RVRC en columnas TCD. Los sistemas estudiados son por un lado la separa-
ción de una mezcla de compuestos aromáticos y por otro lado la separación de una
mezcla de hidrocarburos ligeros.

Los resultados obtenidos muestran ahorros económicos consecuentes de la apli-


cación de esta estrategia entorno un 20-40 %. Mediante esta propuesta, se demues-
tra que es posible convertir el problema de la ineficiencia inherente a las columnas
TCD en una ventaja, a través de la cual mejorar el funcionamiento de estos sistemas.
Desgraciadamente, esta configuración no se puede aplicar siempre en todos los sis-
temas de separación. Esta configuración es potencialmente útil en los casos donde
la distribución de volatilidades de la mezcla a separar muestre diferencias importan-
tes entre un grupo de compuestos (con volatilidades similares entre ellos) respecto a
otro. Finalmente, y como regla general, la implementación de un ciclo RVRC es úni-
camente interesante en el caso de que el condensador trabaje a temperaturas muy
por debajo de la ambiente, donde el agua no pueda ser utilizado como servicio frı́o.

139
4.2.New vapor recompression cycles in TCD

A New Technique for Recovering Energy in Thermally Coupled


Distillation using Vapor Recompression Cycles

Miguel A. Navarro-Amorós, Rubén Ruiz-Femenia, José A. Caballero

DOI 10.1002/aic.14137

Published online in Wiley Online Library (wileyonlinelibrary.com)

Abstract

Even though it has been proved that a fully thermally coupled distillation (TCD)
system minimizes the energy used by a sequence of columns, it is well known that
vapor/liquid transfers between different sections produce an unavoidable excess of
vapor (liquid) in some of them, increasing both the investment and operating costs.
In this paper we propose to take advantage of this situation by extracting the ex-
tra vapor/liquid and subjecting it to a direct/reverse vapor compression cycle. This
new arrangement restores the optimal operating conditions of some of the affected
sections with energy savings of around 20-30 % compared with conventional TCD co-
lumns.

Various examples, including the direct and reverse vapor recompression cycles,
are presented. Furthermore, in each example, all possible modes of distillation (direct,
indirect and Petlyuk distillation) with and without vapor recompression cycles (VRC)
are compared to ensure that this approach delivers the best results.

Keywords

Distillation, Design (process simulation), Process Synthesis, Simulation, Process

140
Capı́tulo 4. Resultados

4.2.1. Introduction

We live in a society where any activity, whether work or leisure, requires the con-
sumption of large amounts of energy. Present global energy consumption is estimated
to be 12,000 MToe (million tones oil equivalent), with a 50 % increase expected over
the next 30 years [8]. Energy consumption in the industrial sector represents approxi-
mately 28 % of global energy use. Within this sector, the chemical industry accounts
for approximately 20 % which represents about 5.6 % (0.90 TW/year) of the total energy
consumed in the world. In the chemical industry, separation processes are the most
energy intensive. Among the different separation techniques, distillation is the most
important and commonly used in the chemical and petrochemical industry. Distilla-
tion handles more than 90 % of separations [9] and this trend seems unlikely to change
in the near future. Mix et al. [10] calculated that distillation processes consumes about
60 % of the total energy in the chemical and petrochemical industry. In conclusion, it is
estimated that distillation processes accounts for about 3 % of global energy use [11,
12]. Therefore, any improvement in distillation efficiency will likely have an important
global effect on energy consumption.

In spite of its widespread use, distillation is energetically inefficient [13-15]. Heat


(used as separating agent) is conventionally supplied in the reboiler at the highest
process temperature, and removed in the condenser where the temperature is mini-
mum. Therefore, the heat recovered in the condenser cannot be reused for heating
other parts of the distillation unit.

As a consequence of the importance of distillation and its low efficiency, a lar-


ge number of alternatives have been proposed in an attempt to increase efficiency
and/or recover part of the energy degraded by distillation.

To improve the thermal efficiency of a distillation column a good number of in-


teresting alternatives have been proposed. Without embarking on a comprehensive
review, these include:

a Intercoolers–interheaters in order to reduce the reboiler or condenser heat loads –


the case of condensers in the rectifying section are of special interest if refrigeration

141
4.2.New vapor recompression cycles in TCD

at sub-ambient temperature is needed in the condenser [16-20]. The objective is


enhanced reversible operation of the column

b Heat pumps and vapor recompression schemes [21-25]

c Secondary reflux and vaporization [26]

d Multiple-effect heat cascading for distillation columns [27-30]. Where the conden-
sing temperature is higher than the reboiling temperature, the condensing over-
head vapors of one distillation column can serve as the reboiler duty for another
column. This creates the equivalent of a multi-effect evaporator system, except that
distillation columns are used, rather than direct evaporation

e Heat integration [4, 31, 32]. The idea is to exchange heat between the condenser
and the reboiler of different distillation columns. The operating pressure of some
columns can be adjusted to obtain the adequate driving force

f Internally Heat Integrated Distillation Columns (HIDiC) [33-38]. Here rectifying and
stripping sections are separated. The rectifying section is compressed –and conse-
quently temperature increases- and rectifying and stripping sections are totally or
partially heat integrated, again in an attempt to approximate reversible distillation
behavior

g Thermally coupled distillation (TCD)[3-6, 39-46]. Some heat exchangers (reboiler or


condensers) are removed and replaced by thermal couples. TCD produces a large
number of alternative distillation column sequences (much larger than classical co-
lumn sequencing which can be considered a special case of TCD). This introduces
a large number of new and interesting alternatives, but at the cost of increasing
the complexity of the problem

Excellent reviews of the various energy-efficient distillation techniques can be found


in Jana [47], Fonyo et al. [48] and Nakaiwa el al. [36].

Even though a Fully Thermally Coupled (FTC) configuration minimizes energy con-
sumption, it cannot be concluded that FTC configurations are always superior when

142
Capı́tulo 4. Resultados

compared to sequences of simple columns or to partially thermally coupled configu-


rations (PTC). Instead, the optimum configuration will depend on the specific mixture
and feed conditions for at least the following reasons:

(1) The energy is supplied and removed under the worst conditions: supplied at the
highest temperature in the reboiler, and removed at the lowest temperature in the
condenser. In most cases, this precludes the use of lower cost utilities, i.e. medium
or low-pressure steam in the reboiler. This is especially true for the condenser if the
most volatile component must be condensed at sub-ambient temperature, which
rules out making use of cooling water

(2) In FTC systems the minimum vapor flow is that of the most difficult separation [1,
2]. The thermal couples transfer the vapor between columns and, therefore, some
column sections could have large diameters

(3) In FTC sequences the total number of column sections is larger than in the case
of sequences of simple columns. A detailed discussion on the number of column
sections needed for a given separation can be found in the following references
[3-7]

(4) Operation is also more difficult due to the large number of interconnections bet-
ween the columns

In this paper we propose to convert the inherent inefficiency of some TCD sequen-
ces –the excess vapor/liquid flows in certain sections resulting from the vapor liquid
transfer by thermal couples– in an advantage by further integrating the system, de-
creasing the energy and investment costs in the process. The basic idea involves with-
drawing the excess vapor (liquid) from the column section that, as a consequence of
thermal couples, operates sub-optimally. This restores the optimal operating conditions
of the affected column section and consequently reduces the column diameter and
utility consumption. The resulting vapor (liquid) stream is used in a Vapor Recompres-
sion Cycle (VRC) or a Reverse-Vapor recompression cycle (RVRC), reducing the utility
consumption at the cost of introducing a compressor.

143
4.2.New vapor recompression cycles in TCD

The rest of the paper is organized as follows. The source of inefficiency in TCD sys-
tems that motivated this work is explained in detail. At this point, the two configurations
based on the vapor recompression cycle are introduced. The capabilities of the ap-
proach proposed are then illustrated through two case studies, one of which corres-
ponds to an excess of vapor stream in the stripping section and the other to an excess
of liquid stream in the rectifying section. Finally, at the end of the paper, we discuss the
conclusions that can be drawn from this work.

4.2.2. Inefficiency in thermally coupled distillation systems

The literature documents various approaches to the design of TCD systems, ran-
ging from three component [49-52] to N component mixtures [4-7, 53, 54]. In order
to clearly illustrate the problem, for the sake of simplicity, but without loss of genera-
lity we will focus on a three component Petlyuk arrangement (See Figure 4.2.1). The
extension to more complex TCD arrangements is straightforward and based on the sa-
me principles. Consider a three component mixture (ABC) having no azeotropes and
sorted by decreasing relative volatilities (A is the most volatile and C the least). Inde-
pendently of design procedure, it is possible to identify three separation tasks for this
system: Separate AB from BC (AB/BC) where component B is optimally distributed bet-
ween condenser and reboiler. Separate A from B, and separate C from D (See Figure
4.2.1).

Assume that each one of the three separation tasks is designed and optimized
independently. In that case, the first separation task (AB/BC) is usually operated in
“transitions split”, also called preferred separation, which guarantees minimum vapor
flow inside the column. Then, columns for separations A/B and B/C can be designed.

To design the A/B and B/C separations it is important to notice that the connection
with the first column is through a pair of streams (a vapor and a liquid stream). A good
way of dealing with this involves following the procedure described by Carlberg &
Westerberg [55]. They showed, in the context of an ideal system, that the two streams
that connect the rectifying section of the first column (AB/BC) with the second column
(A/B) can be substituted by a single stream whose flow is the net flow (V1 -L1 referred to
Figure 4.2.2), and whose thermal state is superheated vapor. Similarly, the two streams

144
Capı́tulo 4. Resultados

Figura 4.2.1: Construction of the Petlyuk c), and Divided Wall columns d) by decom-
position into basic tasks b) and further elimination of heat exchangers

that connect the stripping section of the first column with the third column (B/C) can
be substituted by a single stream whose flow is the net flow (L2 -V2 , referred to Figure
4.2.2), which is sub-cooled. Carlberg and Westerberg 56 also showed how to calculate
the degree of superheating or subcooling of these equivalent streams. Navarro et al
[56] showed that the degree of superheating or subcooling can be so high that this
approach cannot be directly implemented in a process simulator. However, they also
showed that a superheated (subcooled) stream is equivalent to a saturated stream
plus (minus) an energy stream (See Figure 4.2.2c). Following this approach they pro-
ved that it is possible to simulate complex non-ideal TCD systems without introducing
recycling (avoiding tear streams and complex iterations), and with errors in heat loads
and internal vapor flows that average 2-3 %, but rarely over 5 %. This is the approach
we will follow in this paper.

145
4.2.New vapor recompression cycles in TCD

Figura 4.2.2: Equivalent configurations for a thermal coupling

The simulation of a Petlyuk column entails that mass balances be satisfied in all
thermal couplings. While the couplings between columns 1 and 2 and between 1
and 3 are achieved by side stream extraction, the connection between columns 2
and 3 is made directly between them. As the system must exhibit the same behavior
before and after the coupling, both columns must operate at the same internal flows,
V2C2 = V1C3 . Unfortunately, this situation rarely occurs. On the contrary, the vapor flows
of the optimized columns are different, either V2C2 > V1C3 or V2C2 < V1C3 . It is necessary
to increase the internal flows either in column 2 or column 3 depending on which
column dominates (See Figure 4.2.1b). For example if V2C2 > V1C3 , then V1C3 must be
increased by ∆V = V2C2 − V1C3 to make both flows equal (LC3
1 must also be increased
by ∆V ), which increases the diameter of column 3, the reboiler duty, and as a result its
fixed and variable costs. Similarly, if the “dominant column” –the column with largest
internal flows- is column 3, the adjustment of flows in column 2 increases the condenser
duty and the diameter of column 2.

It is worth remarking that instead of following a sequential approach it is possible


to optimize the three columns simultaneously in order to mitigate the effect of flow
imbalances in the connection points (i.e. the distribution of flows through the thermal
couples could reduce excess duties if some of the separations took place under sub-

146
Capı́tulo 4. Resultados

optimal conditions compared to the isolated separation tasks). In any event, except
in some special cases, at least one separation task always occurs under sub-optimal
conditions (larger internal flows and therefore larger duties) compared to operation in
isolation from the rest of the system.

There are at least two alternatives to try to improve the efficiency of the above
mentioned TCD systems:

a Introduce a heat exchanger at the connection point (See Figure 4.2.3) -a reboiler if
the dominant column is column 2, and a condenser if the dominant column is co-
lumn 3. In that way, all the column sections are operated in their optimal conditions.
An energy balance shows that duty of the new heat exchanger is comparable to
the extra duty in the original Petlyuk due to the overflows (equal if we assume cons-
tant enthalpies). There is an added advantage; the temperature at which the heat
must be supplied (removed) is between the temperature in the condenser and the
temperature in the reboiler. Therefore, in some situations we can use a cheaper uti-
lity (i.e. if we have to heat we will do it at lower temperature than in the reboiler; if
we have to cool we will do it at a higher temperature than in the condenser). Of
course, we also have to purchase the new heat exchanger. An economic analysis
is necessary to determine the best option

b The ideal situation would be to withdraw the extra vapor (liquid) and use it as a hot
(cold) stream elsewhere in the process and then return the condensed (vaporized)
stream to the column. Unfortunately this is not always possible

In this paper we propose to use this extra vapor in a Vapor Recompression Cycle
(VRC) or the extra liquid in a Reverse Vapor Recompression Cycle (RVRC).

4.2.3. Vapor recompression and reverse vapor recompression cy-


cles in thermally coupled distillation

In a Standard Vapor Recompression Cycle (SVRC) (See Figure 4.2.4) the vapor lea-
ving the top of the column is compressed isentropically, causing also an increase in

147
4.2.New vapor recompression cycles in TCD

(a) (b)

Figura 4.2.3: Petlyuk configuration with an intermediate reboiler (a) and an interme-
diate condenser (b)

temperature that provides the driving force for heat transfer to the bottom liquid. At
the same time it elevates the dew point of the overhead vapor, allowing its latent heat
to be used at a higher temperature. This overhead vapor stream is heat exchanged
with the liquid leaving the bottom of the column, which partially (or totally) vaporizes
the latter and, in turn, provides vapor load to the column and condenses by itself (to-
tally or partially). This condensed stream is then subcooled in the condenser to such
an extent that when its pressure is dropped back down to the column pressure, it does
not vaporize. Ideally, energy is only added in the compressor and removed in the con-
denser. The major drawback of SVRCs is that the difference in temperatures between
condenser and reboiler should not be too large (say a maximum of around 30ºC),
otherwise the compression ratio becomes too large –multistage compression might
then become necessary- and compressors are some of the most expensive devices
in chemical processes. A similar situation could appear in HICiC [57]. If the temperatu-
re difference between the rectifying and stripping sections is large, then the pressure

148
Capı́tulo 4. Resultados

increase of the rectifying section to heat integrate both sections must be also large.
Again the cost of compressor could dominate the system performance.

Figura 4.2.4: Scheme of a standard vapor recompression cycle

If in the Petlyuk configuration there is an excess of vapor in the rectifying section


of column 3 it is possible to extract this excess and isentropically compress it until the
temperature is high enough to permit heat exchange with the bottom stream. Some
saturated vapors condense on isentropic compression (a detailed explanation can
be found in the work by Felbab et al [22]), and in this case some preheating before
compression might be necessary. In contrast to SVRC, we cannot expect all the heat
duty in the reboiler to be supplied by the compressed vapor, and therefore the hot
utility cannot be removed, but merely reduced. The condensed vapor is subcooled if
needed and then expanded to the column pressure. A part of this stream is the inter-
mediate product (See Figure 4.2.5) and the rest is returned to the column to provide
the extra reflux needed by column 3 (the reflux to column 3 is provided by the liquid
entering from the stripping section of column 2 plus the returned liquid after the VR).

There are some aspects of the new VRC that deserve special attention:

149
4.2.New vapor recompression cycles in TCD

Figura 4.2.5: Scheme of a Vapor Recompression Cycle using the excess of Vapor in
rectifying section of column 3

1. The difference in temperature between the reboiler and the vapor withdrawn
from the column is lower than between condenser and reboiler; as a conse-
quence it is possible implement this new VRC in columns where SVRC is not
economically viable

2. There is a synergic effect between the TCD (Petlyuk column in the example) and
the VRC: TCD is returned to its optimal operating conditions (i.e. smaller column
diameters, reduced condenser duties) and energy is saved with the VRC. So we
have two sources of improvement working together: the improved efficiency of
the TCD and the energy savings of the VRC

3. The synergic effect commented above enhances the performance of the new
VRC scheme. Therefore, depending on the reduction in capital and operating
costs in the TCD scheme it might be of interest to implement VRC with larger
temperature differences. But of course this is case dependent and a detailed
economic analysis is necessary

150
Capı́tulo 4. Resultados

4. There are two reasons why the VRC is expected to perform better as the mass
imbalance in the connection between sections becomes larger: 1) The extent
to which heat is exchanged in the reboiler increases with the vapor flow with-
drawn from the column and 2) the return of some column sections to their opti-
mal operating conditions have a larger impact on the total cost. It bears men-
tioning here that even though the Petlyuk configuration achieves the lowest
total energy consumption, if certain sections operate far from optimally, it is li-
kely that the Petlyuk configuration will not be the best from a total cost point of
view. Using a VRC avoids this inefficiency, but in general deciding which column
sequence is the best (with or without VRCs) requires a detailed study of all the
alternatives

5. The performance of the VRC depends on the relative utility costs of both the
heating in the reboiler and the power needed to drive the compressor and the
new equipment, but mainly the compressor. A detailed economic analysis is
always necessary

6. The direct VRC is not always possible. It requires that column 3 be dominant

If the dominant column is column 2, it is still possible to use a Reverse Vapor Recom-
pression Cycle (RVRC). In this case the excess saturated liquid is withdrawn as a side
stream from the connection point between columns 2 and 3 (See Figure 4.2.6). Part
of this liquid is the product with intermediate volatility (B); the rest is expanded, until its
temperature reaches a value low enough to be used as a cooling utility in the con-
denser. As in the case of VRC, we cannot expect all the cooling duty to be supplied
by the latent heat of this stream; therefore, we must resort to using some external co-
oling utility. After the stream is completely vaporized, it is introduced into a compressor,
where the pressure is isentropically increased until it is restored to the operating pres-
sure of the column. In this case, because the compressor efficiency is less than 100 %,
(typically around 75 %) overheating occurs in the outlet stream of the compressor and
thus guarantees the appearance of a vapor stream in the compressor output. Finally,
this vapor is introduced in the column at the same stage from which it was extracted,
and this way provides the required extra vapor flow that ensures correct behavior in
the rectifying section of the column.

151
4.2.New vapor recompression cycles in TCD

Figura 4.2.6: Scheme of a Reverse Vapor Recompression Cycle using the excess of
liquid in the stripping section of column 2

If the condenser is cooled by water or air (or any other cheap utility), it is obvious
that a RVRC is economically unfavorable even in the case of a significant reduction
in the heat utility and column diameter (an intermediate reboiler would likely produce
the same effect). However, if sub-ambient cooling is needed in the condenser (refri-
geration cycles are expensive) RVRC becomes an attractive alternative: in general,
the lower the condenser temperature, the better the expected performance of the
RVRC.

The VRC and RVRC can be implemented in any thermally coupled sequence in
which certain sections are not operating optimally. A detailed description of how to
design and optimize TCD sequences can be found, for example in the following re-

152
Capı́tulo 4. Resultados

ferences [4-6, 58, 59]. From those models it is easy to identify the affected column
sections. Although the Petlyuk configuration is convenient for illustrating VRC cycles, it
is in general not put into practice in industry because of difficulty of operation. Espe-
cially challenging is the control of vapor flows between the columns. Vapor AB flows
from the top of the prefractionator (column 1) to the upper feed level in the product
column (column 2). This implies that the pressure in the top of the prefractionator is
greater than the pressure in the upper section of the product column. On the other
hand, vapor BC has to be transferred from the lower section of the product column
to the bottom of the prefractionator (column 3). Therefore, the pressure in the bottom
of the prefractionator has to be lower than the pressure in the lower section of the
product column [41]. The pressure in the prefractionator is neither uniformly higher nor
uniformly lower than the pressure in the product column. However, the Petlyuk arran-
gement has two thermodynamically equivalent configurations without that problem
[41, 60] and it is also equivalent to a Divided Wall Column (DWC) (See Figure 4.2.1). In
other words, the Petlyuk arrangement is convenient for simulation purposes although
the actual implementation could be any of the thermodynamically equivalent confi-
gurations, including the DWC. This can be extended to more complex TCD arrange-
ments (sequences involving N components, N¿3). Caballero & Grossmann [60]proved
that any sequence of separation tasks can always be arranged in a set of distillation
columns in which the vapor flows always from higher to lower pressures, although for
simulation purposes any of the thermodynamically equivalent configurations can be
used.

4.2.4. Examples and implementation details

In this section, two examples corresponding to the VRC and RVRC configurations
are shown. The installation of a VRC or RVRC involves the use of expensive equipment,
(i.e. compressors); and a detailed economic analysis must be performed to clearly
establish the advantages of a given design. Therefore, it is necessary to estimate the
additional cost due to the purchase and installation of this new equipment. The equip-
ment cost is calculated using correlations from the literature, and to this end we use
the correlations given by Turton et al. [61]. Finally, we update the prices to 2012 using

153
4.2.New vapor recompression cycles in TCD

the Çhemical Engineering Plant Cost Index”(CEPCI). The annual cost of the equipment
is calculated for a time horizon (n = 10 years) and an annual interest rate (i) of 8 % [62]
using the following expression,

i(1 + i)n
Annualized capital cost = capital cost (4.2.1)
(1 + i)n − 1

where:

i = fractional interest rate per year

n = number of years

All the simulations were done using the sequential modular simulator ASPEN-HYSYS
with the Soave-Redlich-Kwong (SRK) equation of state and default values. The hot and
cold utilities used are shown in Table 4.2.1.

Tabla 4.2.1: Specifications for the hot and cold utilities

Tin (ºC) Tout (ºC) Cost ($/GJ)*


Steam
Atmospheric Pressure (AP) (1 bar) 100 100 6,67
Low Pressure (LP) (6 bar) 160 160 7,78
Medium Pressure (MP) (11 bar) 184 184 8,22
High Pressure (HP) (42 bar) 254 254 9,83
Water 20 40 0,354
Refrigeration
Low Temperature (LT) -20 -20 7,89
Very Low Temperature (VLT) -50 -50 13,11
* All prices are referred to 2002

4.2.4.1. Example 1. VRC

The first case study deals with the separation of a mixture of aromatics (p-xylene,
cumene, 1,2,4-trimethylbenzene). We follow a sequential approach to optimize each
of the individual column sections. The main stream specifications are shown in Table
4.2.2.

154
Capı́tulo 4. Resultados

Tabla 4.2.2: Streams specifications for the separation system

Molar Flow Composition


P(atm) T(ºC)
(kmol/h)
p-xylene cumene 1,2,4-trimethylbenzene
Feed ABC 1,00 153,7 200,00 0,3000 0,3000 0,4000
Product A 1,00 139,1 60,00 0,9998 0,0002 0,0000
Product B 1,00 153,7 60,03 0,001 0,9977 0,0013
Product C 1,00 169,4 79,97 0,000 0,0006 0,9994

First, a short-cut distillation model is used to find the number of equilibrium sta-
ges and the feed tray location of each column. Then we simulate and calculate the
energy consumption and costs associated with the separation using a conventional
Petlyuk column. The flowsheet for the simulated Petlyuk column is shown in Figure 4.2.7.

Figura 4.2.7: Flowsheet for the simulation of the Petlyuk configuration column

The next step is to study the effect of introducing the VRC into the above Petlyuk
column. With this aim, we simulate and calculate the energy consumption and cost
associated with this system. A minimum temperature difference of 15ºC is assumed
between the compressed vapor stream and the liquid stream entering the reboiler.
An adiabatic efficiency of 75 % is assumed in the compressor. The flowsheet for this
configuration is shown in Figure 4.2.8.

155
4.2.New vapor recompression cycles in TCD

Figura 4.2.8: Simulation of Petlyuk configuration column with VRC

The results obtained for both systems are shown in Tables 4.2.3 and 4.2.4.

Tabla 4.2.3: Conventional Petlyuk Distillation column: Capital & Energy Cost
EQUIPMENT
COLUMNS CONDENSER REBOILER
Column 1 Column 2
V(m3 ) 95,2 316,7 A (m2 ) 222,1 A (m2 ) 1273,1
Cost ( C) 359994 981392 Cost ( C) 128751 Cost ( C) 359280
Annual Cost Annual Cost Annual Cost
53650 146256 19188 53543
( C/year) ( C/year) ( C/year)

TOTAL ANNUAL COST ENERGÍA


Equipment 272637 CONDENSER CALDERA
Energy 2175186 Energy (kw) 8772 Energy (kw) 8826
Total Cost 2447823 Cold Utility Water Hot Utility MP Steam
Energy Cost Energy Cost
89284 2085902
( C/year) ( C/year)

As expected, the introduction of the VRC in the conventional Petlyuk column gene-
rates significant energy savings. It is remarkable that the energy savings in the reboiler
are over 18 % (0.38 MM C/year). There is also a comparable reduction in the energy
consumed by the condenser. As we anticipated, the installation of the VRC increases
capital cost (equipment), exactly by 22 % (0.06 MM C/year), but the global energy

156
Capı́tulo 4. Resultados

Tabla 4.2.4: Conventional Petlyuk Distillation with VRC: Capital and Energy Cost
EQUIPMENT
COLUMNS CONDENSER REBOILER
Column 1 Column 2
V(m3 ) 95,2 278.2 A (m2 ) 183,1 A (m2 ) 1042,5
Cost (C) 359994 1002380 Cost ( C) 127119 Cost ( C) 336620
Annual Cost Annual Cost Annual Cost
53650 149384 18945 50166
( C/year) ( C/year) ( C/year)
HEATER HEAT EXCHANGER COOLER
A (m2 ) 10,0 A (m2 ) 534,0 A (m2 ) 7,6
Cost (C) 15861 Cost ( C) 219988 Cost ( C) 15051
Annual Cost Annual Cost Annual Cost
2364 32785 2243
( C/year) ( C/year) ( C/year)
COMPRESSOR
Cost (C) 151432
Annual Cost
22568
( C/year)

ENERGY
COMPRESOR CONDENSER REBOILER
Energy (kW) 145 Energy (kW) 7231 Energy (kW) 7227
Utility Electricity Cold Utility Water Hot Utility MP Steam
Annual Cost Annual Cost Annual Cost
69368 73595 1708072
( C/year) ( C/year) ( C/year)
COOLER HEATER
TOTAL ANNUAL COST Energy (kw) 338 Energy (kw) 299
Equipment 332104 Cold Utility Water Hot Utility HP Steam
Energy 1938855 Energy Cost Energy Cost
3441 84378
Total Cost 2270959 ( C/year) ( C/year)

cost is reduced by 11 % (0.24 MM C/year). The capital investment of the equipment


is recovered in fewer than three years of operation. If we assume that annual capital
investment payments are spread equally over time, the annual cost decreases by 0.18
MM C per year.

The Petlyuk configuration is not the only sequence for separating a three com-
ponent mixture. There are two more distillation sequences, with or without thermal
couples, capable of separating a three component mixture into three relatively pure
products using simple columns: the direct and indirect sequence. A direct separation
sequence with a thermal couple is thermodynamically equivalent to a column with
a side stripper, while the indirect separation sequence with a thermal couple is equi-
valent to a column with a side enricher [63]. Furthermore, it is possible to use VRC in
any of these configurations (for this mixture, the VRC is only recommended for direct
distillation). To enable a comparison of results with those of the Petlyuk sequence with

157
4.2.New vapor recompression cycles in TCD

VRC, we evaluate the same separation task using the direct, indirect and direct with
VRC sequences (Figure 4.2.9).

Figura 4.2.9: Flowsheet for the direct sequence with and without VRC and for the indi-
rect sequence

The results obtained for each configuration are presented in detail in Appendix A.
The outcomes of the simulations are summarized in Figure 4.2.10. These results show
that the configuration achieving the lowest total annual cost is the Petlyuk Distillation
with VRC. It is noteworthy that the energy savings outweigh the additional cost asso-
ciated with the purchase and installation of VRC for the Petlyuk column and the direct
distillation sequence (Table A.3).

158
Capı́tulo 4. Resultados

Figura 4.2.10: Capital cost of equipment and annualized energy and total costs for the
distillation systems studied in example 1

4.2.4.2. Example 2: RVRC

In this example we study the separation of three light hydrocarbons: ethylene, etha-
ne and propane. Again, we use the sequential optimization simulation methodology
for a Petlyuk/DWC. Table 4.2.5 shows the main specifications for the streams involved
in the simulation.

Tabla 4.2.5: Specifications for the streams in the separation system

Molar Flow Composition


P(atm) T(ºC)
(kmol/h)
Ethylene Ethane Propane
Feed ABC 1,00 1,5 2000,00 0,3000 0,3000 0,4000
Product A 1,00 -28,7 600,8 0,9977 0,0023 0,0000
Product B 1,00 -7,2 599,4 0,0009 0,9977 0,0014
Product C 1,00 57,1 799,8 0,0000 0,0007 0,9993

First, a conventional Petlyuk arrangement is simulated and optimized (Figure 4.2.7).


The energy consumption and costs associated with this separation are shown in Table
4.2.6. Then, we study the effect of introducing the RVRC using the flowsheet shown
in Figure 4.2.11. A summary of the results obtained are presented in Table 4.2.7. As in

159
4.2.New vapor recompression cycles in TCD

the previous example we assume a minimum approach temperature of 15ºC for heat
exchange and a 75 % adiabatic efficiency in the compressor.

Tabla 4.2.6: Conventional Petlyuk Distillation column: Capital and Energy Cost
EQUIPMENT
COLUMNS CONDENSER REBOILER
Column 1 Column 2
V(m3 ) 49,6 287,4 A (m2 ) 1804,0 A (m2 ) 817.1
Cost ( C) 521794 2941774 Cost ( C) 471174 Cost ( C) 269591
Annual Cost Annual Cost Annual Cost
77763 438411 70219 40177
( C/year) (C/year) (C/year)

TOTAL ANNUAL COST ENERGY


Equipment 626570 CONDENSER REBOILER
Energy 8430906 Energy (kw) 13940,5 Energy (kw) 16561,6
Total Cost 9057476 Cold Utility VLT Refrigerant Hot Utility AP Steam
Energy Cost Energy Cost
5254756 3176150
(C/year) (C/year)

Tabla 4.2.7: Conventional Petlyuk Distillation with RVRC: Capital and Energy Cost
EQUIPMENT
COLUMNS CONDENSER REBOILER
Column 1 Column 2
V(m3 ) 49,6 257,7 A (m2 ) 1168,5 A (m2 ) 512,7
Cost ( C) 521794 2354008 Cost ( C) 343114 Cost ( C) 202340
Annual Cost Annual Cost Annual Cost
77763 350817 51134 30155
( C/year) ( C/year) ( C/year)
COMPRESSOR HEAT EXCHANGER
A (m2 ) 6844,1
Cost ( C) 946032 Cost ( C) 1474823
Annual Cost Annual Cost
140987 219792
( C/year) ( C/year)

ENERGY
COMPRESSOR CONDENSER REBOILER
Energy (kW) 1365 Energy (kW) 9011 Energy (kW) 10422
Utility Electricity Cold Utility VLT Refrigerant Hot Utility AP Steam
Annual Cost Annual Cost Annual Cost
654055 3396472 1998676
( C/year) ( C/year) ( C/year)

TOTAL ANNUAL COST


Equipment 870647
Energy 6049203
Total Cost 6919850

The results lead to similar conclusions as in the first case study. First, the introduction
of the RVRC in the conventional Petlyuk column generates significant energy savings.
Indeed, the energy savings in the reboiler are greater than 35 % (1.18 MM C/year).
This reduction in energy consumption is also matched by the condenser. As expected,
the installation of the RVRC increases capital cost by 38 % (0.24 MM C/year), but the
global energy cost falls by 28 % (2.38 MM C/year). The capital investment could be

160
Capı́tulo 4. Resultados

Figura 4.2.11: Flowsheet for the simulation of the Petlyuk column with RVRC

recovered in the first year of operation, and after subtracting the fraction of the total
depreciable capital of the equipment, the annual cost decreases by 2.14 MM C per
year.

Again, for this second case study, there are also a number of distillation sequen-
ces for separating this mixture. Furthermore, it is possible to use RVRC in any of these
configurations (for this mixture, the RVRC is only recommended for indirect distillation).
For comparison purposes, we simulate the same separation task with the direct and
indirect sequences (Figure 4.2.9a and 4.2.9b, respectively) and the indirect sequence
with RVRC (Figure 4.2.12).

The results obtained for each configuration are presented in detail in Appendix A.
The costs associated with each sequence are shown in Figure 4.2.13. The results show
that the Petlyuk with RVRC configuration achieves the lowest total annual cost. As in
the previous case study, the savings in energy outweigh the additional cost associa-
ted with the purchase and installation of RVRC in both the Petlyuk column as well as
indirect sequence. The lowest energy costs are again obtained by using the Petlyuk
column in combination with RVRC (Table A.6).

161
4.2.New vapor recompression cycles in TCD

Figura 4.2.12: Simulation of indirect sequence with RVRC

Figura 4.2.13: Annualized capital cost, energy costs and total costs for the distillation
systems studied in example 2

162
Capı́tulo 4. Resultados

4.2.5. Conclusions

Thermally coupled distillation is an attractive alternative to conventional column


sequencing because the energy and under some circumstances (i.e. Divided Wall
Columns) the investment costs are considerably reduced. Typical values of around 10
to 50 % are frequently reported. However, even though FTC systems minimize energy
consumption, in general we cannot be certain that they minimize total annual cost for
two main reasons: The heat is added or removed under the worst conditions, at the
maximum and minimum temperatures in the system; certain sections must be opera-
ted far away from their optimal conditions, in order to satisfy the mass balances intro-
duced by thermal couples that increase some column section diameters and utilities
consumption.

On the other hand, the large degree of integration -in a fully thermally coupled
system it is possible to separate an N component mixture using only a condenser and
a reboiler- prevent the installation of standard vapor recompression cycles because
the temperature differences between condenser and reboiler are very large.

We have shown that it is possible to take advantage of the inherent inefficiency


of TCD systems, by withdrawing the excess vapor (liquid) inside certain column sec-
tions and using it in a Vapor Recompression Cycle (or a reverse vapor recompression
cycle). The benefit is twofold; on one hand, the optimal operating conditions of the
TCD system are recovered and therefore the diameter of some column sections and
the utilities consumption are reduced. On the other, the VRC or RVRC allow further
reductions in utilities consumption. In any case a detailed economic analysis is neces-
sary because vapor recompression cycles entail using expensive equipment. But the
examples presented in this paper show that economic savings can be very significant
(20-40 %).

It is clear that the new VRC cannot always be used. For example, consider the
case of a three component mixture ABC. The most profitable situation occurs when
the difference in volatilities between A and B are very small in comparison with the
difference between B and C. (The reverse is true in the case of RVRC). Indeed, this

163
4.2.REFERENCIAS

volatility distribution causes both vapor and liquid flows between the coupled sections
of the Petlyuk column to be very different.

As a general rule, the case of RVRC is only of interest if the condenser is working at
subambient temperature (i.e. water cannot be used as cooling utility). Cooling with
water is usually cheap and the extra cost of the compressor will likely make the RVRC
sub-optimal. However, refrigeration is expensive (usually much more so than heating),
and in that case the economic incentive of a RVRC is larger than VRC.

Acknowledgements

The authors would like to acknowledge financial support from the Spanish Ministerio
de Ciencias e Innovación (PPQ, CTQ2009–14420-C02-02 and CTQ2012– 37039-C02-02).

Referencias

[1] Halvorsen, I.J. y Skogestad, S. ((Minimum Energy Consumption in Multicomponent Distilla-


tion. 2. Three-Product Petlyuk Arrangements)). En: Industrial & Engineering Chemistry Re-
search 42.3 (2003), págs. 605-615.
[2] Halvorsen, I.J. y Skogestad, S. ((Minimum Energy Consumption in Multicomponent Distilla-
tion. 3. More Than Three Products and Generalized Petlyuk Arrangements)). En: Industrial &
Engineering Chemistry Research 42.3 (2003), págs. 616-629.
[3] Agrawal, R. ((Synthesis of Distillation Column Configurations for a Multicomponent Separa-
tion)). En: Industrial & Engineering Chemistry Research 35.4 (1996), págs. 1059-1071.
[4] Caballero, J.A. y Grossmann, I.E. ((Structural Considerations and Modeling in the Synthesis
of Heat-Integrated−Thermally Coupled Distillation Sequences)). En: Industrial & Enginee-
ring Chemistry Research 45.25 (2006), págs. 8454-8474.
[5] Caballero, J.A. y Grossmann, I.E. ((Design of distillation sequences: from conventional to
fully thermally coupled distillation systems)). En: Computers & Chemical Engineering 28.11
(2004), págs. 2307 -2329.
[6] Caballero, J.A. y Grossmann, I.E. ((Generalized Disjunctive Programming Model for the Op-
timal Synthesis of Thermally Linked Distillation Columns)). En: Industrial & Engineering Che-
mistry Research 40.10 (2001), págs. 2260-2274.
[7] Caballero, J.A. y Grossmann, I.E. ((Synthesis of complex thermally coupled distillation sys-
tems including divided wall columns)). En: AIChE Journal 59.4 (2013), págs. 1139-1159.
[8] (U.S.), Energy Information Administration. International Energy Outlook 2011: With Projec-
tions to 2035. INTERNATIONAL ENERGY OUTLOOK. Bernan Assoc, 2011.
[9] Humprey, J. ((Separation processes: Playing a critical role)). En: Chemical Engineering Pro-
gress 91 (1995), págs. 31-41.
[10] MIx, T.J., Dueck, J.S. y Weinberg, M. ((Energy conservation in distillation)). En: Chemical En-
gineering Progress 74 (1978), págs. 49-55.

164
Capı́tulo 4. Resultados

[11] Engelien, H.K. y Skogestad, S. ((Selecting appropriate control variables for a heat-integrated
sistillation system with prefractionator)). En: Computers & Chemical Engineering 28 (2004),
págs. 683-691.
[12] Humphrey, J.L. y Siebert, A.F. ((Separation technologies: an opportunity for energy savings)).
En: Chemical Engineering Progress 91 (1992), págs. 31-41.
[13] Flower, J.R. y Jackson, R. ((Energy Requirements in the Separation of Mixtures by Distillation)).
En: Trans. Instn Chem. Engrs. 42 (1964), T249 -T258.
[14] Freshwater, D.C. ((Thermal Economy in Distillation)). En: Trans. Instn Chem. Engrs. 29 (1951),
págs. 149 -160.
[15] King, C.J. Separation processes. McGraw-Hill chemical engineering series. McGraw-Hill,
1980.
[16] Agrawal, R. y Fidkowski, Z.T. ((On the Use of Intermediate Reboilers in the Rectifying Section
and Condensers in the Stripping Section of a Distillation Column)). En: Industrial & Enginee-
ring Chemistry Research 35.8 (1996), págs. 2801-2807.
[17] Agrawal, R. y Herron, D.M. ((Intermediate reboiler and condenser arrangement for binary
distillation columns)). En: AIChE Journal 44.6 (1998), págs. 1316-1324.
[18] Fonyo, Z. ((Thermodynamic analysis of rectification I. Reversible model of rectification)). En:
Int. Chem. Eng. 14 (1974), págs. 18-27.
[19] Le Goff, P., Cachot, T. y Rivero, R. ((Exergy analysis of distillation processes)). En: Chemical
Engineering & Technology 19.6 (1996), págs. 478-485.
[20] Terranova, B.E. y Westerberg, A.W. ((Temperature-heat diagrams for complex columns. 1.
Intercooled/interheated distillation columns)). En: Industrial & Engineering Chemistry Re-
search 28.9 (1989), págs. 1374-1379.
[21] Brousse, E., Claudel, B. y Jallut, C. ((Modelling and optimization of the steady state ope-
ration of a vapour recompression distillation column)). En: Chemical Engineering Science
40.11 (1985), págs. 2073 -2078.
[22] Felbab, N. y col. ((Vapor recompression for efficient distillation. 1. A new synthesis perspec-
tive on standard configurations)). En: AIChE Journal (2013), n/a-n/a.
[23] Ferre, J.A., Castells, F. y Flores, J. ((Optimization of a distillation column with a direct vapor
recompression heat pump)). En: Industrial & Engineering Chemistry Process Design and
Development 24.1 (1985), págs. 128-132.
[24] Fonyo, Z. y Benkö, N. ((Comparison of Various Heat Pump Assisted Distillation Configura-
tions)). En: Chemical Engineering Research and Design 76.3 (1998), págs. 348 -360.
[25] Harwardt, A. y Marquardt, W. ((Heat-integrated distillation columns: Vapor recompression
or internal heat integration?)) En: AIChE Journal 58.12 (2012), págs. 3740-3750.
[26] Mah, R.S.H., Nicholas, J.J. y Wodnik, R.B. ((Distillation with secondary reflux and vaporization:
A comparative evaluation)). En: AIChE Journal 23.5 (1977), págs. 651-658.
[27] Agrawal, R. ((Thermally coupled distillation with reduced number of intercolumn vapor
transfers)). En: AIChE Journal 46.11 (2000), págs. 2198-2210.
[28] Andrecovich, M.J. y Westerberg, A.W. ((A Simple Synthesis Method Based on Utility Boun-
ding for Heat-Integrated Distillation Sequences)). En: AIChE J. 31.3 (1985), págs. 363-375.
[29] Engelien, H.K. y Skogestad, S. ((Minimum energy diagrams for multieffect distillation arran-
gements)). En: AIChE Journal 51.6 (2005), págs. 1714-1725.

165
4.2.REFERENCIAS

[30] Westerberg, A.W. y Andrecovich, M.J. ((Utility bounds for nonconstant QDT for heat integra-
ted distillation sequence synthesis)). En: AIChE Journal 31.9 (1985), págs. 1475-1479.
[31] Andrecovich, M.J. y Westerberg, A.W. ((An MILP formulation for heat-integrated distillation
sequence synthesis)). En: AIChE Journal 31.9 (1985), págs. 1461-1474.
[32] Floudas, C.A. y Paules IV, G.E. ((A mixed-integer nonlinear programming formulation for the
synthesis of heat-integrated distillation sequences)). En: Computers & Chemical Enginee-
ring 12.6 (1988), págs. 531 -546.
[33] Chen, H., Huang, K. y Wang, S. ((A novel simplified configuration for an ideal heat-integrated
distillation column (ideal HIDiC))). En: Separation and Purification Technology 73.2 (2010),
págs. 230 -242.
[34] Huang, K. y col. ((A totally heat-integrated distillation column (THIDiC) â C“ the effect of
feed pre-heating by distillate)). En: Applied Thermal Engineering 28.8-9 (2008), págs. 856
-864.
[35] Mane, A. y Jana, A.K. ((A New Intensified Heat Integration in Distillation Column)). En: Indus-
trial & Engineering Chemistry Research 49.19 (2010), págs. 9534-9541.
[36] Nakaiwa, M. y col. ((Internally Heat-Integrated Distillation Columns: A Review)). En: Chemi-
cal Engineering Research and Design 81.1 (2003), págs. 162 -177.
[37] Nakaiwa, M. y col. ((A new configuration of ideal heat integrated distillation columns (HI-
DiC))). En: Computers & Chemical Engineering 24.2-7 (2000), págs. 239 -245.
[38] Suphanit, B. ((Optimal heat distribution in the internally heat-integrated distillation column
(HIDiC))). En: Energy 36.7 (2011), págs. 4171 -4181.
[39] Agrawal, R. ((A Method to Draw Fully Thermally Coupled Distillation Column Configura-
tions for Multicomponent Distillation)). En: Chemical Engineering Research and Design 78.3
(2000), págs. 454 -464.
[40] Agrawal, R. y Fidkowski, Z. ((Thermodynamically Efficient Systems for Ternary Distillation)). En:
Industrial & Engineering Chemistry Research 38.5 (1999), págs. 2065-2074.
[41] Agrawal, R. y Fidkowski, Z.T. ((More operable arrangements of fully thermally coupled disti-
llation columns)). En: AIChE Journal 44.11 (1998), págs. 2565-2568.
[42] Giridhar, A. y Agrawal, R. ((Synthesis of distillation configurations: I. Characteristics of a good
search space)). En: Computers & Chemical Engineering 34.1 (2010), págs. 73 -83.
[43] Giridhar, A. y Agrawal, R. ((Synthesis of distillation configurations. II: A search formulation for
basic configurations)). En: Computers & Chemical Engineering 34.1 (2010), págs. 84 -95.
[44] Petlyuk, F.B., Platonov, V.M. y Slavinsk, D. ((Thermodynamically optimal method for separa-
ting multicomponent mixtures)). En: International Chemical Engineering 5.3 (1965), pág. 555.
[45] Rong, B.G., Kraslawski, A. y Nyström, L. ((Design and synthesis of multicomponent thermally
coupled distillation flowsheets)). En: Comput. Chem. Eng. 25.4-6 (2001), págs. 807-820.
[46] Rong, B.G., Kraslawski, A. y Nyström, L. ((The synthesis of thermally coupled distillation flows-
heets for separations of five-component mixtures)). En: Computers & Chemical Engineering
24.2–7 (2000), págs. 247 -252.
[47] Jana, A.K. ((Heat integrated distillation operation)). En: Appl. Energy 87.5 (2010), 1477 -
1494.
[48] Fonyo, Z. y col. ((Energy savings of integrated and coupled distillation systems)). En: Com-
puters & Chemical Engineering 23, Supplement.0 (1999), S89 -S92.

166
Capı́tulo 4. Resultados

[49] Amminudin, K.A. y Smith, R. ((Design and Optimization of Fully Thermally Coupled Distillation
Columns: Part 2: Application of Dividing Wall Columns in Retrofit)). En: Chemical Enginee-
ring Research and Design 79.7 (2001), págs. 716 -724.
[50] Amminudin, K.A. y col. ((Design and Optimization of Fully Thermally Coupled Distillation
Columns: Part 1: Preliminary Design and Optimization Methodology)). En: Chemical Engi-
neering Research and Design 79.7 (2001), págs. 701 -715.
[51] Hernández, S. y Jiménez, A. ((Design of energy-efficient Petlyuk systems)). En: Computers &
Chemical Engineering 23.8 (1999), págs. 1005 -1010.
[52] Triantafyllou, C. y Smith, R. ((Design and optimisation of fully thermally coupled distillation
columns)). En: Chemical Engineering Research and Design 70.A2 (1992), págs. 118-131.
[53] Dunnebier, G. y Pantelides, C.C. ((Optimal Design of Thermally Coupled Distillation Co-
lumns)). En: Industrial & Engineering Chemistry Research 38.1 (1999), págs. 162-176.
[54] Kim, Y.H. ((Rigorous design of extended fully thermally coupled distillation columns)). En:
Chemical Engineering Journal 89.1-3 (2002), págs. 89 -99.
[55] Carlberg, N.A. y Westerberg, A.W. ((Temperature-heat diagrams for complex columns. 3.
Underwood’s method for the Petlyuk configuration)). En: Industrial & Engineering Chemistry
Research 28.9 (1989), págs. 1386-1397.
[56] Navarro, M.A. y col. ((Strategies for the robust simulation of thermally coupled distillation
sequences)). En: Computers & Chemical Engineering 36.0 (2012), págs. 149 -159.
[57] Cabrera-Ruiz, J., Jiménez-Gutiérrez, A. y Segovia-Hernández, J.G. ((Assessment of the Im-
plementation of Heat-Integrated Distillation Columns for the Separation of Ternary Mixtu-
res)). En: Industrial & Engineering Chemistry Research 50.4 (2011), págs. 2176-2181.
[58] Caballero, J.A. y Grossmann, I.E. ((Logic–based methods for generating and optimizing
thermally coupled distillation systems)). En: European Symposium on Computer Aided Pro-
cess Engineering-12 35th European Symposium of the Working Party on Computer Aided
Process Engineering. Ed. por Grievink, Johan y Schijndel, Jan van. Vol. 10. Computer Aided
Chemical Engineering. Elsevier, 2002, págs. 169 -174.
[59] Caballero, J.A. y Grossmann, I.E. ((Logic-Sequential Approach to the Synthesis of Complex
Thermally Coupled Distillation Systems.)) En: 21st European Symposium on Computer Aided
Process Engineering. Ed. por E.N. Pistikopoulos, M.C. Georgiadis y Kokossis, A.C. Vol. 29.
Computer Aided Chemical Engineering. Elsevier, 2011, págs. 211 -215.
[60] Caballero, J.A. y Grossmann, I.E. ((Thermodynamically equivalent configurations for ther-
mally coupled distillation)). En: AIChE Journal 49.11 (2003), págs. 2864-2884.
[61] Turton, R. y col. Analysis, Synthesis and Design of Chemical Processes. Prentice Hall Interna-
tional Series in the Physical and Chemical Engineering Sciences. Pearson Education, 2008.
[62] Smith, R. Chemical process design and integration. Wiley, 2005.
[63] Carlberg, N.A. y Westerberg, A.W. ((Temperature-heat diagrams for complex columns. 2.
Underwood’s method for side strippers and enrichers)). En: Industrial & Engineering Che-
mistry Research 28.9 (1989), págs. 1379-1386.

Appendix 1. Detailed Results of all Examples

The following tables contain the detailed results for all studied configurations (direct,
indirect, Petlyuk distillation with and without VRC).

167
4.2.REFERENCIAS

Results of example 1: Vapor recompression configuration

Table A1. Annual Capital Cost for all Configurations (e/year)

CAPITAL COST
Column 1 Column 1
Annual Cost Annual Cost
V(m3 ) Cost ( C) V(m3 ) Cost (C)
( C/year) ( C/year)
Direct Dist 201,6 728181 108520 205,0 754207 112399
Indirect Dist 189.7 687087 102396 192.6 706815 105336
Petlyuk Dist 95,2 360010 53652 316.7 1136213 169329
Petlyuk Dist with VRC 95.2 360010 53652 278.2 1002326 149376
Direct Dist with VRC 201,6 728181 108520 192.6 706815 105336
Condenser (Column 1) Reboiler (Column 1)
Annual Cost Annual Cost
A(m2 ) Cost ( C) A(m2 ) Cost (C)
( C/year) ( C/year)
Direct Dist 189.0 119893 17868 - - -
Indirect Dist - - - 1109.4 326302 48614
Petlyuk Dist - - - - - -
Petlyuk Dist with VRC - - - - - -
Direct Dist with VRC - - - 189.0 119694 17838
Condenser (Column 2) Reboiler (Column 2)
Annual Cost Annual Cost
A(m2 ) Cost ( C) A(m2 ) Cost (C)
( C/year) ( C/year)
Direct Dist 101.4 93491 13933 1738.5 451580 67299
Indirect Dist 300.8 149166 22230 293.3 147277 21949
Petlyuk Dist 222.1 128757 19189 1273.1 359296 53546
Petlyuk Dist with VRC 183.1 127125 18945 1042.5 336634 50168
Direct Dist with VRC 1047.3 313532 46726 - - -
Heater) Cooler
Annual Cost Annual Cost
A(m2 ) Cost ( C) A(m2 ) Cost (C)
( C/year) ( C/year)
Direct Dist - - - - - -
Indirect Dist - - - - - -
Petlyuk Dist - - - - - -
Petlyuk Dist with VRC 10.0 15862 2364 7.6 15051 3243
Direct Dist with VRC 27.4 66558 9919 23.0 64784 9655
Heat Exchanger) Compressor
Annual Cost Annual Cost
A(m2 ) Cost ( C) Energy (kw) Cost ( C)
( C/year) ( C/year)
Direct Dist - - - - - -
Indirect Dist - - - - - -
Petlyuk Dist - - - - - -
Petlyuk Dist with VRC 534.0 219997 32786 144.8 151439 22569
Direct Dist with VRC 1680.6 440206 65604 438.4 395890 58999

168
Capı́tulo 4. Resultados

Table A2. Annual Energy Cost for all Studied Configurations (e/year)

ENERGY COST
Column 1 Column 1
Condenser (Column 1) Reboiler (Column 1)
Annual Cost Annual Cost
Energy (kw) Utility Energy (kw) Utility
( C/year) ( C/year)
Direct Dist 7465.1 Water 75982 - - -
Indirect Dist - - - 7690.6 MP Steam 1817633
Petlyuk Dist - - - - - -
Petlyuk Dist with VRC - - - - - -
Direct Dist with VRC - - - 7260.3 MP Steam 1715935
Condenser (Column 2) Reboiler (Column 2)
Annual Cost Annual Cost
Energy (kw) Utility Energy (kw) Utility
( C/year) ( C/year)
Direct Dist 4543.6 Water 46246 12051.8 MP Steam 2848379
Indirect Dist 11878.1 Water 120899 4212.2 MP Steam 995522
Petlyuk Dist 8772.0 Water 89284 8825.7 MP Steam 2085902
Petlyuk Dist with VRC 7230.6 Water 73595 7227.1 MP Steam 1708072
Direct Dist with VRC 7465.1 Water 75982 - - -
Heater) Cooler
Annual Cost Annual Cost
Energy (kw) Utility Energy (kw) Utility
( C/year) ( C/year)
Direct Dist - - - - - -
Indirect Dist - - - - - -
Petlyuk Dist - - - - - -
Petlyuk Dist with VRC 298.5 HP Steam 84378 338.1 Water 3441
Direct Dist with VRC 832.6 HP Steam 235314 1030.9 Water 10493
Compressor)
Annual Cost
Energy (kw) Utility
( C/year)
Direct Dist - - -
Indirect Dist - - -
Petlyuk Dist - - -
Petlyuk Dist with VRC 144.8 Electricity 69368
Direct Dist with VRC 438.4 Electricity 210097

Table A3. Total Annual Cost for all Studied Configurations (e/year)

TOTAL COST
Capital Cost ( C/year) Energy Cost ( C/year) Total Annual Cost ( C/year)
Direct Dist 320019 2970608 3290627
Indirect Dist 300525 2934054 3234579
Petlyuk Dist 295716 2175186 2470901
Petlyuk Dist with VRC 332104 1938855 2270959
Direct Dist with VRC 422597 2247821 2670418

169
4.2.REFERENCIAS

Results of example 2: The reverse vapor recompression configuration

Table A4. Annual Capital Cost for all Configurations (e/year)

CAPITAL COST
Column 1 Column 1
Annual Cost Annual Cost
V(m3 ) Cost ( C) V(m3 ) Cost ( C)
( C/year) ( C/year)
Direct Dist 199.3 1733135 258288 72.8 835298 124484
Indirect Dist 68.0 732040 109096 268.7 2490896 371217
Petlyuk Dist 49.6 521794 77763 287.4 2941774 438411
Petlyuk Dist with VRC 49.6 521794 77763 257.7 2354008 350817
Indirect Dist with VRC 68.0 732040 109096 261.0 2686405 400354
Condenser (Column 1) Reboiler (Column 1)
Annual Cost Annual Cost
A(m2 ) Cost ( C) A(m2 ) Cost ( C)
( C/year) ( C/year)
Direct Dist 1546.6 419777 62559 - - -
Indirect Dist - - - 586.6 219153 32660
Petlyuk Dist - - - - - -
Petlyuk Dist with VRC - - - - - -
Indirect Dist with VRC - - - 588.3 219530 32716
Condenser (Column 2) Reboiler (Column 2)
Annual Cost Annual Cost
A(m2 ) Cost ( C) A(m2 ) Cost ( C)
( C/year) ( C/year)
Direct Dist 912.4 289843 43195 847.2 276035 41137
Indirect Dist 2215.5 552593 82353 921.8 291827 43491
Petlyuk Dist 1804.0 471174 70219 817.1 269591 40177
Petlyuk Dist with VRC 1168.5 343114 51134 512.7 202340 30155
Indirect Dist with VRC 1623.5 435186 64856 - - -
Heat Exchanger) Compressor
Annual Cost Annual Cost
A(m2 ) Cost ( C) Energy (kw) Cost ( C)
( C/year) ( C/year)
Direct Dist - - - - - -
Indirect Dist - - - - - -
Petlyuk Dist - - - - - -
Petlyuk Dist with VRC 6844.1 1474823 219792 1364.9 946032 140987
Indirect Dist with VRC 8886.3 1899397 283066 1658.5 1085927 161835

170
Capı́tulo 4. Resultados

Table A5. Annual Energy Cost for all Studied Configurations (e/year)

ENERGY COST
Column 1 Column 1
Condenser (Column 1) Reboiler (Column 1)
Annual Cost Annual Cost
Energy (kw) Utility Energy (kw) Utility
( C/year) ( C/year)
Direct Dist 11945.6 Very Low Temp 450819 - - -
Indirect Dist - - - 11920.2 Atm Steam 2286026
Petlyuk Dist - - - - - -
Petlyuk Dist with VRC - - - - - -
Indirect Dist with VRC - - - 11954.3 Atm Steam 2292561
Condenser (Column 2) Reboiler (Column 2)
Annual Cost Annual Cost
Energy (kw) Utility Energy (kw) Utility
( C/year) ( C/year)
Direct Dist 4257.6 Low Temp 965855 17213.4 Atm Steam 3301154
Indirect Dist 17092.4 Very Low Temp 6442843 6261.8 Water 63735
Petlyuk Dist 13940.5 Very Low Temp 5254756 16561.6 Atm Steam 3176150
Petlyuk Dist with VRC 9010.6 Very Low Temp 3396472 10421.8 Atm Steam 1998676
Indirect Dist with VRC 12525.0 Very Low Temp 4721212 - - -
Compressor)
Annual Cost
Energy (kw) Utility
( C/year)
Direct Dist - - -
Indirect Dist - - -
Petlyuk Dist - - -
Petlyuk Dist with VRC 1364.9 Electricity 654055
Indirect Dist with VRC 1658.5 Electricity 794768

Table A6. Total Annual Cost for all Studied Configurations (e/year)

TOTAL COST
Capital Cost ( C/year) Energy Cost ( C/year) Total Annual Cost ( C/year)
Direct Dist 529664 8769829 9299493
Indirect Dist 638816 8792604 9431420
Petlyuk Dist 626570 8430906 9057476
Petlyuk Dist with RVRC 870647 6049203 6919850
Indirect Dist with RVRC 1051922 7808540 8860463

171
Capı́tulo 4. Resultados

4.3 Publicación III: An alternative disjunctive optimization mo-


del for heat integration with variable temperatures

Una de las principales preocupaciones de la industria de procesos quı́micos es el


consumo de energı́a. Esto es debido a que el consumo energético junto a las materias
primas suele representar la principal contribución al coste total de un producto. Co-
mo consecuencia, la clave para aumentar los beneficios económicos de un proceso
radica en mejorar su eficiencia, minimizando el consumo y las pérdidas de energı́a y
aumentando la eficiencia energética del proceso.

A lo largo de la historia, se han realizado numerosos avances en el campo de la


integración de procesos con el fin de mejorar la eficiencia energética. Además, el
aumento continuo de los costes de energı́a ha obligado a las empresas quı́micas y
petroquı́micas a encontrar nuevas formas de reducir el consumo de energı́a, adqui-
riendo una especial importancia la mejora de las redes de intercambiadores de calor.
Los primeros investigadores en introducir el concepto de integración de calor fueron
Linnhoff y Flower [1].

Entre todas las técnicas desarrolladas en el campo de la integración de calor, hay


dos enfoques principales: el análisis de localización del pinch, y los modelos basados
en programación matemática [2]. Debido a su simplicidad, el análisis de localización
del pinch es la técnica más ampliamente utilizada, ya que su aplicación es muy sen-
cilla incluso a grandes problemas. Además la eficacia y aplicabilidad de esta técnica
ha sido demostrada con numerosos ejemplos y problemas.

La gran mayorı́a de los métodos desarrollados en el campo de integración energéti-


ca asumen que las temperaturas de entrada y salida son fijas y conocidas a priori. En
otras palabras, la integración de calor se lleva a cabo sólo después de haber fijado
todas las condiciones de operación del proceso. Sin embargo, es sabido que la opti-
mización simultánea de las condiciones del proceso y la integración de calor puede
producir importantes ahorros en el coste total del proceso [3]. Por lo que sabemos,
el único trabajo relacionado con la optimización e integración de calor simultáneos

173
4.3.Alternative Model for heat integration

utilizando el concepto de pinch fue desarrollado por Duran y Grossmann [3] , e imple-
mentado como un MINLP por Grossmann et al [4].

El presente trabajo propone un modelo alternativo al propuesto por Duran y Gross-


mann para la optimización y la integración de calor simultáneas, que mantiene el
concepto de intervalo de la temperatura con la que muchos diseñadores se encuen-
tran familiarizados, debido a la prevalencia de la tecnologı́a del análisis del pinch. La
idea básica es llevar a cabo una ordenación implı́cita de todas las temperaturas
del sistema, de esa manera los intervalos de temperatura quedan también implı́ci-
tamente definidos. El modelo se compone de tres partes: en la primera, todas las
temperaturas de entrada del sistema son implı́citamente ordenadas, en el segundo,
se calcula la cantidad de calor intercambiado por cada corriente en cada intervalo
de temperatura, y en la tercera, se aplica el modelo de transbordo desarrollado por
Papoulias y Grossmann [5] con el fin de calcular los servicios calientes y frı́os a aportar
al sistema.

Tal y como hemos descrito el modelo, éste opera de forma correcta pero el coste
computacional requerido es enorme comparado con el modelo de Duran y Gross-
mann. Para solucionar dicho problema se procede a realizar un etapa de prepro-
cesado con el fin de fijar ciertas variables binarias y posteriormente se adicionan
un conjunto de relaciones lógicas que reducen considerablemente el espacio de
búsqueda.

La metodologı́a propuesta se aplicó a una serie de problemas con el fin de de-


mostrar su correcta funcionamiento. Los problemas estudiados incluyen problemas
que implican con temperaturas fijos y variables (MILP), un problema de integración de
calor en secuencia de columnas de destilación (donde las temperaturas de las co-
rrientes dependen de las condiciones de funcionamiento de las columnas) (MINLP),
y finalmente un problemas donde se combina el modelo de integración propuesto y
la optimización simultánea de un diagrama de flujo, el cual se resuelve mediante un
simulador de procesos (ASPEN-HYSYS).

En todos los casos estudiados, el modelo propuesto se muestra competitivo frente


al modelo propuesto por Grossmann et al [4]. Comentar que aunque los problemas
generados por este modelo son mucho mayores a los obtenidos por Grossmann et

174
Capı́tulo 4. Resultados

al., la aplicación del preprocesado y las relaciones lógicas consigue reducir consi-
derablemente el tamaño del problema inicial, consiguiendo resultados competitivos
tanto en el tiempo de cálculo, como en el “gap de relajación”. Además, el modelo
propuesto mantiene el concepto de intervalo de temperatura en contraste con los
modelos existentes. Esta caracterı́stica es interesante para aquellos ingenieros e inves-
tigadores familiarizados con el concepto clásico de intervalo de temperatura en la
integración de calor. Por último, el modelo propuesto elimina las dificultades numéri-
cas asociados con el uso de la función “max”.

175
4.3.Alternative Model for heat integration

An alternative disjunctive optimization model for heat integration


with variable temperatures

Miguel A. Navarro-Amorós, José A. Caballero, Rubén Ruiz-Femenia, Ignacio E. Grossmann

Computers & Chemical Engineering, 56 (2013), pp.12-26

Abstract

This paper presents an alternative model to deal with the problem of optimal energy
consumption minimization of non-isothermal systems with variable inlet and outlet tem-
peratures. The model is based on an implicit temperature ordering and the “transship-
ment model” proposed by Papoulias and Grossmann [5]. It is supplemented with a
set of logical relationships related to the relative position of the inlet temperatures of
process streams and the dynamic temperature intervals. In the extreme situation of
fixed inlet and outlet temperatures, the model reduces to the “transshipment model”.
Several examples with fixed and variable temperatures are presented to illustrate the
model’s performance.

Keywords

Heat integration, Disjunctive model, MILP, MINLP, Logic disjunctions

4.3.1. Introduction

A major concern of the chemical process industry is energy consumption. Energy


consumption and raw materials together usually constitute the main contribution to
the total cost of a product. To address this problem there has been an important deve-
lopment in process integration in parallel to the continuous evolution of the technolo-
gies for improving process plant design. Therefore, the key to increasing the economic

176
Capı́tulo 4. Resultados

benefits and efficiency of a plant involve minimizing energy consumption and energy
losses, and increasing energy efficiency.

The first approaches for process integration were based on heuristic methods. The
practical implementation of heuristic methods relies on a set of rules derived from
both, first principles and designer’s experience for creating and screening process
alternatives. These heuristic concepts were progressively integrated into other met-
hods (e.g. graphical and thermodynamic insights), and were finally systematized by
different researchers,resulting in what is known today as conceptual design [6-9]. In its
more basic form the problem is decomposed into a set of levels of increasing detail.
For example, Douglas [6, 7] proposed decomposing the problem into five levels: 1.
batch vs. continuous, 2. input output structure, 3. recycle structure, 4. gas and liquid
sepa-ration and 5. heat integration. These levels were extended by Smith [8] to include
waste disposal, water networks, environmental considerations, etc.

The main limitation of this sequential approach is that decisions in the outer levels
constrain the alternatives in the most inner levels. The simultaneous design of reaction
– separation and heat integration can significantly improve process performance.The
reaction can have a large impact on both raw materials and energy usage (in most
cases mainly on raw material consumption).The separation, depending on what the
conversion and/or selectivity are, can also have a great impact on raw material con-
sumption(e.g. the non-reacted feed is very difficult to separate), as well as on energy.
And finally heat integration has a major impact on energy consumption. In this paper
our focus is on latter.

Continually increasing energy costs has forced chemical and petrochemical com-
panies to find new ways of decreasing energy consumption by improving especially
heat exchanger networks.The first researchers to introduce the concept of heat inte-
gration were Linnhoff and Flower in 1978 [1]. They developed the concept of pinch
analysis whose initial objective was to determine the minimum utilities requirements
of a process, and to identify the best possible degree of heat recovery achievable
asa function of the minimum temperature difference inside the heat exchanger net-
work. In 1983, Linnhoff and Hindmarsh [10] demonstrated that it is possible to save a
significant part of all the energy required by a plant.

177
4.3.Alternative Model for heat integration

Since those initial developments, there has been rapid growth in the field of heat
integration. An excellent review with annotated bibliography can be found in the
work by Furman and Sahinidis [11]. Moreover, Morar and Agachi [2] presented a com-
prehensive review of heat integration techniques.

Among all the techniques that have been developed for heat integration, there
are two main approaches: pinch analysis, and the mathematical programming based
models [2]. Because of its simplicity, pinch analysis is the more widely used technique,
since it can be easily applied by hand even to large problems. It has demonstrated ef-
ficiency and applicability in many problems on industrial energy-savings. Pinch analysis
can be divided into three steps [1, 10, 12-14]:

1. Given a minimum heat recovery approach temperature (HRAT),generate by


graphical or tabular means the hot and cold composite curves and read in
the minimum utilities for the entire system. It is also possible to determine which
among all the avail-able utilities are the most adequate, using the grand com-
posite curve

2. Estimate the minimum number of heat exchangers

3. Estimate the total area and total cost (or synthesize the net by using heuristic
rules)

4. Repeat steps 1–3 using different values of HRAT until the mini-mum cost of the
net is obtained

Methods based on mathematical programming initially followed a sequential ap-


proach, imitating the pinch analysis:determination of minimum utilities, which takes the
form of a transshipment LP model [5], or a transportation LP model [15]; determination
of the minimum number of heat exchangers that can be formulated as a mixed in-
teger linear programming problem(MILP); and finally, generation of the actual heat
exchangers net-work, which is an NLP problem [16].

While the sequential targeting and optimization approach have the advantage
of decomposing the synthesis problem into smaller problems, it has the disadvantage

178
Capı́tulo 4. Resultados

that the trade-offs among energy, number of units and area are not rigorously taken
into account. The reason for is that the optimization problem:

min: Area Cost + Fixed Cost Units + Utility Cost (4.3.1)

is approximated by a problem that can be stated conceptually as follows [17]:

min:Area Cost

s.t. min: Number of Units (4.3.2)

s.t. Minimum utility cost

To avoid the limitations of the sequential approach, different researchers proposed


instead simultaneous approaches to solving the problem. For example, Floudas and
Ciric [18] used a superstructure based approach (they called hyper-structure), formu-
lated as a MINLP problem, to simultaneously optimize the number of heat exchangers
and the investment cost. Later, Ciric and Floudas [19] extended the hyper-structure
to the optimization of the total annual cost of the network (simultaneous optimization
of utilities and investment costs). However, the most successful simultaneous model is
probably due to Yee and Grossmann [20-22]. The model is based on a superstructure
composed of a set of stages in which each hot stream can exchange heat with all the
cold streams;the mixture of streams at the end of each stage is assumed to be isother-
mal. Although this model does not possess some of the additional features present in
other simultaneous methods, it performs better numerically because the non-linearities
are only in the objective function while the constraints are all linear. Substantial impro-
vements have been achieved and reported when simultaneous models were used
instead of sequential ones [17].

All the methods discussed thus far assume that the inlet and out-let temperatures
are fixed and known a priori. In other words, the heat integration is performed only
after all the process operation conditions have been fixed. But it is known that the si-

179
4.3.Alternative Model for heat integration

multaneous optimization of the process conditions and heat integration can result in
important savings in total cost [3]. Including the detailed design of the heat exchan-
ger net-work (HEN) in the detailed process optimization tends to produce large non-
convex MINLP problems. However, if we assume that the dominant cost associated
with the HEN is the energy, and that the inlet and outlet temperatures could also have
a synergistic effect on the rest of the process, it is justified to simultaneously optimize
the process operating conditions (specifically including the stream temperatures) and
the cost of external hot and cold utilities that result from maximum heat integration.

As far as we know, the only research dealing with simultaneous optimization and
heat integration – focusing on process and energy cost minimization but not including
the design of HEN –are due to Duran and Grossmann [3] and Grossmann et al. [4].
However, a number of special models have been developed for specific applications,
e.g. Floudas and Paules [23] or Raman and Grossmann [24], for heat integration in
distillation systems,adapted later by Caballero and Grossmann [25, 26] to complex
systems. Taking into account that the pinch point coincides with the inlet temperature
of any of the hot or cold streams, and assuming constant heat capacity flowrates,
these authors showed that the criteria for selecting the correct pinch – corresponding
to minimum feasible heating and cooling – involved selecting among all the pinch
candidates the one that exhibited the largest heating and cooling (pinch location
method). In that way Duran and Grossmann [3] did not need the concept of “tem-
perature interval” to locate the pinch point. The final mathematical formulation results
in anon-differentiable optimization problem (due to the max opera-tors that appear
in the model). Initially, a smooth approximation was proposed to solve the problem.
Later, Grossmann et al. [4] proposed a rigorous disjunctive formulation of the “pinch
location method” that uses logic disjunctions to explicitly model the relative place-
ment of streams for various potential pinch locations, and explicitly considers the non-
isothermal and isothermal streams as separate cases.

In this paper we propose an alternative model for simultaneous optimization and


heat integration, which retains the concept of temperature interval with which many
designers are familiar due to the prevalence of the pinch technology. The basic idea
is to perform an implicit ordering of all the temperatures; in that way the temperature

180
Capı́tulo 4. Resultados

intervals are also implicitly defined, and the ‘classical’equations for the transshipment
[5] can be easily incorporated in the model.

4.3.2. Problem statement

We address the following problem. Given:

A superstructure of alternative process flowsheets

A set nH of hot process streams to be cooled and a set nC of cold process


streams to be heated

The available utilities, their temperatures, and their costs per unit of heat (pro-
vided or removed) determine the optimal process flowsheet that minimizes the
utility cost

The flowrates, inlet and outlet temperatures for all these process streams are not
fixed, and must therefore be optimized.

We will assume that the heat flow rates of the hot and cold process streams are
constant, and that the inlet and outlet temperatures are bounded by upper and lo-
wer limits. We formulate this minimum cost problem as a linear disjunctive program-
ming problem and rewrite it as a MILP with the aid of a Hull Reformulation(HR). The
nonlinearities that appear are due to the remaining equations describing the process,
but not to those specifically related with the heat integration. In the next section a
comprehensive description of the model is presented.

4.3.3. Simultaneous heat and process optimization: model formula-


tion

As in the models presented by Duran and Grossmann [3] and Grossmann et al. [4],
we implicitly assume that the simultaneous optimization and heat integration strategy,
together with the dominant energy cost, yield important economic benefits despite
the fact that the investment costs related to the HEN are not taken into account. A

181
4.3.Alternative Model for heat integration

fixed heat recovery approach temperature (HRAT) must be assumed, and therefore it
must be optimized in an outer loop using a targeting approach or a detailed design
of the network.

With all these points in mind, we introduce the following index sets for the proposed
model:

ST: k: k is a stream

HOT: i: i is a hot stream

COLD: j: j is cold stream

HU: m: m is a hot utility

CU: n: n is a cold utility

TI: w: w is a temperature interval

The set ST (ST = HOT ∪ COLD) is an ordered set formed by the nH hot streams follo-
wed by the nC cold streams.

From a conceptual point of view the model can be written as an MINLP problem
of the following structure:

X X
HU HU CU CU
min F (xp , xh ) + Cm Qm + Cn Qn
m∈HU n∈CU

s.t. h(xp , xh ) = 0

g(xp , xh ) ≤ 0 (4.3.3)
Axh ≤ b

QHU CU
m , Qn ∈ R+ , m ∈ HU, n ∈ CU

xh ∈ R n , x p ∈ R n

where QHU CU are the heat load of hot utility m and cold utility n, respecti-
m and Qn
HU and C CU are the unit cost of hot utility m and cold utility n, respectively.
vely, and Cm n

182
Capı́tulo 4. Resultados

The vector variable xp represents process parameters such as pressures, flowra-


tes, and equipment sizes, and structural parameters usually represented by 0-1 binary
variables. The vector variable xh represents the flowrates and temperatures of the
pro-cess streams that undergo either cooling or heating, and also the binary variables
relating to energy integration used in the model equations.

The vectors of constraint h and g represent the material and energy balances, de-
sign specifications or structural relationships in the synthesis problem. The linear equa-
tions Axh ≤ b are used specifically for the heat integration presented in the next sec-
tion.

The model is composed of three different parts: in the first,all inlet temperatures of
the system are implicitly ordered; in the second, the heat exchange is calculated for
each stream in each temperature interval; and in the third, the previously calculated
heat exchanges of each interval are connected in descending order via the transs-
hipment model.

4.3.3.1. Implicit ordering of temperatures

The first step involves implicitly ordering the temperatures that determine the tem-
perature intervals. It is worth noting that under the assumption of constant heat ca-
pacity flowrates, the pinch point always appears between an inlet temperature of a
hot ora cold stream and any temperature of a cold or a hot stream, respectively. The-
refore, we need only consider inlet temperatures when calculating the pinch point or
temperature intervals.

Working with the actual temperatures leads to a pinch point that separates the
hot composite curve and the cold composite curve by a temperature interval that
exactly equals the value of HRAT .If we decrease the temperature of the hot streams
by HRAT /2 and increase the temperature of the cold streams by HRAT /2, then we
can obtain a pinch point that corresponds to a single temperature instead of an inter-
val:

183
4.3.Alternative Model for heat integration

in ∗,in HRAT
TH = TH − (4.3.4)
2
out ∗,out HRAT
TH = TH − (4.3.5)
2
in ∗,in HRAT
TC = TC + (4.3.6)
2
out ∗,out HRAT
TC = TC + (4.3.7)
2

in and T out are the shifted inlet and outlet temperatures for the hot streams,
where TH H
in
TC out are the corresponding shifted inlet and outlet temperatures for the cold
and TC
streams, and the superscript ‘*’ denotes an actual temperature. The shifted tempera-
tures must be constrained to lie within lower and upper bounds:

∗,in HRAT in ∗,in HRAT


TH − ≤ TH ≤ TH −
2 2
∗,out HRAT out ∗,out HRAT
TH − ≤ TH ≤ TH −
2 2
(4.3.8)
∗,in HRAT in ∗,in HRAT
TC + ≤ TC ≤ TC +
2 2
∗,out HRAT out ∗,out HRAT
TC + ≤ TC ≤ TC +
2 2

It is also convenient to define an auxiliary temperature that stores the inlet tempe-
ratures of all the streams:


 T in , if k = i
H
Tkin = k = 1, . . . , nH , . . . , nH + nC (4.3.9)
 T in , if k = n + j
C H

In Eq. 4.3.9 the indices k, i, j, are ordered sets and also denote position inside their
respective sets.

The sorted temperatures correspond to a permutation of the positions of the actual


temperatures in the set of streams ST ; the set of variables Tkord
0 store the sorted values

184
Capı́tulo 4. Resultados

of all the inlet temperatures in descending order. We accomplished this with the aid
of the definition of the Boolean variable Yk,k0 , which is true if the inlet temperature in
position k occupies position k0 after the ordering, and false otherwise.

The disjunctive model is formulated as follows:

 
Yk,k0
∨   ∀k ∈ ST (4.3.10)
k0 ∈ST Tkin = Tkout
0

∨ Yk,k0 ∀k ∈ ST
k0 ∈ST
(4.3.11)
∨ Yk,k0 ∀k0 ∈ ST
k∈ST

ord
Tk−1 ≥ Tkord ∀k \ {1} ∈ ST (4.3.12)

Eq. 4.3.10 assigns to the ordered temperature k’ the value of the initial temperature
k. The equations in 4.3.11 assign a fixed position to an ordered temperature, implying
that a given ordered position can only be occupied by one stream at a time. Eq.
4.3.12 forces the descending ordering of temperatures.

Eqs. 4.3.10 and 4.3.11 can be reformulated in terms of binary variables(in this paper
we use capital letters for the Boolean and small letters for the binary variables). The
binary variable takes value 1 if the Boolean variable is True and 0 otherwise. The HR
formulation for the disjunctions in Eq. 4.3.10 is:

in,D ord,D
Tk,k 0 = Tk0 ,k ∀k0 k ∈ ST (4.3.13)
in,D
X
Tkin = Tk,k 0 ∀k ∈ ST (4.3.14)
k0 ∈ST

Tkord,D
X
Tkord = 0 ,k ∀k0 ∈ ST (4.3.15)
k∈ST

in,D
T yk,k0 ≤ Tk,k 0 ≤ T yk,k0

∀k0 k ∈ ST (4.3.16)
ord,D
T yk,k0 ≤ Tk,k 0 ≤ T yk,k0 

185
4.3.Alternative Model for heat integration

where each of the two variables Tkin and Tkord


0 appearing in the terms of disjunction
in,D
k are disaggregated into nC + nH new variables, Tk,k 0 and Tkord,D
0 ,k as described
by Eqs. 4.3.14 and 4.3.15. In Eq. 4.3.16, we use upper and lower bounds and binary
in,D ord,D
variables yk,k0 to force the disaggregated variables Tk,k 0 , Tk0 ,k to zero when the
initial temperature k is not assigned to the ordered temperature k0 .

The assignment logic propositions, Eq. 4.3.11, are written into algebraic form using
binary variables, as follows:

X
yk,k0 = 1 ∀k ∈ ST
k0 ∈ST
X (4.3.17)
yk,k0 = 1 ∀k0 ∈ ST
k∈ST

Once the temperatures have been sorted, the ordered inlet temperatures (toget-
her with the maximum and minimum possible temperatures, T max and T min , respec-
tively) define the temperature intervals (Fig. 4.3.1). The total number of temperature
intervals (NI) is equal to the number of hot streams plus the number of cold streams
plus one.

U P ) and lower (T LO )temperatures as


Each interval is characterized by its upper (Tw w

follows:

T1U P = Tmax
UP
Tw+1 = Tkord w, k = 1, . . . , nH + nC
(4.3.18)
LO
Tw = Tkord w, k = 1, . . . , nH + nC
LO
TN I = Tmin

186
Capı́tulo 4. Resultados

Figura 4.3.1: Illustration of ordered temperatures and intervals

4.3.3.2. Heat transfer within each temperature interval

For a given temperature interval and a given stream, two cases arise where the
stream does not exchange heat in that interval.The first case occurs when the tempe-
rature interval is above the inlet temperature for a hot stream or the outlet temperature
for a cold stream (cases H2 and C1 in Fig. 4.3.2). The other case of no heat exchan-
ge occurs when the temperature interval is below the outlet temperature for a hot
stream or the inlet temperature for a cold stream (cases H1 and C2 in Fig. 4.3.2). We
must explicitly take into account these two alternatives.

A given stream can interchange heat within a certain interval in two ways. For a
hot stream, if the outlet temperature of the stream is below the lower temperature
of the interval, then this stream transfers heat throughout the whole interval (case H3
in Fig. 4.3.2).Alternatively, if the outlet temperature of the hot stream is greater than

187
4.3.Alternative Model for heat integration

Figura 4.3.2: All the relative positions of a stream in relation to a given temperature
interval

the lower temperature of the interval, the stream exchanges heat only in a part of
the interval (case H4 in Fig. 4.3.2). Similarly, a cold stream transfers heat throughout
the entire interval if its outlet temperature is higher than the upper temperature of the
interval(case C3 in Fig. 4.3.2). Likewise if the outlet temperature of the cold stream is
lower than the upper temperature of the interval, then this stream exchanges heat
only in a part of the interval (case C4 in Fig. 4.3.2).

To model these alternatives, we write the linear disjunctions 4.3.19 and 4.3.20, which
require definition of the following Boolean variables:

 
C
Zj,w  
      C
¬Zj,w
 C3
Zj,w C4
Zj,w        
  C1
Zj,w C2
Zj,w   j ∈ COLD



 QC = F CP C (T U P − T LO )
 j,w j w w
 
  C C
Qj,w = F CPj (TjCout LO
  
  ∨
− Tw )   
     
  ∀ (4.3.19)
∨ QC ∨ QC  w ∈ TI
     
j,w = 0 j,w = 0
       
  TjCout ≥ Tw UP   TjCin ≤ TwLO        
TjCout ≤ Tw
LO TjCin ≥ Tw
UP
     
TjCin ≤ TwLO U P ≥ T Cout ≥ T LO
Tw j w

188
Capı́tulo 4. Resultados

 
H
Zi,w  
¬Z H
 i,w
     
 H3
Zi,w H4
Zi,w       
  H1
Zi,w H2
Zi,w   i ∈ HOT



 QH = F CP H (T U P − T LO )
 i,w i w w
 
  H H U P
Qi,w = F CPi (Tw − Ti Hout
  
)  ∨
       
  ∀ (4.3.20)
∨ QH ∨ QH    w ∈ TI
     
i,w = 0 i,w = 0
     
  TiHin ≥ TwUP   TiHin ≥ TwUP        
TiHin ≤ Tw
LO TiHout ≥ Tw
UP
     
TiHout ≤ Tw LO U P ≥ T Hout ≥ T LO
Tw i w

H
Zi,w True if the hot stream i exchanges heat in the temperature interval w

C
Zi,w True if the cold stream j exchanges heat in the temperature interval w

H1 True if the inlet temperature of the hot stream i is below the temperature of
Zi,w
interval w

H2 True if the outlet temperature of the hot stream i is above the temperature inter-
Zi,w
val w

H3 True if the hot stream i traverses the temperature interval w


Zi,w

H4 True if the outlet temperature of the hot stream i is inside the temperature interval
Zi,w
w

C1 True if the outlet temperature of the cold stream j is below the temperature
Zj,w
interval w

C2 True if the inlet temperature of the cold stream j is above the temperature inter-
Zj,w
val w

C3 True if the cold stream j traverses the temperature interval w


Zj,w

C4 True if the outlet temperature of the cold stream j is inside the temperature inter-
Zj,w
val w

In disjunctions 4.3.19 and 4.3.20 it is assumed that heat flow rates F CPiH ,F CPjC are
known and constant (it is possible to include the heat flowrates as variables, but in this
case the problem becomes bilinear). QH C
i,w and Qj,w are the heat flows exchanged by
hot and cold streams in the interval w, respectively.

Furthermore, a complete description of the alternatives demands making use of


the following logical expressions:

189
4.3.Alternative Model for heat integration

H H3 H4
Zi,w ⇔ Zi,w ∨ Zi,w , ∀i ∈ HOT ; ∀w ∈ T I (4.3.21)
H H1 H2
¬Zi,w ⇔ Zi,w ∨ Zi,w , ∀i ∈ HOT ; ∀w ∈ T I (4.3.22)
C C3 C4
Zj,w ⇔ Zj,w ∨ Zj,w , ∀j ∈ COLD; ∀w ∈ T I (4.3.23)
C C1 C2
¬Zj,w ⇔ Zj,w ∨ Zj,w , ∀j ∈ COLD; ∀w ∈ T I (4.3.24)

Disjunctions 4.3.19 and 4.3.20 can be rewritten in terms of binary variables with the
aid of HR. For the hot streams Eq. 4.3.19 the reformulation reads as follows:

190
Capı́tulo 4. Resultados


QH QH
P
i,w = i,w,d


d∈HD




UP = UP
P 
Tw Ti,w,d 


d∈HD




LO = LO
P
Tw Ti,w,d ∀w ∈ T I, ∀i ∈ HOT (4.3.25)
d∈HD 


TiHin Hin
P
= Ti,w,d




d∈HD 



TiHout = Hout
P
Ti,w,d



d∈HD

QH H UP LO
i,w,h3 = F CPi (Ti,w,h3 − Ti,w,h3 ) 



Hin U P
Ti,w,h3 ≥ Ti,w,h3 ∀i ∈ HOT, ∀w ∈ T I (4.3.26)


T Hout ≤ T LO


i,w,h3 i,w,h3

QH H UP Hout
i,w,h4 = F CPi (Ti,w,h4 − Ti,w,h4 ) 



T Hin ≥T U P 

i,w,h4 i,w,h4
∀i ∈ HOT, ∀w ∈ T I (4.3.27)
Hout ≤ T U P
Ti,w,h4 
i,w,h4




Hout ≥ T LO
Ti,w,h4

i,w,h4

QH
i,w,h1 = 0

∀i ∈ HOT, ∀w ∈ T I (4.3.28)
Hin ≤ T LO
Ti,w,h1 
i,w,h1

QHi,w,h2 = 0

∀i ∈ HOT, ∀w ∈ T I (4.3.29)
T Hout ≥ T U P
i,w,h2

i,w,h2

QH d
i,w,d ≤ Qi zi,w




d
Tw zi,w U P ≤ T zd
≤ Ti,w,d


w i,w 


d
Tw zi,w LO ≤ T z d
≤ Ti,w,d ∀i ∈ HOT, ∀w ∈ T I (4.3.30)
w i,w


TiHin zi,w
d Hin ≤ T Hin z d
≤ Ti,w,d


i i,w 



TiHout d Hout ≤ T Hout z d
zi,w ≤ Ti,w,d

i i,w

HR requires introducing disaggregated variables for QH UP LO Hin , and


i,w , Tw , Tw , Ti
TiHout , which we label with subscript d, the index of the set HD = H1, H2, H3, H4 (Eq.
4.3.25). In Eq. 4.3.30, an upper and lower bound is assigned to each disaggregated
d
variable, so that when zi,w = 1 the variables can take values between these bounds,
d
and if zi,w = 0 then QH UP LO Hin Hout
i,w,d = Ti,w,d = Ti,w,d = Ti,w,d = Ti,w,d = 0. Note that the bounds

191
4.3.Alternative Model for heat integration

for the disaggregated variables, those variables which define the temperature interval
U P and T LO ), depend on the interval itself.
w (that is Tw w


QC QC
P
j,w = j,w,d


d∈CD




UP = UP
P 
Tw Tj,w,d 


d∈CD




LO = LO
P
Tw Tj,w,d ∀w ∈ T I, ∀j ∈ COLD (4.3.31)
d∈CD 


TjCin = Cin
P
Tj,w,d




d∈CD 



TjCout = Cout
P
Tj,w,d



d∈CD

QC C UP LO
j,w,c3 = F CPj (Tj,w,c3 − Tj,w,c3 ) 



Cin LO
Tj,w,c3 ≤ Tj,w,c3 ∀j ∈ COLD, ∀w ∈ T I (4.3.32)


T Cout ≥ T U P


j,w,c3 j,w,c3

QC C Cout
j,w,c4 = F CPj (Tj,w,c4
LO ) 
− Tj,w,c4 


Cin ≤ T LO
Tj,w,c4


j,w,c4
∀j ∈ COLD, ∀w ∈ T I (4.3.33)
Cout ≤ T U P
Tj,w,c4 
j,w,c4 



Cout ≥ T LO
Tj,w,c4

j,w,c4

QC
j,w,c1 = 0

∀j ∈ COLD, ∀w ∈ T I (4.3.34)
Cout ≤ T LO
Tj,w,c1 
j,w,c1

QCj,w,c2=0 
∀j ∈ COLD, ∀w ∈ T I (4.3.35)
Cin ≥ T U P
Tj,w,c2 
j,w,c2

QC d
j,w,d ≤ Qj zj,w




d U P ≤ T zd

Tw zj,w ≤ Tj,w,d

w j,w 



d LO ≤ T z d
≤ Tj,w,d
Tw zj,w w j,w ∀j ∈ COLD, ∀w ∈ T I (4.3.36)

TjCin zj,w
d Cin ≤ T Cin z d

≤ Tj,w,d j j,w






TjCout zj,w
d Cout ≤ T Cout z d
≤ Tj,w,d


j j,w

where analogously to the hot case, we define the set CD = C1, C2,C3, C4 to achie-
ve disaggregation of the variables.

192
Capı́tulo 4. Resultados

Finally, the logical expressions 4.3.21–4.3.24 are converted into linear inequality cons-
traints as follows:

h h3 h4
zi,w = zi,w + zi,w , ∀i ∈ HOT ; ∀w ∈ T I (4.3.37)
h h1 h2
1 − zi,w = zi,w + zi,w , ∀i ∈ HOT ; ∀w ∈ T I (4.3.38)
c c3 c4
zj,w = zj,w + zj,w , ∀j ∈ COLD; ∀w ∈ T I (4.3.39)
c c1 c2
1 − zj,w = zj,w + Zj,w , ∀j ∈ COLD; ∀w ∈ T I (4.3.40)

4.3.3.3. Transshipment model

In order to calculate the heat and cool utilities as well as the heat exchanged by
the entire system, we use a heat cascade diagram,following the conventional ap-
proach in pinch analysis (Fig. 4.3.3).The mathematical formulation of the problem was
proposed by Papoulias and Grossmann [5]. The heat cascade diagram can be re-
garded as a transshipment problem. In this model, hot streams are treated as source
nodes, and cold streams as destination nodes.Heat can then be regarded as a com-
modity that must be transferred from the sources to the destinations through a number
intermediate “warehouses” corresponding to the temperature intervals that guaran-
tee feasible heat exchange. When not all of the heat can be allocated to the desti-
nations (cold streams) in a given temperature interval, the excess is cascaded down
to lower temperature intervals through the heat residuals.

The equations for the transshipment model can be formulated as follows. We have
w temperature intervals that are numbered from the top to bottom. The heat balances
of the model are:

193
4.3.Alternative Model for heat integration

Figura 4.3.3: Heat cascade diagram

X X
QHU + QH
i,1 = R1 + QC
j,1
i∈HOT j∈COLD
X X
Rw−1 + QH
i,w = Rw + QC
j,w w = 2, . . . , W − 1
i∈HOT j∈COLD (4.3.41)
X X
RW −1 + QH
i,w = Q
CU
+ QC
j,W
i∈HOT j∈COLD

RW = 0

This model correctly predicts the minimum utility for variable inlet temperatures, but
at a high cost in terms of computational performance. The reasons for this have to
do with the large number of combinations of binary variables that lead to infeasible
subproblems and a relaxation gap that is too large. These problems can be overcome
by first including a preprocessing step to fix a priori some binary variables (this prepro-

194
Capı́tulo 4. Resultados

cessing is explained in the next section); and by adding a set of logical relationships
among the Yk,k0 Boolean variables, which deal with the arrangement of the inlet tem-
peratures, and the Z Boolean variables, which are related to the heat transferred by a
stream within a certain temperature interval.

4.3.3.4. Logical relationships relating reordering and heat exchange binary variables

To make the mathematical formulation as simple as possible, it is convenient to


recall that the sets HOT (hot streams), COLD (cold streams), ST (streams = HOT ∪ COLD)
and TI (Temperature intervals)are ordered sets. For simplicity, it is also convenient to
define the following additional sets:

P HIk,i Streams in sets k ∈ ST, i ∈ HOT if k = i

P CIk,j Streams in sets k ∈ ST, j ∈ COLD if k = nH + j

Hot streams

1. If the inlet temperature of the hot stream i (i ∈ P HIk,i ) is assigned to position


k0 then this stream does not exchange heat in any temperature interval above
that defined by the position k0 (see Fig. 4.3.4a)

H1
Yk,k0 ⇒ Zi,w (k, i) ∈ P HIk,i , ∀w ∈ IT, ∀k0 ∈ ST, ∀w ≤ k0 (4.3.42)

2. If the inlet temperature of the hot stream i (i ∈ P HIk,i ) is assigned to position k0


then this stream exchanges heat in the temperature interval starting at that po-
sition (counting top to down). The stream either traverses that interval or finishes
somewhere inside it (see Fig. 4.3.4b)

H3 ∨ Z H4
Yk,k0 ⇒ Zi,w i,w (k, i) ∈ P HIk,i , ∀w ∈ IT, ∀k0 ∈ ST, w = k0 + 1 (4.3.43)

195
4.3.Alternative Model for heat integration

3. If the hot stream i (i ∈ P HIk,i ) does not exchange heat in a given interval then
the inlet temperature of that stream cannot be assigned to position k0 , which
defines the upper value of the interval (see Fig. 4.3.4c)

H ⇒ ¬Y
¬Zi,w k,k0 (k, i) ∈ P HIk,i , ∀w ∈ IT, ∀k0 ∈ ST, w = k0 + 1 (4.3.44)

4. If the outlet temperature of the hot stream i (i ∈ P HIk,i ) is inside a temperature


interval ’w’ then the inlet temperature of that stream cannot be in any interval
below w (see Fig. 4.3.4d)

H4 ⇒ ¬Y
Zi,w k,k0 (k, i) ∈ P HIk,i , ∀w ∈ IT, ∀k0 ∈ ST, k0 ≥ w (4.3.45)

Cold streams

5. If the inlet temperature of the cold stream j (j ∈ P CIk,j ) is assigned to position


k0 then this stream does not exchange heat in any temperature interval below
that defined by the position k0

C2
Yk,k0 ⇒ Zj,w (k, j) ∈ P CIk,j , ∀w ∈ IT, ∀k0 ∈ ST, ∀w ≥ k0 + 1 (4.3.46)

6. If the inlet temperature of the cold stream j (j ∈ P CIk,j ) is assigned to posi-


tion k0 then this stream exchanges heat in the temperature interval finishing at
that position (counting top to down). The stream either traverses that interval or
finishes somewhere inside it.

C3
Yk,k0 ⇒ Zj,w C4
∨ Zj,w (k, j) ∈ P CIk,j , ∀w ∈ IT, ∀k0 ∈ ST, w = k0 (4.3.47)

196
Capı́tulo 4. Resultados

Figura 4.3.4: Logical relationships for hot streams

7. If the cold stream j (j ∈ P CIk,j ) does not exchange heat in a given interval
then the inlet temperature of that stream cannot be assigned to the position k0 ,
which defines the lower value of the interval:

C
¬Zj,w ⇒ ¬Yk,k0 (k, j) ∈ P CIk,j , ∀w ∈ IT, ∀k0 ∈ ST, k0 = w (4.3.48)

197
4.3.Alternative Model for heat integration

8. if the outlet temperature of the cold stream j (j ∈ P CIk,j ) is inside a temperatu-


re interval w then the inlet temperature of that stream cannot be in any interval
above w

C4
Zj,w ⇒ ¬Yk,k0 (k, j) ∈ P CIk,j , ∀w ∈ IT, ∀k0 ∈ ST, k0 ≤ w − 1 (4.3.49)

The scheme of these logical relationships for the cold streams is similar to that of
the hot streams shown in Fig. 4.3.4. However, in the case of cold streams the heat
exchange is produced in the opposite direction (from cold to hot temperatures).

4.3.3.5. Logical relationships involving heat exchange intervals

1. If a hot/cold stream is below the temperature interval w, then it is also below all
the intervals above w

H1 H1
Zi,w ⇒ Zi,w−1 ∀i ∈ HOT ; ∀w(w > 1) ∈ T I (4.3.50)
C1 C1
Zj,w ⇒ Zi,w−1 ∀j ∈ COLD; ∀w(w > 1) ∈ T I (4.3.51)

2. If a hot/cold stream is above the temperature interval w, then it is also above


all the intervals below w

H2 H2
Zi,w ⇒ Zi,w+1 ∀i ∈ HOT ; ∀w(w 6= W ) ∈ T I (4.3.52)
C2 C2
Zj,w ⇒ Zi,w+1 ∀j ∈ COLD; ∀w(w 6= W ) ∈ T I (4.3.53)

3. If a hot/cold stream finishes the heat exchange in the interval w, then that
stream does not exchange heat in the temperature intervals below/above w

198
Capı́tulo 4. Resultados

H4 H2
Zi,w ⇒ Zi,w+1 ∀i ∈ HOT ; ∀w(w 6= W ) ∈ T I (4.3.54)
C4 C2
Zj,w ⇒ Zi,w−1 ∀j ∈ COLD; ∀w(w > 1) ∈ T I (4.3.55)

Note that although Eqs. 4.3.54 and 4.3.55 only force the variables Z H2 , Z C2 to
be true in the interval immediately above/below w, Eqs. 4.3.52 and 4.3.53 then
become active and force these variables to be active in the rest of the intervals
above/below the interval w

4. If a hot stream exchanges heat in a temperature interval w,then in the following


interval (top to bottom) it either continues exchanging heat, or finishes exchan-
ging heat, or does not exchange heat at all

H3 H3 H4 H2
Zi,w ⇒ Zi,w+1 ∨ Zi,w+1 ∨ Zi,w+1 ∀i ∈ HOT, ∀w(w 6= W ) ∈ T I (4.3.56)

5. If a cold stream exchanges heat in a temperature interval w,then in the fo-


llowing interval (bottom to top) it either continues exchanging heat or finishes
exchanging heat, or does not exchange heat at all.

C3 C3 C4 C2
Zj,w ⇒ Zj,w−1 ∨ Zj,w−1 ∨ Zj,w−1 ∀j ∈ COLD, ∀w(w > 1) ∈ T I (4.3.57)

4.3.3.6. Preprocessing

The objective of preprocessing is to reduce the size of the problem: reducing the
number of variables by assigning fixed values to certain binary variables (yk,kk ) and by
extension to some z variables; or by limiting the number of intervals that a given stream
can be assigned to. A key characteristic of the present model is that the complexity
of the resulting model depends on the degree of overlapping in the inlet temperature
intervals, for both the hot and cold streams. Two extreme situations can arise: the first
occurs when all the inlet temperatures are fixed; in this case all the binary variables

199
4.3.Alternative Model for heat integration

can be fixed a priori and the model becomes an LP model (no integer variables): it
reduces to the transshipment problem [5]. The other extreme occurs when all the inlet
temperatures overlap; in this case it is not possible to do any a priori assignment. As
important as fixing some assignments is restricting the intervals of values to which a
given inlet stream temperature can be assigned is just as important.

Consider, for example, Fig. 4.3.5, which corresponds to test 3 in example 2 (see Ta-
ble 3). It shows the minimum and maximum values for the inlet temperatures of both
hot and cold streams;the streams are arranged by upper bound, and have been
drawn accordingly. In this way it is possible verify that stream H1 can only be assigned
to position 1; streams C3, C4, and H2 only to positions2, 3 or 4; stream H4 to positions 5
or 6; stream C2 to positions 5, 6or 7; stream H3 to positions 6 or 7, and finally, stream C1
to position8.

Figura 4.3.5: Minimum and maximum values for the inlet temperatures of hot and cold
streams

Note that if two inlet temperatures are equal we obtain a degenerate interval of
temperatures (the upper and lower bound temperatures of the interval are the same).

200
Capı́tulo 4. Resultados

Note also that, in Fig. 4.3.5, we have drawn the positions for the assignments according
to the upper temperatures of the inlet streams.Therefore, positions 5 and 6 appear
to overlap but this does not mean that they necessarily have to in the final optimal
solutions.

Based on the foregoing analysis, it now becomes straightforward to set some values
of the Z H and Z C variables equal to zero – just by inspecting the outlet temperatures
of the various streams.

Finally, once some inlet temperatures are constrained to lie in a reduced number of
intervals, the upper and lower bounds of temperatures for that interval can be adjus-
ted to obtain a tighter model(i.e. adjusted to the minimum and maximum of the inlet
temperatures of the streams that could start in that interval).

4.3.3.7. Final remarks, extensions and performance of the disjunctive model

There are several important considerations and extensions of the above model that
deserve a more detailed discussion.

The first important point pertains to the model’s performance.In other words, when
and why could we expect a better performance from this model versus the “pinch
location” method? Specifically, the comparison is with the disjunctive implementation
by Grossmann et al. [4]:

1. The logical relationships in Sections 4.3.3.4 and 4.3.3.5, as well as the preproces-
sing stage, can be removed from the model. The optimal solution remains the
same, however under these conditions the performance is really bad (e.g. very
poor relaxation gap and large CPU times). In that case increasing the number
of equations will improve the model’s performance.

2. How the model performs is directly related to the degree of overlapping of the
interval of possible variation of the inlet temperatures: the lower the extent of
overlapping the better the performance of the model (it is important to remark
that the overlap is only in the variation of inlet temperatures and not between
the inlet and outlet temperatures). Test problems 3 and 4 (see the Examples

201
4.3.Alternative Model for heat integration

section) show that the relaxation gap drastically decreases with overlapping
degree. The relaxation gap in these examples is much better than that which
results from using the disjunctive implementation of the pinch location method
by Grossmann et al. An extreme situation occurs when there is no overlapping
at all; in that case all the binary variables and most of the variables are fixed
and the model is an LP or NLP.

3. Related to the previous point, it is worth noting that although the difference
between inlet and outlet temperatures of a stream can be large, in industrial
practice the bounds for the inlet temperature are subject to physical and prac-
tical constraints that in most situations prevent large intervals. Therefore, a small
degree of overlapping is not uncommon.

4. The large number of constraints (compared with the pinch location method) is
only a minor problem, for two main reasons:(1) all the constraints are linear, and
modern solvers can deal very efficiently with very large sets of linear equations;
(2) the preprocessing step in any modern solver drastically reduces the number
of equations and variables that the model must effectively solve. For example, in
test problem 3 –see Section 4.3.4– the problem size is reduced from 5375 equa-
tions and 2125 variables to 675 equations and 283 variables: a reduction in size
of more than 85 %. The examples show that the effective number of equations
and variables in both the pinch location and proposed model are on the same
order of magnitude.

It is also of interest to show how the model can be extended to take into account
some situations that were not specifically addressed before: isothermal streams, multi-
ple utilities or forbid-den matches.

Isothermal streams. The easiest way to deal with these streams is to assume a small
fictitious temperature difference between the inlet and outlet temperatures (say 1,
0.1, 0.01ºC) and to calculate the correct heat flow rate. Alternatively, it is possible to
define a temperature interval of ∆T = 0ºC, in which only the isothermal stream can
exchange heat. This requires changing the equations for the heat exchange of the
affected streams.

202
Capı́tulo 4. Resultados

Multiple utilities. If the utility is an isothermal stream (e.g. HP, MP, LP saturated steam),
it is possible to introduce the utility by using either of the two approaches for isother-
mal streams mentioned in the paragraph immediately above; however, the objective
function must now take into account the cost of the utility. Note that the variable will
be the total heat exchanged by the utility, or the heat flow rate (mass flow rate if the
heat capacity is constant). In any case, the model continues to be linear. If the utility is
a non-isothermal stream (e.g. refrigeration water) with fixed inlet and outlet tempera-
tures, it can be introduced as any other stream, but in this case the temperatures are
fixed and the heat flow rate is variable. Again, linearity is retained.

Forbidden matches. In the model presented, it is implicitly assumed that all the hot
streams can exchange heat with all the cold streams. The implementation of forbid-
den matches is straightforward simply by changing the domain of equations involving
heat exchange (i.e. by defining a set of permitted matches and defining the equa-
tions over this set).

Both the “pinch location method” and the proposed model assume that the pinch
point can be located at any of the inlet temperatures of the process streams. This is
always true only if the heat flow rate in any stream is assumed to be constant, or vi-
ceversa: the inlet and outlet temperatures are constant and the heat flow rate can
change. However, if both the temperatures and flows can vary at the same time, we
cannot be sure that the pinch point will be located at an inlet temperature (e.g. when
the heat capacity depends on the temperature). A typical approach to overcome
this problem is to use a piecewise linear approximation, but if there is a complex rela-
tionship between the heat flow rate and temperatures it is not always possible to use
such an approach; consequently,both models must be used with caution.

4.3.4. Examples and results

In this section, a number of different examples are presented.They include problems


involving: fixed and variable stream temperatures (MILP); heat integration of distillation
columns, in which the temperature of the streams depends on the operating condi-
tions of the columns (MINLP); and flowsheet process optimization and heat integration
using the hybrid simulation optimization approach, in which the process is solved by

203
4.3.Alternative Model for heat integration

a commercial pro-cess simulator (ASPEN-HYSYS), and the heat integration model is in


equation form.

All calculations were performed on GAMS (REFERENCIA MCCARL, 2010) and MATLAB-
TOMLAB (REFERENCIA HOLMSTROM, 1999), while simulations were per-formed on ASPEN-
HYSYS.

4.3.4.1. Process with fixed streams conditions (MILP)

First, in order to validate the model, we solve the easiest possible example, in which
temperatures (both inlet and outlet) and heat flow rates are known and constant (see
Table 4.3.1). The objective is to determine the minimum utilities cost (min CH QHot +
CC QCold ).From a mathematical point of view, this problem involves binary and con-
tinuous variables, and all the equations used in the model are linear; so this problem
must be solved as a mixed integer linear problem (MILP), which was done on GAMS-
CPLEX. Finally, to test the behavior of the model, we compare its results with those
obtained by the pinch location method according to the disjunctive implementation
proposed by Grossmann et al. [4].

Tabla 4.3.1: Test problem 1 (fixed temperatures)


Test problem 1: non-isothermal, 6 hot and 6 cold streams
Hot stream FCp (kW/ºC) Inlet T (ºC) Outlet T (ºC) Cold stream FCp (kW/ºC) Inlet T (ºC) Outlet T (ºC)
H1 1,00 280 100 C1 0,50 30 200
H2 3,00 200 80 C2 1,50 60 90
H3 1,00 220 150 C3 2,00 70 170
H4 2,00 210 90 C4 3,00 110 230
H5 1,00 250 180 C5 1,50 90 140
H6 2,00 270 120 C6 4,00 120 250
Price of steam: 80 $ kg/kW
Price of cooling water: 20 $ kg/kW.

Under these conditions the temperature intervals are fixed and can be calculated
a priori, and the problem becomes one of “classical” heat integration, which can be
solved either by hand (e.g. problem table by Linnhoff (REFERENCIA LINNHOFF, 1982;
[1]) or by using the transshipment problem pro-posed by Papoulias and Grossmann
[5]. The proposed model can capture this fact in the preprocessing stage, and then

204
Capı́tulo 4. Resultados

all binary variables will be fixed. Therefore, Table 4.3.2 contains results which have been
obtained with the preprocessing stage deactivated.

Tabla 4.3.2: Results test problem 1 (fixed temperatures)

Results test problem 1


Non-isothermal Grossmann et al. (G.Y.K.) Present work
Nº equations 1622 6059
Nº variables 614 1169
Nº binary variables 432 900
CPU time (s)a 0,271 0,353
Iterations 0 0
Heating req. (kW/kg) 80,00 80,00
Cooling req. (kW/kg) 15,00 15,00
Optimal solution ($) 6700,00 6700,00
a Pentium Dual-Core E5300 2.60 GHz, using CPLEX 12.4.0.0 for MILP

Table 4.3.2 shows, for both methods described above, the solution to this example
and some parameters relevant to the problem.

As expected, the computational results show that the number of variables, in par-
ticular binary variables, is considerably larger in the proposed model versus the pinch
location method. However, as mentioned earlier, both models exhibit comparable
computational performance (see Table 4.3.2).

Finally, as a check on the proposed model, we find that both models obtain exactly
the same solution ($6700).

4.3.4.2. Process with variable stream conditions (MILP)

The following examples (test problems 2 and 3) illustrate the case in which there is
a range of inlet and outlet temperatures for hot and cold streams – under the assum-
ption that this variation does not have an impact on process performance. In other
words,we have an extra degree of freedom of variable temperatures for the heat
integration that does affect the rest of the process. Whereas this is a valid approxima-
tion in many systems, our main interest here focuses on testing the affected part of the

205
4.3.Alternative Model for heat integration

model. All the problems were solved for a heat recovery temperature (HRAT) of 10K.
For comparison purposes, the test problems were also solved by the pinch location
method.

The main objective of these examples is to show how the over-lapping degree
in the possible range of inlet temperatures affects the model’s performance. As in
the previous case, the objective function minimizes the utility cost (min C HU QHU +
C CU QCU ). In all cases the heat flow rates are assumed to be constant (see Table
4.3.3).

Tabla 4.3.3: Test problems 2–4 (variable temperatures)


Test problem 2: non-isothermal, 3 hot and 3 cold streams
FCp Interval Inlet Interval Outlet FCp Interval Inlet Interval Outlet
Hot stream Cold stream
(kW/ºC) T (ºC) T (ºC) (kW/ºC) T (ºC) T (ºC)
H1 0,15 180 - 260 30 - 50 C1 0,20 15 - 135 170 - 190
H2 0,50 120 - 220 75 - 95 C2 0,30 110 - 190 225 - 235
H3 0,10 110 - 155 90 - 100 C3 0,15 70 - 130 140 - 150

Test problem 3: non-isothermal, 4 hot and 4 cold streams


FCp Interval Inlet Interval Outlet FCp Interval Inlet Interval Outlet
Hot stream Cold stream
(kW/ºC) T (ºC) T (ºC) (kW/ºC) T (ºC) T (ºC)
H1 0,15 230 - 260 30 - 50 C1 0,20 10 - 25 170 - 190
H2 0,50 135 - 155 110 - 150 C2 0,30 90 - 110 180 - 225
H3 0,25 80 - 100 20 - 30 C3 0,15 125 - 160 225 - 235
H4 0,30 110 - 120 80 - 100 C4 0,40 130 - 150 250 - 280

Test problem 4 (non lineal): non-isothermal, 3 hot and 3 cold streams


FCp Interval Inlet Interval Outlet FCp Interval Inlet Interval Outlet
Hot stream Cold stream
(kW/ºC) T (ºC) T (ºC) (kW/ºC) T (ºC) T (ºC)
H1 0,15 180 - 200 30 - 50 C1 0,20 15 - 25 170 - 190
H2 0,50 120 - 140 75 - 95 C2 0,30 110 - 140 225 - 235
H3 0,25 110 - 155 90 - 100 C3 0,15 70 - 100 140 - 150
Price of steam: 80 $ kg/kW
Price of cooling water: 20 $ kg/kW.

In test problem 2 the bounds of almost all the inlet temperatures overlap and the-
refore the preprocessing stage has a low impact on the model’s performance. In both
the ‘pinch location method’ and the proposed approach the relaxation gap is really
bad (objective function equal to zero).

However, in test problem 3, the overlapping of the bounds of inlet temperatures is


moderate, see Fig. 4.3.5. The optimal solution is $4060 but the relaxation gap of the
proposed model is much better than that obtained by the pinch location method

206
Capı́tulo 4. Resultados

(3124 vs 620).Results and relevant parameters for the test problems are shown in Tables
4.3.4 and 4.3.5, respectively.

Tabla 4.3.4: Results test problems 2–4 (variable temperatures)

G.Y.K. model Present work


FCp
Stream Opt. Inlet Opt. Outlet Opt. Inlet Opt. Outlet
(kW/ºC)
Temp. (ºC) Temp. (ºC) Temp. (ºC) Temp. (ºC)
Optimal solution test problem 2: non-isothermal, 3 hot and 3 cold streams
H1 0,15 260,00 50,00 260,00 50,00
H2 0,50 210,00 95,00 210,00 95,00
H3 0,10 110,00 100,00 110,00 100,00
C1 0,20 15,00 190,00 15,00 190,00
C2 0,30 110,00 225,00 110,00 225,00
C3 0,15 70,00 150,00 70,00 150,00
Optimal solution test problem 3: non-isothermal, 4 hot and 4 cold streams
H1 0,15 260,00 50,00 260,00 50,00
H2 0,50 155,00 120,50 155,00 126,50
H3 0,25 80,00 30,00 80,00 30,00
H4 0,30 110,00 100,00 120,00 100,00
C1 0,20 10,00 170,00 10,00 170,00
C2 0,30 90,00 180,00 90,00 180,00
C3 0,15 160,00 225,00 160,00 225,00
C4 0,40 150,00 250,00 150,00 250,00
Optimal solution test problem 4 (non lineal): non-isothermal, 3 hot and 3 cold streams
H1 0,15 196,00 41,50 196,00 41,50
H2 0,50 135,00 90,00 130,00 90,00
H3 0,10 131,50 94,75 136,50 94,75
C1 0,20 18,00 172,00 18,00 172,00
C2 0,30 137,00 225,00 137,00 225,00
C3 0,15 89,75 140,00 84,75 140,00

It is worth noticing the important reduction in the number of equations and varia-
bles in the preprocessing stage: the problem size is reduced from 5375 equations and
2125 variables to 675equations and 283 variables. This represents a reduction in size of
more than 85 %.

Any modification to the operating conditions of a process that is running optimally


with respect to a given objective function, intro-duces a penalty into that function. Test
problem 4 tries to capture in a simple way the tradeoff between improvements due

207
4.3.Alternative Model for heat integration

Tabla 4.3.5: Parameters solution test problems 2–4)


Test Problem 2 Test Problem 3 Test Problem 4
Results
G.Y.K. model Present work G.Y.K. model Present work G.Y.K. model Present work
Initial Problem
Nº equations 416 3047 730 5375 416 3047
Nº variables 171 1247 291 2125 171 1247
Nº binary variables 108 216 192 307 108 169

Reduced MIP problem


Nº equations 225 839 142 675 92 416
Nº variables 92 329 68 283 46 174
CPU time (s)a 0,453 0,749 0,108 0,218 0,678 3,332
Heating req. (kW/kg) 0,00 0,00 49,50 49,50 28,900 29,250
Cooling req. (kW/kg) 8,50 8,50 5,00 5,00 12,763 11,113

Optimal solution ($) 170,00 170,00 4060,00 4060,00 2918,625 2903,625


Solution of relaxed problem 0,00 0,00 620,00 3124,02 767,000 1904,725
GAP ( %) 100,00 100,00 84,7 23,1 73,7 34,4
a Pentium Dual-Core E5300 2.60 GHz, using CPLEX 12.4.0.0 for MILP

to energy savings and deviations from the optimal point of the process when heat
integration is not considered. To this end, we use a set of values for the inlet and outlet
temperatures that corresponds to temperatures at the optimal operating conditions
when heat integration is not taken into account. The objective function then consists
of two terms; the first one pertains to the cost of utilities, and the second one penalizes
the deviation of temperature from a given set value:

X
min : Cost of utilities + ((Tkin − T Mkin )2 + (Tkout − T Mkout ))2 (4.3.58)
k∈ST

where the TM are the optimal temperatures of the non-heat integrated process
(here we have taken the central value between the upper and lower bounds of the
inlet and outlet temperatures).

Again, the overlapping degree in this example is moderate;preprocessing and lo-


gical relationships reduce the relaxation gap as compared to the pinch location met-
hod (1904 vs 767). Data,results and other relevant parameters for this example are
shown in Tables 4.3.3-4.3.5, respectively.

208
Capı́tulo 4. Resultados

4.3.4.3. Heat integration of distillation columns (MINLP)

This example corresponds to the general case in which the heat integration cannot
be isolated from the rest of the process, and therefore the temperatures of the streams
depend on the remaining operating conditions for the process. Here, we studied the
heat integration of a distillation column sequence: in particular, the separation of a
mixture of 4 components using sharp distillation(Fig. 4.3.6). In this case, the temperature
of hot and cold streams depends on the pressure inside each column and on the
purity specifications.

Figura 4.3.6: Sharp distillation for separation of a 4-component mixture

We assume that design of the columns is not the main objective, and that the in-
vestment cost is not significantly changed with respect to optimal operation without
heat integration. In that way we can focus on the energy integration, and at the same
time simplify the problem. The sharp distillation has as main feature that the compo-
nents of the mixture are essentially separated completely between distillate and bot-
toms. In a sharp distillation, we know in advance what the composition of the products
in each column is. Using this property, we study the temperature range of the various
distillates and bottoms expected in each column as a function of the column pressure
(pressure range: 1–3 atm), by means of a chemical process simulator (ASPEN-HYSYS).
Then, the temperature of each stream is fitted to a quadratic polynomial in terms of
column pressure, which is the expression we finally used in the model. At the same
time, the heat flow rate (F CP ) is not constant and depends on the column pressure;

209
4.3.Alternative Model for heat integration

in this case a linear relationship is assumed. The resulting problem is a MINLP problem,
solved on GAMS-DICOPT.

As an example, we consider the separation of 200 kmol/h of an equimolar mixture


of benzene, toluene, p-xylene and α-methyl-styrene (molar fraction of 0.25 benzene,
0.25 toluene, 0.25 p-xylene and 0.25 α-methyl-styrene). We assume that all the ben-
zene and toluene is obtained in the distillate of column 1, while all the p-xylene and
α-methyl-styrene are obtained in the bottoms of column 1. The benzene and tolue-
ne are obtained in the distillate and bottoms of column 2, respectively. Finally, the
p-xylene and α-methyl-styrene are obtained in the distillate and bottoms of column
3, respectively. The flows and temperatures of the hot and cold streams are shown in
Table 4.3.6.

Tabla 4.3.6: Flows and temperatures of problem columns

Problem columns: pressure range: 1–3 atm


Stream FCp (kW/ºC) Inlet Temp (ºC) Outlet Temp (ºC)
Column 1 H1 (Condenser) 292,95 - 381,18 95,95 - 136,07 89,46 - 130,08
C1 (Reboiler) 441,11 - 562,02 157,67 - 203,36 162,34 - 207,72

Column 2 H2 (Condenser) 1102,01 - 1242,24 77,47 - 116,30 76,47 - 115,30


C2 (Reboiler) 1121,98 - 1263,15 117,64 - 159,51 118,64 - 160,51

Column 2 H3 (Condenser) 1621,92 - 1812,95 136,18 - 180,17 135,18 - 179,17


C3 (Reboiler) 1642,63 - 1834,28 173,60 - 220,67 174,60 - 221,67
Price of steam: 80 $ kg/kW
Price of cooling water: 20 $ kg/kW.

Table 4.3.7 collects the solution to this example and some relevant information re-
garding the computational results.

The CPU times taken by both models are on the same order of magnitude. This
implies that both models are of comparable complexity and perform in a similar way.
Moreover, the results that have been obtained are different. The main reason for this is
that the problem is nonlinear and non-convex, and therefore a global optimal solution
cannot be guaranteed. However, the optimal solutions that have been obtained are

210
Capı́tulo 4. Resultados

Tabla 4.3.7: Solution of problem columns

Results problem columns


G.Y.K. model Present work)
Nº equation 467 3068
Nº variables 232 1262
Nº binary variables 108 207
CPU time (s)a 0,81 1,50

Columns
pressure (atm) C1: 1,000 C1: 1,000
C2: 1,893 C2: 1,000
C3: 1,919 C3: 1,926

Heating req. (kW/kg) 3267,36 3204,36


Cooling req. (kW/kg) 3067.30 3004,72
Optimal solution ($) 322735,01 316443,52
a Pentium Dual-Core E5300 2.60 GHz, using CPLEX 12.4.0.0 for MILP

quite close. From the point of view of relaxation, in this case both models perform
poorly (objective function value equal to zero in both cases).

4.3.4.4. Hybrid simulation-optimization process (MINLP)

Finally, we considered a problem in which mathematical programming with the


explicit equations is combined with the robust models that are available in commer-
cial chemical process simulators. The process is implemented in the simulator and the
resulting system is interfaced with MATLAB®via ActiveX controls; it is optimized using
MATLAB-TOMLAB®and a proprietary implementation of the outer approximation al-
gorithm [27-29] that has been adapted to MATLAB. The problem is a mixed-integer
nonlinear programming (MINLP) problem in which some of the equations appear in
an implicit form (equations in the process simulator), while the others appear explicitly.

Heat integration of the problem proposed by Seider, Seader, and Lewin [30] was
selected as case study of a problem of this type(see Fig. 4.3.7). A natural gas stream

211
4.3.Alternative Model for heat integration

is processed at 5000 kmol/h, 20ºC, 10 atm, and with the composition shown in Table
4.3.8. The gaseous product is required to be at 20 atm, with at least 4900 kmol/h of
nC4 and lighter species with a combined mole percentage of at least 99.5 %.

Figura 4.3.7: Process flow diagram for the processing of the natural gas

Tabla 4.3.8: Molar Flow rate of the feed (kmol/h)

Component Feed (kmol/h)


N2 105,50
C1 4139,00
C2 435,50
C3 205,50
nC4 70,50
nC5 28,50
nC6 16,50

Total 5000,00

In this example the process simulator, HYSYS®, performs the calculation at the flows-
heet level, including all mass and energy balances and all estimations of properties.
As in the previous example,to avoid the behavior of the process interfering with the
performance of the energy integration model, we assume that the cost of the pro-
cess is not substantially affected; as a result, it is not taken into account. Therefore, we
only perform heat integration of the process, and because of this, the objective of
this problem is to minimize the heat supplied by the hot and cold utilities. The streams

212
Capı́tulo 4. Resultados

affected by the heat integration were all inlet and outlet streams of the heat exchan-
gers. The temperature bounds for all streams, the main constraints, the optimal solution
and some information on the procedure used to obtain the solution are shown in Table
4.3.9.

Tabla 4.3.9: Bounds, constraints and solution of the natural gas problem

Stream Problem limits Solution Temp


Temp range (K)
(K)
H1 In HExc1 361 - 361 361
Out HExc1 303 - 343 343
H2 In HExc2 303 - 343 343
Out HExc2 203 - 253 223,10
H3 In HExc3 203 - 253 223,10
Out HExc3 273 - 333 333
H4 In HExc4 203 - 253 223,10
Out HExc4 273 - 333 329,71

Restrictions
Molar flow light product (kmol/h) > 4930 4954,67
Molar frac. (nC4 + lighter) in light product > 0,995 0,998
Molar flow heavy product (kmol/h) > 35 45,33
Molar frac. (nC5 + nC6) in heavy product > 0,75 0,75

Solution parameters
Nº equations 290
Nº variables 195
Nº binary variables 116
Nº iterations 68

Heat solution
Heating req. (kW) 0,0
Cooling req. (kW) 1740,2
Optimal solution (KW) 1740,2

213
4.3.Alternative Model for heat integration

The optimal solution satisfies all the proposed constraints. Furthermore, the heat
integration of the system eliminates the need for hot utilities; only cold utilities are nee-
ded to satisfy the requirements of the process. The CPU time is not displayed in Table
4.3.9 because the simulator uses up most of the time to converge the system, and
therefore this parameter is not representative of the model.

In this example, there is little overlapping among the inlet temperatures of the pro-
cess streams. Both models reach the optimal solution in the relaxed MINLP problem.

This example shows that the proposed approach is robust and flexible and can be
implemented by adding some equations to any existing model with minor modifica-
tions to the original model.

4.3.5. Conclusions

An alternative model has been proposed for the simultaneous optimization and
energy integration of non-isothermal systems.Even though this results in a larger pro-
blem than is typically encountered in other models, a preprocessing stage for the
data and the inclusion of some logical relationships substantially reduces the size of
the initial problem. In fact, this alternative model competes successfully with the dis-
junctive implementation of the pinch location method by Grossmann et al. [4] from
the point of view of CPU time and relaxation gap.

The performance of the model is directly related to the overlap-ping degree of


the bounds of the inlet temperatures for the process streams. With moderate to small
overlapping the proposed model improves the relaxation gap with respect to the dis-
junctive implementation of the pinch location method.

In addition, the alternative model manages to maintain the temperature interval


concept in contrast to existing models. This feature is interesting to some engineers and
researchers that are familiar with the classical concept of temperature interval in heat
integration. Finally, the proposed model eliminates the numerical difficulties associated
with the use of the max function or smoothing approximation function, and therefore
provides a robust alternative model.

214
Capı́tulo 4. Resultados

Acknowledgements

The authors gratefully acknowledge financial support from the Spanish “Ministerio
de Ciencia e Innovación” under project CTQ2012-37039-C02-02.

Referencias

[1] Linnhoff, B. y Flower, J.R. ((Synthesis of heat exchanger networks: I. Systematic generation
of energy optimal networks)). En: AIChE Journal 24.4 (1978), págs. 633-642.
[2] Morar, M. y Agachi, P.S. ((Review: Important contributions in development and improve-
ment of the heat integration techniques)). En: Computers & Chemical Engineering 34.8
(2010), págs. 1171 -1179.
[3] Duran, M.A. y Grossmann, I.E. ((Simultaneous optimization and heat integration of chemical
processes)). En: AIChE Journal 32.1 (1986), págs. 123-138.
[4] Grossmann, I.E., Yeomans, H. y Kravanja, Z. ((A rigorous disjunctive optimization model for
simultaneous flowsheet optimization and heat integration)). En: Computers & Chemical
Engineering 22, Supplement 1.0 (1998), S157 -S164.
[5] Papoulias, S.A. y Grossmann, I.E. ((A structural optimization approach in process synthesis
II: Heat recovery networks)). En: Computers & Chemical Engineering 7.6 (1983), págs. 707
-721.
[6] Douglas, J. M. ((A hierarchical decision procedure for process synthesis)). En: AIChE Journal
31.3 (1985), págs. 353-362.
[7] Douglas, J.M. Conceptual design of chemical processes. McGraw-Hill chemical enginee-
ring series. McGraw-Hill, 1988.
[8] Smith, R. Chemical process design and integration. Wiley, 2005.
[9] Smith, R. y Linnhoff, B. ((The design of separators in the context of overall processes)). En:
Chemical Engineering Research and Design 66 (1988), págs. 195-228.
[10] Linnhoff, B. e Hindmarsh, E. ((The pinch design method for heat exchanger networks)). En:
Chemical Engineering Science 38.5 (1983), págs. 745 -763.
[11] Furman, K.C. y Sahinidis, N.V. ((A Critical Review and Annotated Bibliography for Heat Ex-
changer Network Synthesis in the 20th Century)). En: Industrial & Engineering Chemistry
Research 41.10 (2002), págs. 2335-2370.
[12] Ahmad, S., Linnhoff, B. y Smith, R. ((Cost optimum heat exchanger networks-2. targets and
design for detailed capital cost models)). En: Computers & Chemical Engineering 14.7
(1990), págs. 751 -767.
[13] Linnhoff, B. y Ahmad, S. ((Cost optimum heat exchanger networks-1. Minimum energy and
capital using simple models for capital cost)). En: Computers & Chemical Engineering 14.7
(1990), págs. 729 -750.
[14] Linnhoff, B. y Flower, J.R. ((Synthesis of heat exchanger networks: II. Evolutionary generation
of networks with various criteria of optimality)). En: AIChE Journal 24.4 (1978), págs. 642-654.

215
4.3.REFERENCIAS

[15] Cerda, J. y Westerburg, A.W. ((Synthesizing heat exchanger networks having restricted
stream / stream matches using transportation problem formulations)). En: Chemical En-
gineering Science 38.10 (1983), págs. 1723 -1740.
[16] Floudas, C.A., Ciric, A.R. y Grossmann, I.E. ((Automatic synthesis of optimum heat exchan-
ger network configurations)). En: AIChE Journal 32.2 (1986), págs. 276-290.
[17] Biegler, L.T., Grossmann, I.E. y Westerberg, A.W. Systematic methods of chemical process
design. Prentice-Hall international series in the physical and chemical engineering scien-
ces. Prentice Hall PTR, 1997.
[18] Floudas, C.A. y Ciric, A.R. ((Strategies for overcoming uncertainties in heat exchanger net-
work synthesis)). En: Computers & Chemical Engineering 13.10 (1989), págs. 1133 -1152.
[19] Ciric, A.R. y Floudas, C.A. ((Heat exchanger network synthesis without decomposition)). En:
Computers & Chemical Engineering 15.6 (1991), págs. 385 -396.
[20] Yee, T.F., Grossmann, I.E. y Kravanja, Z. ((Simultaneous optimization models for heat integra-
tion - I. Area and energy targeting and modeling of multi-stream exchangers)). En: Com-
puters & Chemical Engineering 14.10 (1990), págs. 1151 -1164.
[21] Yee, T.F. y Grossmann, I.E. ((Simultaneous optimization models for heat integration - II. Heat
exchanger network synthesis)). En: Comput. Chem. Eng. 14.10 (1990), págs. 1165 -1184.
[22] Yee, T.F., Grossmann, I.E. y Kravanja, Z. ((Simultaneous optimization models for heat integra-
tion - III. Process and heat exchanger network optimization)). En: Computers & Chemical
Engineering 14.11 (1990), págs. 1185 -1200.
[23] Floudas, C.A. y Paules IV, G.E. ((A mixed-integer nonlinear programming formulation for the
synthesis of heat-integrated distillation sequences)). En: Computers & Chemical Enginee-
ring 12.6 (1988), págs. 531 -546.
[24] Raman, R. y Grossmann, I.E. ((Symbolic integration of logic in mixed-integer linear program-
ming techniques for process synthesis)). En: Computers & Chemical Engineering 17.9 (1993),
págs. 909 -927.
[25] Caballero, J.A. y Grossmann, I.E. ((Structural Considerations and Modeling in the Synthesis
of Heat-Integrated−Thermally Coupled Distillation Sequences)). En: Industrial & Enginee-
ring Chemistry Research 45.25 (2006), págs. 8454-8474.
[26] Caballero, J.A. y Grossmann, I.E. ((Aggregated Models for Integrated Distillation Systems)).
En: Industrial & Engineering Chemistry Research 38.6 (1999), págs. 2330-2344.
[27] Duran, M.A. y Grossmann, I.E. ((An outer-approximation algorithm for a class of mixed-
integer nonlinear programs)). En: Mathematical Programming 36 (3 1986), págs. 307-339.
[28] Kocis, G.R. y Grossmann, I.E. ((Relaxation strategy for the structural optimization of process
flowsheets)). En: Industrial & Engineering Chemistry Research 26.9 (1987), págs. 1869-1880.
[29] Viswanathan, J. y Grossmann, I.E. ((A combined penalty function and outer-approximation
method for {MINLP} optimization)). En: Computers & Chemical Engineering 14.7 (1990),
págs. 769 -782.
[30] Seider, W.D., Seader, J.D. y Lewin, D.R. Process design principles: synthesis, analysis, and
evaluation. Wiley, 1999.

216
Capı́tulo 4. Resultados

4.4 Anexo I: Integration of different models in the design of


chemical processes: Application to the design of a Power
Plant

Debido a los avances en la sı́ntesis y el diseño de los procesos quı́micos, son cada
vez más necesarios modelos matemáticos más complejos con el objetivo de mejorar
la capacidad de detección de nuevas alternativas de forma precisa y fiable. Gene-
ralmente y como consecuencia de la complejidad de los modelos no es práctico, e
incluso no es posible escribir un modelo matemático que cada vez que se tiene que
realizar una nueva simulación, diseño o sı́ntesis de un proceso. Por lo tanto, la mejor
solución radica en poder utilizar el mejor modelo matemático disponible en cada uno
de los problemas.

Los avances en el diseño, optimización y sı́ntesis de procesos quı́micos en los últi-


mos años han sido impresionantes en todos los niveles, desde operaciones unitarias
individuales hasta la optimización del diagrama de flujo completo. Sin embargo, la
mayorı́a de estos diseños se basan en métodos aproximados o, en ciertas suposicio-
nes que deben ser verificadas mediante un simulador de procesos quı́micos. En al-
gunas situaciones, los modelos aproximados no son adecuados ni lo suficientemente
precisos para captar los aspectos más relevantes del proceso real.

En cualquier caso, la mejor opción en un proceso de diseño es la selección y utili-


zación del mejor modelo disponible venga de donde venga. En función de su origen
y sus caracterı́sticas, los modelos seleccionados pueden ser:

Modelos en forma de ecuaciones (con o sin variables enteras). En estas con-


diciones, las primeras y segundas derivadas están disponibles, o son fáciles de
obtener

Modelos definidos por una estructura de entrada y salida sin acceso interno
al modelo, aunque la información numérica de las derivadas (por lo menos
las primeras derivadas) se encuentra disponible, en función de las variables de
entrada

217
4.4.Integration of different models in design of chemical processes

Modelos en forma de caja negra con una estructura rı́gida entrada - salida,
donde la información de las derivadas no está disponible. En este caso se pue-
de diferenciar dos casos: si la información de las derivadas puede ser calcula-
da con precisión por perturbaciones, o si el modelo introduce ruido numérico

Modelos demasiado complejos para ser incluido directamente en cualquier


optimización o problema de sı́ntesis

El presente trabajo presenta una estructura de modelado para tratar problemas


de sı́ntesis, que incluyen diferentes modelos con algunas de las caracterı́sticas ante-
riormente mencionadas utilizando un marco de programación matemática. En parti-
cular, en este trabajo se selecciona la programación disyuntiva como una estructura
adecuada para hacer frente a este tipo de problemas, ya que permite encapsular
cada modelo y utilizar un enfoque diferente en función de sus caracterı́sticas. La es-
tructura llevada a cabo utiliza disyunciones para capturar cada uno de los modelos
de tal forma que se aprovechan las ventajas o minimizan los inconvenientes de cada
uno. De esta manera es posible utilizar las derivadas algebraicas cuando están dispo-
nibles y simultáneamente implementar métodos robustos para estimar las derivadas
de otros modelos sin la necesidad de interferir con el resto de modelos, y de esta for-
ma mejorar el tiempo de cálculo computacional. La conectividad entre los diferentes
modelos se realiza en forma de ecuación. El modelo se resuelve mediante algoritmos
basados en la lógica sin reformularlo como un problema MINLP.

A modo de ejemplo se presenta la sı́ntesis de un planta de generación de vapor


en la que sus diferentes componentes se simulan con módulos que presentan diferen-
te comportamiento numérico. El objetivo de este trabajo es mostrar que es posible
sintetizar un sistema complejo con diferentes modelos de manera eficiente.

El resultado final es un sistema hı́brido que incluye modelos implı́citos procedentes


de diferentes fuentes y con diferentes comportamientos numéricos. Además se de-
muestra que el problema de sı́ntesis se puede escribir como un problema GDP y resol-
verse sin reformularlo a MINLP. Conceptualmente, el modelado GDP permite una fácil
formulación a nivel de usuario y, al mismo tiempo al encapsular cada sub-modelo
facilita su estudio numérico.

218
Capı́tulo 4. Resultados

Integration of different models in the design of chemical processes:


Application to the design of a Power Plant

José A. Caballero, Miguel A. Navarro-Amorós, Rubén Ruiz-Femenia, Ignacio E. Grossmann

Article sent to Applied Energy. Under Review

Abstract

Despite the widely availability of sophisticated tools for simulation, optimization and
synthesis of chemical processes, the user is frequently interested in using the ’best avai-
lable model’ that can come from different sources and is usually in form of a black
box with a rigid input-output structure. In this paper we propose to deal with all these
models using generalized disjunctive programming to capture the numerical charac-
teristics of each model (in equation form, modular, noisy, etc.) and to deal with each
of them according to its characteristics. The result is a hybrid modular -equation based
approach that allows synthesizing complex process using different models in a robust
and reliable way. The methodology is applied to the synthesis of a power plant for gi-
ven steam and power demand. Different instances of a case study are presented to
illustrate the capabilities of the proposed approach.

Keywords

Process synthesis, Generalized Disjunctive Programming, Utility Systems, Modular 23


Optimization, kriging.

4.4.1. Introduction

With advances in the synthesis and design of chemical processes there is an in-
creasing need for more complex mathematical models for screening alternatives with
accurate and reliable process models. Due to the complexity of the models it is not
practical, and perhaps not even possible to write a mathematical model each time
we need to use it for a new simulation, design or synthesis problem. Instead we would
like to reuse the best available mathematical model [1].

219
4.4.Integration of different models in design of chemical processes

The model of a chemical plant can be theoretically represented by a system of


nonlinear algebraic equations of the form:

f (x) = 0 (4.4.1)

where f is a vector of functions and x is a vector of variables. The variables represent


flow rates, compositions, temperatures, pressures, etc., and the functions are obtained
from physical and chemical principles concerning conservation of mass and energy,
chemical equilibrium, kinetics and transport phenomena. Modeling a chemical plant
can involve hundreds of thousands of equations and variables but be extremely spar-
se. Typically, each equation involves only around 4 to 10 variables. Sophisticated large-
scale numerical solvers can exploit the sparsity pattern in a very effective way. In so-
me cases it is possible to write and solve the complete set of equations directly using
general modeling systems (e.g. GAMS [2] , AMPL [3]) or chemical engineering orien-
ted modeling systems (e.g. ASCEND, gPROMS) that include databases of chemical
properties and thermodynamics. As the model becomes more complex more spe-
cialized knowledge is required to for example provide good initializations, and avoid
physically meaningless solutions. But even in this case, it is not uncommon that the
designer includes existing models that come from different sources and with different
numerical behavior (e.g. a third party model of a unit operation, a surrogate model
from experimental results, or a model from computational fluid dynamics).

We can consider four types of problems [4, 5] depending on the data specified
and the final objective of the model user:

In a Simulation Problem, the feeds and design variables of each unit must be spe-
cified. The unknowns are the variables related with the additional (product) streams.
They usually have a rigid input output structure, but at the same time are robust and
reliable.

A Design Problem is similar to the simulation problem, but some of the design varia-
bles (i.e. reactor volume; number of trays in a distillation column, etc) are unspecified.

220
Capı́tulo 4. Resultados

Some constraints are then imposed on some of the stream variables to satisfy the extra
degrees of freedom.

In an Optimization Problem some variables associated with the feed and equip-
ment design can be left unspecified, in this case a performance function must be
added to the model defined by equation 4.4.1. Equality and inequality constraints
may be added to the model.

In a Synthesis Problem besides the optimal operating conditions (feed and design
variables) we are interested in which is the best configuration from a structural point
of view (combination of unit operation or technologies) for a given objective. We ha-
ve the added difficulty of solving a problem in which the set of equations change
depending on the selected equipment.

From a formal point of view including different sub-models from different sources is
equivalent to divide the original model given by equation 4.4.1 in smaller sub-problems
[5]:

fi (x) = 0, i = 1, 2, . . . , n (4.4.2)

where n is the number of sub-problems in which the original problem is split. This is
basically the idea followed by modular chemical process simulators in which a given
unit operation is represented by one of the subsets in equation 4.4.2. The advantages
of the modular approach are:

Different sub-modules can be prepared and tested separately.

The solution methods can be specifically designed for that module, e.g. the
model of a distillation column or a complex reactor. Therefore, the module is
robust and reliable.

Because of the rigid requirements, data can be easily checked for consistency
and completeness.

221
4.4.Integration of different models in design of chemical processes

The modular structure allows adding new modules easily.

Due to these advantages, it is not surprising that modular simulation is still the domi-
nant approach. However, when we move to design, optimization or synthesis problems
the modular approach loses some of its attractiveness. The straightforward approach
consists of performing simulations trying to satisfy the design or optimization objectives.
However, repeated solutions of the simulation rapidly lead to long computer times.
Therefore, the design and optimization is usually performed in an equation based en-
vironment (all equations solved simultaneously) using general modeling systems or field
specific modeling systems [6]. In the case of synthesis the model takes the form of a
Mixed-integer (Non)Linear Programming problem [4, 7, 8] (MINLP) where discrete de-
cisions are related to integer (binary) variables or a Generalized Disjunctive Program-
ming Problem (GDP) [9].

Developments in the design, optimization and synthesis of chemical processes for


the last years have been impressive at all the levels from individual unit operations,
subsystems, and complete flowsheet optimization (See for instance the following books
[7, 10-13]). However, most of these designs rely on shortcut or aggregated methods
[14] or in some assumptions that must be verified using a chemical process simulator.

In some situations the shortcut model are neither adequate nor accurate enough
to capture the more relevant aspects of the actual process. In other cases, the best
models available come from third party modelers and could have very different cha-
racteristics and numerical behavior, and usually in the form of black-boxes in which
the final user has no access to the original code. For example a legacy code that
contains classified or proprietary code, a complex model from computational fluid
dynamics, or simply a unit operation in a commercial process simulator. Usually these
models have been tested and validated so they are trusted and of course the desig-
ner is interested in use them whenever possible.

Trying to use chemical process simulators as an implicit model for solving synthe-
sis problems through a MINLP approach is not something new. Harsh et al [15] de-
veloped an interface with a MINLP and FLOWTRAN, for the retrofit of an ammonia
process. Diwekar et al [16], presented a process synthesizer using Aspen Plus. They pre-
sent some small problems and the structural optimization of the hydrodealquilation of

222
Capı́tulo 4. Resultados

toluene process. Their algorithm is basically an implementation of the modeling and


decompositions strategy [17]. Reneaume et al. [18] point out that in a given constraint
h(d, s) ≤ 0 (d is a vector of decision variables and s are variables of interest calcula-
ted by the process simulator) the s variables depend implicitly on the d variables. But
this implicit function varies depending on what are the structural decisions. In other
words, s depends on the structural decisions and therefore the linearization of a given
constraint (e.g. in the construction of the MILP Master Problem) can lead to the linea-
rization of different functions, and consequently failure of the algorithm. They solved
the problem by adding ’pseudo-torn’ streams whose function is explicitly separate the
dependency of s variables from the structural decisions. Diaz & Bandoni [19] use a
process simulator specifically designed for ethylene plants, SISER [20], for the structural
design of an ethylene plant using a combination of different types of models (rigorous
and simplified) that includes correlations and results checking with an actual ethylene
plant. Caballero et al. [21, 22] proposed a specific algorithm for the rigorous design of
distillation columns, combining process simulators and a modified version of the outer
approximation algorithm [23-25]. Latter Brunet el al. [26] used that algorithm in the op-
timization of distillation columns in ammonia water absorption cooling cycle. They also
extended the approach for considering Life Cycle Assessment (LCA) using multiobjec-
tive optimization in which the topology in the process simulator remains unchanged
(except by the optimization of distillation columns).

In all the works previously mentioned, the complete model is solved with a process
simulator interfaced with a MINLP solver. Caballero et al [27] presented and hybrid
approach for the design of hybrid distillation vapor membrane separation systems, in
which the differential and algebraic equations of the membrane modules are calcu-
lated in equation form. Caballero & Grossmann [28] presented a detailed modeling
framework that combines a process simulator with complex algebraic (equation ba-
sed) models involving both continuous and discrete variables, although the topology
of the flowsheet was not modified. A similar approach was followed by Brunet el al.
[29, 30] who extended the methodology to consider multiobjective optimization by
including LCA in biotechnological processes in which the reactions have complex ki-
netics that cannot be solved by the process simulator. Finally, we should do note that
if we have access to the code for all the external modules, it is possible to automate a

223
4.4.Integration of different models in design of chemical processes

set of procedures that generate code for performing operations like automatic diffe-
rentiation, sparsity pattern determination or discontinuity function evaluation. Tolsma
et al [31] incorporated these procedures in the modeling system ABACUS II.

It is worth comment that deterministic optimization methods, like the approach


proposed in this paper, are not the only alternative for dealing with these problems.
Stochastic methods have proved to be a good alternative for solving hybrid simu-
lation optimization problems. Although there is a vast literature about metaheuristic
optimization, the combination with chemical process simulators is relatively recent. So-
me examples include: Dantus and High [32] who used Aspen Plus™with a simulated
annealing for multi-objective optimization under uncertainty for waste minimization.
Leboreiro & Acevedo [33] presented a genetic algorithm framework for the synthesis
of distillation sequences using process simulators. Gutierrez-Antonio & Briones-Ramirez
[34, 35] presented a multi-objective optimization approach for determining the Pareto
front (minimum number of stages vs. minimum reflux ratio) for Petlyuk columns using
genetic algorithms and the Aspen Plus chemical process simulator. Latter the met-
hodology was extended to more complex distillation sequences [36]. Odjo et al. [37],
presented a general framework for the synthesis of chemical processes using an Hybrid
approach based on simulation and genetic algorithms. Eslick and Miller [38] used an
integrated approach that included Aspen plus and spreadsheets models for the multi-
objective retrofit of a coal power plant with CO2 capture and compression process.
Torres et al [39] presented an automatic environmental and evaluation methodology
for the hybrid simulation-synthesis of chemical processes. Latter they use the tool for
the environmental and economic optimization of a complex sour water plant using
direct search and genetic algorithms [40].

The contributions of hybrid simulation-optimization systems using deterministic opti-


mization are no so extensive. The reasons are obvious, the derivative free optimization
use more or less complex strategies for reaching the optimum of a performance fun-
ction by repeated evaluations (simulations) of a model, and in general they are easy
to implement or widely available. However, they present some major drawbacks: the
number of function evaluations can be large, and therefore if the number of degrees
of freedom is large or the time to solve a flowsheet is large (i.e. complex recycle struc-
ture) the computational time becomes prohibitive. It is not easy to deal with external

224
Capı́tulo 4. Resultados

constrains, in particular inequalities in terms of dependent variables. A detailed re-


view of techniques for dealing with constraints in metaheuristics can be found in the
following references [41-44].

In any case, the designer would like to use the best available model wherever it co-
mes from. Depending on their origin and its characteristics, for this paper the following
cases are relevant:

The model is in equation form (with or without integer variables). In these condi-
tions first and second derivatives are available (or easy to obtain)

We have not access to the model that comes with an input output structure,
but numerical derivative information (at least first derivatives) in terms of input
variables is available. This is the case of some thermodynamic packages, which
calculate the properties and in most case the derivatives. Or models in which
automatic differentiation can be used [31]

The model is a black box with a rigid input - output structure. Derivative informa-
tion is not available. Here, it is convenient to differentiate two cases: whether
derivative information can be accurately calculated by perturbation of the in-
put or design variables, or if the model introduces some numerical noise. This is
the case of models in a modular chemical process simulator. All the units are
accurate enough for simulation purposes, but some of them introduce some
numerical noise (e.g. some reactors or distillation columns) that prevent the ac-
curate determination of derivative information [45, 46]

The model is too complex to be directly included in any optimization or synthesis


problem. This is the case, for example, of computational fluid dynamics models
that can take hours of CPU time

In this paper we present a modeling framework for dealing with synthesis problems
that include models with some of the previous mentioned characteristics using a mat-
hematical programming framework. In particular, we believe that disjunctive program-
ming is a framework that is very well suited for dealing with these kinds of problems be-
cause it allows .encapsulating.each model and use a different approach depending

225
4.4.Integration of different models in design of chemical processes

of its characteristics. A model environment was developed that captures each of the
models through disjunctions and takes advantage -or minimizes the drawbacks- of
each model. In that way it is possible to use algebraic derivatives when they are avai-
lable (or automatic differentiation), implement robust methods for estimating derivati-
ves for some sub-models without interfering with the rest of the models, and then sa-
ving computational time. The connectivity between those models is in equation form
to avoid the implicit relation between design and calculated variables [18]. Logical
relationships including strong relations between alternatives (i.e. ensure only feasible
solutions) and soft relations (i.e. designer preferences) can be easily added. The model
is solved using logic based algorithms without reformulating it as an MINLP [8, 47].

In the rest of the paper we first describe the modeling framework and comment
its capabilities. Then, we introduce a brief description of the logic based outer ap-
proximation and its modifications for dealing with implicit models. The capabilities of
the proposed approach are discussed with a case study, the design of a utility sys-
tem power plant that has been decomposed in its constitutive elements, each one
with a different numerical treatment. And finally, numerical results and conclusions are
presented.

4.4.2. Modeling framework

We present a new modeling environment that is able of dealing with mathematical


models. To that end, the first step consists of developing a tool that is able to deal with
different kind of models in a Generalized Disjunctive Programming environment. Figure
4.4.1 shows a scheme of the actual implementation.

In order to deal simultaneously with different numerical behavior the first stage is to
evaluate each of the sub-models in order to answer the following questions:

1. Is the model flexible in the selection of decision (independent) variables? This


question is important because in some situations the correct selection of deci-
sion variables allows breaking (or at least) reducing the recycle structure of a
problem in order to simplify the optimization (and also the simulation)

226
Capı́tulo 4. Resultados

Figura 4.4.1: Scheme of the modeling framework

2. Does the model provide information about derivatives respect to the indepen-
dent variables? If the answer is yes, then we can generate the Jacobian matrix,
or at least part of it. This is the case of some thermodynamic packages that

227
4.4.Integration of different models in design of chemical processes

provide information both for the property and its derivatives with respect some
variables. If the answer is not, then we have different alternatives

2.1. Can derivative information be obtained easily and accurately, for exam-
ple by using complex arithmetic? [48]. This is the case of some modu-
les developed in computer packages that allow complex variables like
Matlab (used in this work). If the answer to this question is not then we
need to implement a finite differences scheme by perturbing the inde-
pendent variables

2.2. Some models introduce numerical noise, e.g. the solution varies slightly
with identical initial values. This is common in systems that solve complex
numerical equations within a finite tolerance. In process simulators this
behavior arises in distillation columns, chemical reactors or other com-
plex operations. If the numerical noise is relatively small, it is still possible
to implement a finite difference approach by increasing the perturbation
of independent variables, but at the expense of getting approximations
of the Jacobian that eventually could produce unexpected behaviors in
the solver. Some important additional consideration must be taken into
account if derivatives are calculated by finite differences:

2.2.1. A finite difference scheme with a noisy model should never be used
inside a recycle (material or calculations) because recycles act like
noise amplifiers. This is a very common problem in process flowsheet
simulation. If this is the case the tolerances for closing recycles must
be at least a couple of orders of magnitude smaller than the pertur-
bation factors. A much better approach consists of letting the NLP
solver to converge the recycles. Although the number of variables
seen by the NLP solver increases and the number of explicit equality
constraints also increases, in general the model is more robust and
usually the computational time does not increase (e.g. by avoiding
converge all the recycles each time the simulation is call). This is the
approach we follow in this work

228
Capı́tulo 4. Resultados

2.2.2. If the model cannot be solved fast (say in fractions of second) the ti-
me necessary for calculating derivatives could be very large making
the optimization impractical

3. If the model is very noisy or the computational time is too large for allowing a
practical implementation, then we cannot use it directly. In this case we can
use a shortcut or aggregated model, but of course this is what we want avoid
from the beginning. Alternatively, it is possible to use a surrogate model. These
include, among other, polynomial correlations; splines; neural networks; radial
basis functions, kriging models, etc. We have implemented the kriging models
[49]. Detailed description about the use of kriging models in optimization can
be found in the following references [46, 50-54]. Here we follow the implemen-
tation proposed by Caballero & Grossmann [46] which can handle both noisy
or deterministic systems by implementing a interpolating or not interpolating
approach depending on the characteristics of the model. It also uses an adap-
tative approach by contracting or moving the domain in successive iterations if
necessary in order to assure accurate results. Finally there is explicit treatment of
constraints in the case of noisy systems, and accuracy of the model is controlled
by cross-validation.

Once all the models have been characterized, we create a model composed by
sub-models with different characteristics that must work efficiently. We have develo-
ped a modeling system that can deal with all these models with the following charac-
teristics:

The complete modeling system is developed in Matlab [55]

Indexing capacities for both algebraic equations and implicit models

Use of Boolean variables, disjunctions and logic equations. Allowing the direct
formulation of the problem as a disjunctive problem without MINLP reformulation

Specific differentiation methods for each sub-model (algebraic, automatic dif-


ferentiation, finite differences based on complex variables; etc)

229
4.4.Integration of different models in design of chemical processes

Determination of sparsity pattern for each individual model and calculation of


the global Jacobian Matrix

Interfaced with different commercial solvers for NLP, LP, MILP models through
Matlab-Tomlab [55, 56], and with our implementations of a simple Branch and
bound algorithm, the outer approximation algorithm [23-25], the LP-NLP based
branch and bound algorithm [57] for MINLP models, and disjunctive solvers wit-
hout MINLP reformulation [47]

Communication with process simulators and other third party models, except
those developed in Matlab, is done by the Windows COM capabilities except
for those developed in Matlab

The following remarks deserve special attention. It is assumed that all the implicit
models are continuous and differentiable. Even in noisy systems, the underlying mo-
del is assumed to be continuous and differentiable. It is not infrequent that computer
models include ”max/min.operators; Ïf”sentences, etc. that can destroy the differen-
tiability and continuity assumptions. If the user is able to anticipate this behavior a
correct MINLP reformulation or a disjunctive model can be developed. In other ca-
se, the numerical behavior of the model can produce difficulties. All MINLP and GDP
algorithms require convexity to guarantee convergence to a global optimal solution.
In an implicit model it is difficult to prove convexity, even in if model is convex, since
in general we cannot assure convexity, there is no guarantee that a global optimum
solution can be found.

4.4.3. Logic Based Algorithms

In a hybrid model involving implicit and explicit equations and design (indepen-
dent) and dependent variables it is convenient to explicitly take into account that
differences. The disjunctive model we solve in this paper can be written as follows.

230
Capı́tulo 4. Resultados

min f (xD , xI )

s.t. xD = rI (xI )

rE (xD , xI ) = 0

sE (xD , xI ) ≤ 0
 
Yi
  
(4.4.3)

  ¬Yi
 x = h (x ) 
D Ii Ii
∨  ∀i ∈ D


 h (x , x ) = 0  xIi = 0
 Ei D Ii 
gEi (xD , xIi ) ≤ 0

Ω(Y ) = T rue

xI ∈ X ⊆ Rn

Y ∈ {T rue, F alse}p

where xD is a vector of dependent variables (e.g calculated by the implicit mo-


dels) for which the designer has not direct control over these variables. xI is a vector
of independent variables for which the user has a complete control. The index “I”
makes reference to implicit equations calculated by third party models (Process Simu-
lator, property estimation modules, etc) and the index “E” makes reference to explicit
equations. Note that we have introduced dependent variables in explicit equations
(for example in rE (xD , xI ) = 0; orsE (xD , xI ) ≤ 0 ), implicitly this formulation involves se-
quential function evaluation, first the implicit models and then the explicit equations.
An alternative approach consists in adding a new subset of independent variables
and explicitly include the relation with the dependent variables : xjI = xjD . In this work
we follow the first approach.

In the model given by equation 4.4.3 we only allow two term disjunctions which
is the case of process networks and synthesis problems. This is not a major limitation
because an N term disjunction can be reformulated as N disjunctions with 2 terms.

231
4.4.Integration of different models in design of chemical processes

4.4.3.1. Initial and primal subproblems

To solve the problem given by equation 4.4.3 we use a version of the logic based
outer approximation algorithm [47] or a logic version of the LP-NLP based branch and
bound algorithm [57]. The first step consists in initializing all the units (sub-models) inside
the disjunctions. Here we have different alternatives. The first one consists of selecting
a basic feasible flowsheet, optimize it and then perform a sub-lagrangian optimization
of the non-existing units in that initial flowsheet. This is the Modeling and Decomposi-
tion (MD) strategy [17]. The second approach consists in selecting a minimum set of
feasible flowsheets in such a way that all the disjunctions be true at least once. This sub-
set can be selected by solving a set covering problem [47] with the constraints given
in form of logic relationships in equation 4.4.3. In some situations the sub-lagrangian
optimization cannot be easily performed. This is the case, for example, of distillation
columns in a process simulator, in which the optimization of non-existing trays is equi-
valent to optimize the complete column. In that case, Caballero et al [22] propose
performing a simulation of the non-existing configurations using the optimal values of
the initial base case, and extend this procedure in the rest of major iterations. Brunet
et al [22, 29, 30, 58] extended this approach to other systems but distillation columns.

In the iteration k only a feasible NLP problem is solved that correspond to fixed va-
lues of boolean variables given by the master problem. The major difference between
the logic versions of the Outer Approximation and LP-NLP based BB is that in the first
the master is solved to optimality, however, in the second one the NLP is solved when
an integer solution is found. In this last case, the tree generated by the master problem
is updated with new linearizations from the last NLP.

It is worth remarking that when a given configuration (set of Boolean variables that
produce a feasible solution) is selected the NLP involves only the common variables
and the variables inside the existing disjunctions. The rest of variables are ignored. Mat-
hematically the non-existing variables are fixed to zero, but that is done a posteriori,
and therefore the solver is only viewing a reduced set of variables which increases the
robustness of the optimization.

232
Capı́tulo 4. Resultados

4.4.3.2. Master subproblem

The objective of the master problem is to provide a new set of Boolean variables
that produce better results than in previous solution. Here we present a tailored master
linear disjunctive problem.

We define the following index set for the iteration k in the algorithm:

Γ{m | mis a feasible configuration already visited by the algorthm}

X
min : α + Π(u1E + u2E + (u1Ei + u2Ei ))
i∈D

α ≥ f (xkI , xkD ) + 5xI f (xkI , xkD )T (xI − xkI ) + k
P
m∈Γ ∆objm


  

k) ≤ u1E
sign(rE rE (xkI , xkD ) + 5xI rE (xkI , xkD )T (xI − xkI ) + m∈Γ ∆rEm
k
P 






sE (xkI , xkD ) + 5xI sE (xkI , xkD )T (xI − xkI ) + ∆skEm ≤ u1E
P 
m∈Γ 



  
Yi 

    
s.t.   k = 1...K
¬Yi (4.4.4)

    
    
 sign(hkE ) hEi (xkIi , xkD ) + 5xI hEi (xkIi , xkD )T (xIi − xkIi ) + m∈Γ ∆hkEi,m ≤ ukEi ∨ ∀i ∈ D 
 P    

    
xIi = 0
  
  
  

gEi (xkIi , xkD ) + 5xI gEi (xkIi , xkD )T (xIi − xkIi ) + m∈Γ ∆gEi,m
k
P
≤0 





Ω(Y ) = T rue 




u1E , u2E , ukEi ≥ 0

xI ∈ X ⊆ R n

Y ∈ {T rue, F alse}p

The disjunction model 4.4.4 is obtained by linearization in terms of independent va-


riables in the last point obtained by the NLP solver, either in the initialization or in a given
iteration k. The term correspond to the difference between the objective function at
a given iteration k of the NLP and the objective function associated to a given topo-
k ; ∆g k ; ∆hk
logy. The terms ∆rEm k
Em Ei,m ; ∆gEi,m are the difference between the values
of a given constraint for the new topology and their value in the original NLPk pro-
blem. These terms are no needed (fixed to zero) if the modeling and decomposition
or the logic based outer approximation are used. Only in the third alternative, when
no sub-optimization of non-existing disjunctions is used, these terms must be included.

233
4.4.Integration of different models in design of chemical processes

Variables “u00 are positive slack variables, that appear as penalties in the objective
function using an exact penalty (Π is the penalty factor). These variables are intro-
duced to ensure that the only possibility for an infeasible master problem is due to
logical relationships, and at the same time is a heuristic to try to minimize the effect of
non-convexities [25].

The disjunctive master problem in 4.4.4 can be solved as a MILP problem using the
convex hull reformulation [59].

If the original problem is convex, the master problem in the MD and logic OA base
versions yields a lower bound to the optimal solution. Therefore, the optimal solution is
found when in a given iteration, the optimal solution of the primal and master problems
are inside a given tolerance (when they cross each other if a canonical cut is added in
each master problem [47]). In non-convex problems, like those solved in this work, the
master problem cannot be ensured to yield a lower bound. The search is terminated
when in two consecutive iterations the NLP does obtain an improvement [25]. This is just
a heuristic based on experience. To improve the quality of the solution in non-convex
problems. One could perform a fixed number of iterations (e.g. 10) but at the price of
increasing the computational time to solve the problem.

4.4.4. Case Study

As an example we present the synthesis of a utility system in which it is assumed that


different components are simulated with modules that have different numerical beha-
vior. There are different commercial tools that can perform the design very efficiently
(Aspen Utility Planner™; Ariane™by ProSim™) using databases and cost correlations
obtained directly from industrial applications. The objective in this work is to show that
it is possible synthesizing a complex system with different models efficiently.

There are a many published on the optimization and design of utility systems. [60-63]
which have relied on simplified linear models. Rigorous models for power production
of steam turbines have been developed by Mavromatis and Kokossis [64, 65]. Bruno
et al. [66] proposed a superstructure optimization formulated as a MINLP based on
the previous work by Papoulias & Grossmann. Manninen & Zhu [67] decomposed the

234
Capı́tulo 4. Resultados

problem in a Master problem which indicates major structural features of a design and
flowsheet level in which an exergy analysis identifies relevant modification options.
Varbanov et al. [68] developed more accurate models for steam and gas turbines,
that provide a better description of part-load performance.

In this work we use a superstructure inspired in the previous work by Bruno et al. [66].
Figure 4.4.2 shows the superstructure that includes:

A gas turbine with a heat recovery steam generator (HRSG) with no further fuel
addition. The gas turbine can satisfy the electricity demands where exhaust ga-
ses can be used in a HRSG boiler to provide vapor to a very high pressure (VHP)
header.

High pressure boilers fired by fuel. In all the boilers it is necessary a blowdown, in
this paper we assume a fixed blowdown rate of 3 % of the steam entering the
boiler.

Waste heat boiler that operates at medium pressure and recovers heat from
process flue gases or other units such as reactors.

We assume four pressure headers VHP, HP, MP and LP. Besides we have to consi-
der a vacuum level for the condensation turbines and an atmospheric level that
recovers the water returned from the process (previously treated). The demine-
ralized water to compensate plant losses and consumptions is also assumed to
operate at atmospheric pressure.

A deaerator is included to remove the dissolved gases by steam stripping be-


fore feeding the water into boilers. Although an extra boiler feedwater can be
considered. In this case we assume that the deaerator works with LP steam from
the plant.

Steam turbines are used to generate electricity and to satisfy mechanical po-
wer. Here we consider the following turbines.

• Backpressure turbines working between any two pressure levels (VHP-HP;


VHP-MP, VHP-LP; HP-MP, HP-LP, MP-LP).

235
4.4.Integration of different models in design of chemical processes

• Extraction backpressure turbines exhausting from VHP to HP and MP and


form HP to MP and LP.

• Condensing turbines from HP and MP.

• Extracting condensing turbines from MP to LP and vacuum.

The steam is distributed to steam consumers, to steam turbines or to the next


pressure header through letdown valves.

Electric motors can be used to meet the required power demands.

Finally utility pumps are included to change the pressure in all the liquid streams.

Figura 4.4.2: Superstructure of the utility system plant. It is possible to include N turbines
in parallel of each class

Before including a description of the actual implementation of each unit and its
characteristics, because we are using a modular approach, it is convenient to analy-

236
Capı́tulo 4. Resultados

ze the information flow in the flowsheet (or superstructure). If we assume that the in-
formation flow coincides with the mass flow, which is the usual approach in modular
simulation, then any valid flowsheet must include a recycle involving all the unit opera-
tions. For example, we should assume a water mass flowrate entering the boilers and
the fresh water entering the deaerator, and after calculating the entire flowsheet the
water exiting from the deaerator should be equal to the assume mass flowrate ente-
ring the boilers. As commented before, it is convenient to let the optimizer converge
this recycle in order to minimize the effects of numerical noise. However, if we are able
to change the direction of the information flow we could solve a given flowsheet with
small recycles involving a single unit operation that can be efficiently solved by the im-
plicit model. In this case it is possible just by reversing the calculation in the boilers: The
water (steam) mass flowrate is calculated in terms of the fuel flowrate and operating
conditions. In the deaerator it is then possible to calculate the fresh water mass flow-
rate and no recycles appear in the flowsheet. This kind of analysis can be automated,
see for example the book by Westerberg et al [69].

Following is a description of the main equipment involved in the power plant and
their particular models for implementation.

Gas turbine and HRSG

The gas turbine is introduced in the model as a kriging metamodel. To generate


data for creating the kriging model [45, 46, 49, 52, 53] a gas turbine model was created
in Aspen Hysys™. See Figure 4.4.3. The model is formed by a compressor in which air at
ambient conditions is used. The compressed air is introduced together with pressurized
fuel (natural gas) in a Gibs reactor that simulates the combustion chamber of the gas
turbine. The gases exiting from the combustion chamber are introduced in a turbine
where they are expanded to atmospheric pressure. The work generated by the gas
turbine is used to move the compressor and to generate electricity which is simulated
by an energy balance. The exhaust gases are sent to a HRSG that is used to generate
more steam, and simulated as a regular heat exchanger. All relevant data about the
different equipment are given in Table 4.4.1. Table 4.4.2 shows utilities data.

It is possible to include more complex models for efficiencies, for example using the
Willans line [64, 65, 68]. However, the parameters depend both on the particular turbi-

237
4.4.Integration of different models in design of chemical processes

Tabla 4.4.1: Summary of operating parameters


Unit Operating Parameters
Headers VHP Pressure 100 bar
HP Pressure 40 bar
MP Pressure 20 bar
LP Pressure 3 bar
Condenser Pressure 1.01325 bar (1 atm)
Vacuum Pressure 0.1 bar (10 kPa)
Vacuum Temperature 46.01o C

Gas Turbine Compressor efficiency 83 %


Turbine efficiency 85 %
Mechanical efficiency 98 %
Compression ratio (r) 4 ≤ r ≤ 20
Compression Temperature out
Tcombustion ≤ 1200o C
Exhaust Gas Temperature TExhaust ≤ 600o C
Peng Robinson (combustion chamber)
Thermodynamics
ASME Steam for steam lines

HRSG Min approach Temp 30o C


Stack Temperature 160o C

Boilers Efficiency 90 %
Approach temperature 30o C
Blowdown rate 3%
Excess combustion air 10 %
Peng Robinson Hysys default (combustion chamber)
Thermodynamics
ASME Steam for steam lines

Steam Turbines Efficiency ηis = c( a−W


b+W
t
)0,95 (W in kW)
t
Backpressure Pin ≥ 40 bar; a = −427,0992; b = 865,5034; c = −0,8217;
Pin ≥ 20 bar; a = −378,0419; b = 758,8181; c = −0,8223;
Pin ≥ 1 bar; a = −181,9821; b = 381,1312; c = −0,8150;
Condensation Pin ≥ 40 bar; a = −313,3561; b = 648,2201; c = −0,7714;
Pin ≥ 20 bar; a = 244,8585; b = 528,1410; c = 0,7769;
Pin ≥ 1 bar; a = −142,4190; b = 323,1106; c = −0,7700;

Deaerator Pressure 1.01325 bar (1 atm)


Vent 5 % LP introduced

238
Capı́tulo 4. Resultados

Figura 4.4.3: Scheme of the actual implementation of a gas turbine in Aspen-Hysys

Tabla 4.4.2: Utilities Data

Utility
Fuel Natural Gas
Composition (wt fraction)
Methane 0.8405
Ethane 0.1278
Propane 0.0203
n-Butane 0.0033
Ethylene 0.0081
Temperature 25o C
Pressure 101.325 kPa (1 atm)
Cost 0.23$ /(m3std ) = 2.5792 M$ /(year tone fuel)*

Cooling Water Temperature 25 - 35o C


Pressure 101.325 kPa (1 atm)
Cost 19.1952 10−6 M$/(kW · year)

Demineralized Water Temperature 25 o C


Pressure 101.325 kPa (1 atm)
Cost 0.02 M$/(t/h year)

*Calculated for 8000 h of operation year (ρF uel = 0.7134 kg/(m3std ))

239
4.4.Integration of different models in design of chemical processes

ne and on the operating conditions, as we do not know, a priori, the particular turbine
assume a fixed efficiency is a reasonable assumption [70]. For fixed efficiencies values
the gas turbine can be calculated with three independent variables. We have used
the air to fuel ratio (wt.) fixed between 40 and 100. The compressor output pressure
(between 400 and 2000 kPa that correspond to compression ratios between 4 and 20.
And the fuel mass flowrate.

The model as implemented in Aspen Hysys is slightly noisy and although it slows
down a bit the optimization it can be used as is. However, as commented above, for
illustration purposes, it was substituted by a kriging metamodel. The kriging approach
has the advantage of allowing a very fast evaluation of the model and it is possible
to get numerical derivatives without error (except by the computer precision) by using
complex derivatives.

To calibrate the kriging we have used 100 points distributed using a min-max ap-
proach (minimizing the maximum distance between two points) using 1000 kg/h of fuel
as calculation basis which in fact leaves the kriging model with two degrees of free-
dom. In this case the maximum error introduced by the kriging interpolation is under
the 0.8 %. Figure 4.4.4 shows the values predicted by the kriging and the calculated
ones and the error for 500 random points.

240
Capı́tulo 4. Resultados

Figura 4.4.4: Left, calculated and predicted values for the kriging model in the gas
turbine. Right, % kriging error in 500 random points

241
4.4.Integration of different models in design of chemical processes

Therefore, the model for the gas turbine can be written as follows:

out out stack out


[Wgt , Tcombustion , Tturbine , QHRSG , THRSG ] = Kriging T urbine(AFgt , Pcompressor , F uelgt )

40 ≤ AF ≤ 100
out
400 ≤ Pcompressor ≤ 2000(kP a)
(4.4.5)
out
Tcombustion ≤ 1200(o C)
out
Tturbine ≤ 600(o C)
stack
THRSG ≤ 160(o C)

where:

AFgt Gas Turbine air to fuel ratio (weight basis)


out
Pcompressor Output pressure from the compressor in the gas turbine (kPa)
F uelgt Gas turbine mass fuel flowrate (kg/h)
Wgt Effective work provided by the gas turbine

out Temperature of the output stream from the combustion chamber


Tcombustion
in gas turbine)
out
Tturbine Temperature of the exhaust gases from the gas turbine
QHRSG Maximum heat available from the Heat Recovery Steam Generator
stack
THRSG Temperature for the gases that exit from the HRSG

For the HRSG we have to decide at which pressure we want to generate the ex-
tra steam and which is the minimum approach temperature between the gases and
steam. With an energy balance we can calculate the extra steam mass flowrate and
its conditions (pressure and temperature). This calculation is performed using Hysys as
a thermodynamic calculator for estimating specific water and steam enthalpies at the
inlet and outlet conditions. Alternatively, it is possible to generate a flowsheet in Aspen
Hysys to perform this calculation, but in this way we do not need to interact with the
graphical interface and the calculations are faster. The model for the HRSG can be
written as follows

242
Capı́tulo 4. Resultados

Steam Steam out


[FHRSG , THRSG ] = HRSG(QHRSG , THRSG , PHRSG , ∆THRSG ) (4.4.6)

where:

PHRSG Steam pressure in the HRSG (kPa)


Steam
FHRSG Steam flowrate exiting from HRSG (kg/h)
Steam
THRSG Temperature of the vapor exiting from the HRSG (o C)
∆THRSG Minimum approach temperature in the HRSG (o C)

Boilers

For the boilers we follow a similar approach to that followed in the gas turbine. A
flowsheet is built in Aspen Hysys to rigorously simulate a boiler. In this case we take
advantage of the Aspen Hysys capability for transmitting information from one unit to
another as soon as all the degrees of freedom of a unit have been provided by the
user See Figure 4.4.5.

Figura 4.4.5: Scheme of the implementation of a Boiler in Aspen Hysys. Dotted line
shows the information flow that is different of mass flow

243
4.4.Integration of different models in design of chemical processes

The design variables, see Figure 4.4.5, are the fuel flowrate and the temperature
of the gases after heat exchange with the water to generate steam. The calculation
sequence is as follows:

A fuel and an air stream (10 % excess) are introduced in a Gibbs reactor that simu-
lates the combustion of fuel in the boiler. The combustion gases exchange heat with
water at high pressure to generate steam. Instead of using a single heat exchanger,
we use two heat exchangers in which the heat is transmitted with a given efficiency
(90 %). Note that if the output gas temperature is known (design variable), the amount
of heat available for generating steam is then also known. The temperature of steam
is fixed by assuming a minimum temperature difference between the stack tempe-
rature of combustion gases (exit temperature) and the steam. With this information
Aspen-Hysys can calculate the steam flowrate, the blowdown, the high pressure wa-
ter flowrate and the pump. See Figure 4.4.5.

The model can be developed for a given mass flow rate base (i.e. 100 kg/h). In
those conditions if the steam pressure is known the complete model depends just on
one design variable. In our case the temperature of combustion gases after heat ex-
change. Efficiency and approach temperature are fixed parameters. See Table 4.4.1
for all the relevant data for boilers.

Like in the case of gas turbines the model is slightly noisy, and it can be used as is,
because it is possible to get accurate derivatives by a finite difference approximation.
However, it is much more efficient, from a numerical point of view, to use a polynomial
or cubic spline interpolation for which the error is negligible and we have analytical
derivatives. This is the approach we use in this work.

Conceptually, the model for the boiler can be written as follows:

Steam Steam Gas


[Fboiler , Tboiler ] = Boiler(Tboiler , F uelboiler , Pboiler )
(4.4.7)
Gas
TSteam dew (Pboiler ) + ∆T ≤ Tboiler ≤ 1900(o C)

244
Capı́tulo 4. Resultados

where:

Pboiler Steam pressure in the boiler


F uelboiler Mass flow rate of fuel consumed by the boiler
Gas
Tboiler Temperature of the gases exiting from the boiler
Steam
Tboiler Boiler steam temperature
Steam
Fboiler Boiler steam mass flow rate

Steam Turbines

A steam turbine converts the energy of steam stream into power. The total power
for the expansion is further split into power used by the shaft and energy losses (me-
chanical friction, heat losses and kinetic losses). The three main factors affecting the
turbine performance are the turbine size (maximum power), the pressure drop across
the turbine and the operating load.

An ideal steam turbine assumes an isentropic expansion. Any model of an actual


turbine captures the real behavior by means of the isentropic efficiency:

Hin − Hout
ηIS = (4.4.8)
Hin − HIS

In the literature there are different correlations that capture the isentropic efficiency
in terms of the actual load and pressure difference [12, 66, 68]. These correlations vary
depending on the manufacturer and the turbine size and model. However, according
to Varbanov et al [68] although the machine efficiency varies noticeably in a non-
linear way with the load, it retains relatively high values, that go from 88 % for smaller
turbines to 96 % for the larger ones. Bruno et al. [66] presented correlations for turbines
working at their maximum load that relates the steam turbine efficiency with the inlet
pressure, the shaft power and exhaust conditions (condensing and non-condensing
turbines). In this work we include those correlations plus a fixed 0.95 efficiency to take
into account a possible deviation from full load operation.

For calculating the ideal turbine we can use a turbine model as implemented in
Aspen Hysys or using Aspen Hysys as a thermodynamic calculator server. We follow this

245
4.4.Integration of different models in design of chemical processes

second approach because we have a better control over the model and we do need
to interact with the Aspen Hysys graphical interface that slow down the calculations.

A complex turbine can be decomposed into its corresponding basic components


involving simple turbine units, splitters and mixers. Any minor differences between the
extraction turbine and the decomposed model can be compensated for later in the
design by small adjustments in the specification in terms of efficiency [12].

For condensation turbines, we use cooling water as cold utility. Therefore, the pres-
sure of the vacuum header is fixed to allow enough of a temperature difference bet-
ween the condensing steam and the cooling water.

Conceptually, the model for a turbine can be written as follows:

[WT urbine , FTSteamOut


urbine , FTSteamOut
urbine , Qcond ] =

= T urbine(FTSteamIn SteamIn SteamIn Out


urbine , PT urbine , TT urbine , PT urbine , T ype)
SteamOut
FT urbine k ≤ αk FTSteamIn
urbine
X (4.4.9)
αk = 1
k∈T urbineOutputs

FTSteamIn SteamIn SteamIn


urbine ≤ FT urbine ≤ FT urbine

αk ≤ αk ≤ αk

where:

FTSteamIn
urbine Mass steam flowrate entering the turbine
PTSteamIn
urbine Pressure of the inlet steam
TTSteamIn
urbine Temperature of the inlet steam
Outk
PT urbine Pressure of each one of the output streams
T ype Type of steam turbine: back pressure or condensing
WT urbine Turbine power
SteamOutk
FT urbine Mass steam flowrate in each turbine output
SteamOut
TT urbine k Temperature of each output streams
Qcond Condenser heat load (only for condensing turbines)

246
Capı́tulo 4. Resultados

Vapor Headers

A vapor header collects the steam (water) streams coming from different sources:
Boilers, HRSG, steam turbines, letdown valves, etc at different temperatures but at the
same pressure and distribute it where necessary (process, steam turbines, letdown
valves, deaerator,. . . ).

The header conditions (temperature if the pressure is fixed) can be calculated just
by mass and energy balances of all the streams entering to the header (it is equiva-
lent to a mixer). The enthalpy of each stream is either determined from the unit that
generated or calculated by Aspen Hysys.

Finally a simple mass balance relates the input streams with the output streams
(including process demands) in each header.

Valves

A letdown valve is simulated as an iso-enthalpic expansion between two pressure


levels. The inlet conditions are calculated by the corresponding header. Therefore,
the only computation needed is the calculation of the outlet temperature for a given
pressure and enthalpy (PH-flash).

Deaerator

For simulating the deaerator we follow the approach described by Smith [12]. The
mass flow and conditions (temperature or enthalpy) of the following water (steam)
streams are known: water returned from the process, water coming from the atmosp-
heric or vacuum headers, and water exiting from the deaerator to the boilers or HRSG.

Assuming that the deaerator works with LP steam extracted from the LP main, and
that a fixed percentage (5 %) of the steam is vented, we can calculate the treated
water makeup and the LP steam requirements (See Figure 4.4.6) by mass and energy
balances

247
4.4.Integration of different models in design of chemical processes

LP
X
Steam W ater
FT W + Fi + FDeaerator = Fboilers + FV ent
i∈W aterReturn
LP
X
HT W FT W + Steam
Hk Fk + HLPSteam FDeaerator = Hboilers Fboilers + HV ent FV ent(4.4.10)
W ater W ater

k∈W aterReturn
LP
Steam
FV ent = αFDeaerator

where F makes reference to mass flow rates. H makes reference to specific enthal-
pies.

TM Reference to Treated Water Makeup


Set of all the water returning to Power plant: condensate,
W ater Return
from process, etc.)

α Fraction of LP steam vented

Note that enthalpies for the water to boilers (and HRSG) and Vent streams are cal-
culated in the deaerator operating conditions.

Figura 4.4.6: Scheme of a deaerator

For the economic evaluation we use the total annualized cost (TAC). To annualize
the capital costs we use the following relationship [12]:

248
Capı́tulo 4. Resultados

T AC = Operating Costs + f (Capital Cost


i(1 + i)N (4.4.11)
f =
(1 + i)N − 1

where i is the interest rate per year and N is the number of years. Data fuel, co-
oling water and other costs are given in Table 4.4.2. To estimate the capital costs we
use the correlations given by Turton el al [13], except for the gas turbine where the
purchased cost was correlated from manufactures provided by Nye Thermodynamics
Corporation:

GasT urbineCost(M $) = 0,7886(WGT )0,7395 (WGT in M W ) (4.4.12)

The final model is formed by an objective function (TAC minimization) subject to


fixed equipment equations: vapor headers, letdown valves and deaerator. Note that
for the valves a disjunction is not needed because the flow going through a valve
takes the value zero if the valve does not exist. Conditional equipment equations that
are included in two term disjunctions are: Gas Turbine (YGT ), HRSG (YHRSG ), Boilers
(Yboilersk ) and Steam Turbines (YST ). Where the Y makes reference to the boolean
variable related with each equipment.

We must include the following logical relationships:

If the HRSG exists then the gas turbine must exist:

YHRSG ⇒ YGT (4.4.13)

If a gas turbine is not selected then the HRSG cannot be selected

249
4.4.Integration of different models in design of chemical processes

¬YGT ⇒ ¬YHRSG (4.4.14)

At least the HRSG or a boiler must be selected

YHRSG ∨ ( ∨ Yboilersk ) (4.4.15)


k∈boilers

The mechanical power must be supplied by given equipment (Steam turbines or


electric motors). In that case, we need to assign that power to the equipment among
those available. To that end we define the new boolean variable:

Zeq,pd True if the equipment ‘eq’ satisfies the demand ‘pd’

The following disjunctions explicitly force that relationship

 
Zeq,pd
  (4.4.16)
Weq = P owerDemandpd

The following logical relationships correctly ensure feasible assignments:

If the mechanical power demand ‘pd’ is assigned to equipment ´eq’ then the
equipment ‘eq’ must be selected:

Zeq,pd ⇒ Yeq (4.4.17)

Each mechanical power demand must be assigned

∨ (Zeq,pd )∀eq (4.4.18)


pd

250
Capı́tulo 4. Resultados

Although it is not strictly necessary, if we want force that a given equipment be


assigned to a single mechanical power demand we can include the following rela-
tionship:

at most(Zeq,pd )∀eq (4.4.19)


pd

Note that steam demands are included in the mass balances in each steam hea-
der, and therefore it is not explicitly necessary include a boolean variable for each
steam demand.

As a final remark, it is worth mentioning that adding new equipment (i.e. more gas
turbines, or boilers) modify the equations of any equipment or adding any other is
straightforward. Due to the modular approach, the modification of equipment, ad-
ding or removing alternatives does not modify the structure of the rest of the model.

4.4.5. Examples

Here we present three instances of the model that illustrates the versatility of both
the case study and the modeling framework. All the relevant data for each of the
three instances are given in Table 4.4.3.

Tabla 4.4.3: Data for examples

Instance 1 Instance 2 Instance 3


VHP Steam Demand (t/h) 1 - -
HP Steam Demand (t/h) 20 10 2
MP Steam Demand (t/h) 5 - -
LP Steam Demand (t/h) 10 5 5
Water Returned from process (t/h) 10.8 4.5 2.1
Electricity demand (MW) 50 5 0.6
2000 500
Drivers demands (kW) - 2500 1000
3500

251
4.4.Integration of different models in design of chemical processes

The first instance we have a power plant with high power (electricity) demand (50
MW) and different demands of VHP (100 bar) stream 1 t/h; HP (40 bar) steam 20 t/h; MP
steam (20 bar) 5 t/h and LP steam (3 bar) 10 t/h. In this first case there is no mechanical
power demand. The optimal solution includes a gas turbine with HRSG, and four steam
turbines working between different pressure levels. See Figure 4.4.7.

Figura 4.4.7: Optimal solution for case study, instance 1

In this example it is worth remarking the perfect steam balance. The operating con-
ditions of the gas turbine and HRSG are optimized in such a way that the steam pro-
duced in the HRSG is used, without any excess, for supplying the steam demands (in-
cluding the LP steam in the deaerator) and the extra power demand not satisfied by
the gas turbine. Table 4.4.4 shows with detail the results of this example.

252
Capı́tulo 4. Resultados

Tabla 4.4.4: Results for example 1


Equipment
Gas Turbine Power (MW) 37.9 MW
Fuel (t/h) 8.48
Compression ratio 30
Air to fuel ratio 53.86
Exhaust gas temperature (o C) 575.08
Installed cost (M$) 40.58
HRSG Water inlet temperature (o C) 80
Steam mass flow rate (t/h) 68.99
Installed cost (M$) 3.42
Backpressure turbine 1 PIn – Pout (bar) VHP(100)-HP(40)
Work (kW) 2.619
Efficiency 0.781
Steam Flow (t/h) 41.71
Installed cost (M$) 1.81
Backpressure turbine 2 PIn – Pout (bar) VHP(100)-MP(20)
Work (kW) 2.691
Efficiency 0.781
Steam Flow (t/h) 26.28
Installed cost (M$) 1.82
Backpressure turbine 3 PIn – Pout (bar) HP(40)-LP(3)
Work (kW) 2.778
Efficiency 0.78
Steam Flow (t/h) 21.71
Installed cost (M$) 1.83
Condensing Turbine PIn – Pout (bar) MP(20)-Vacuum(0.1)
Work (kW) 4.008
Efficiency 0.738
Steam Flow (t/h) 21.28
Installed cost (M$) 1.96
Condenser heat load (MW) 13.33
Condenser Installed cost (M$) 0.39
Deaerator LP Steam flow rate (t/h) 11.71
Fresh water makeup (t/h) 25.7
Vent (t/h) 0.59
Water from atm. header (t/h) 32.08
Installed cost (M$) 0.070
Costs Total installed Cost (M$) 51.89

Annualizing factor (f)


0.1874
(8 years 10 % interest)
Fuel Cost (M$/year) 21.86
Fresh water cost (M$/year) 0.516
Cooling water cost (M$/year) 0.136
Total utilities cost (M$/year) 22.51

TAC (M$/year) 32.24


Note: cost of pipes, pumps and valves is not included

253
4.4.Integration of different models in design of chemical processes

From a computational point of view, the most complex non-linear problem, that
in which all the units exist (using for initialization, that is a feasible solution, although
of course not the optimal one) the problem is solved in around 30 seconds of CPU
time, although this time depends on the initial values. The rest of the NLP sub-problems
are solved typically in CPU times that range between 5 and 20 seconds. (Intel(R) Co-
re(TM)2Quad CPU 2.4GHz 2.39 GHz. RAM 8 GB under Windows 7). The MILPs where
solved in all the cases in less than 1 second of CPU time. Table 4.4.5

Tabla 4.4.5: Numerical statistics for the three instance

Instance 1 Instance 2 Instance 3


Nº of Boolean variables 1 - -
Nº of independent variables 20 10 2
Nº of linear explicit equations(1) 5 - -
Nº of non-linear explicit equations(2) 10 5 5
Nº of implicit blocks 10.8 4.5 2.1
Detailed iterations for instance 1(3)
Iterations(4) Objective CPU time (s) Solver
Initialization (all units exist). NLP 33.54 35.3 CONOPT
MILP Master 32.84 0.13 CPLEX
Iteration 2: NLP 32.69 7.9 CONOPT
Iteration 2: Master-MILP 33.09 0.16 CPLEX
Iteration 3: NLP 32.30 7.7 CONOPT
Iteration 3: Master-MILP 33.15 0.14 CPLEX
Iteration 4: NLP 32.24 6.6 CONOPT
Iteration 4: Master-MILP 33.26 0.13 CPLEX
Iteration 5: NLP 32.50 6.1 CONOPT
Iteration 5: Master-MILP 33.29 0.16 CPLEX
Iteration 6: NLP 32.48 8.9 CONOPT
Iteration 6: Master-MILP 33.35 0.34 CPLEX
Iteration 7: NLP 32.43 6.6 CONOPT
Iteration 7: Master-MILP 33.36 0.16 CPLEX
Iteration 8: NLP 32.62 8.4 CONOPT
(1)
Logical relationships not included
(2)
Includes both independent and dependent variables
(3)
Numerical performance for instances 2 and 3 is similar
(4)
Fixed number of iterations to 8. Note also that the Master is not providing lower bounds due to slack variables
(Intel(R) Core(TM)2Quad CPU 2.4GHz 2.39 GHz. RAM 8 GB under Windows 7)

All the numerical test we have performed show that for a given problem with a
fixed configuration, the optimal solution obtained is not too sensitive to the initial va-
lues. In other words, there is reasonable evidence that the solution is the global one

254
Capı́tulo 4. Resultados

(although of course we cannot guarantee it). However, in the master problem slack
variables become active in the firsts iterations, and as a consequence we cannot
guarantee that the solution showed be the global optimum. Nevertheless, numerical
test allowing a large number of major iterations (i.e. 25 major iterations) show that the
solution obtained, if not the optimal is at least a good solution (difference lower than
10-15 % in the worst cases).

In the second instance there are mechanical power demands (three rotating equip-
ment requires 2000, 2500 and 3500 kW respectively) that must be satisfied by steam
turbines, and power (electricity) demand 5 MW. Moreover the process plant requires
10 t/h of HP steam and 5 t/h of LP steam.

The optimal solution includes a gas turbine, HRSG, three steam turbines to provide
mechanical power (one of those is a condensing turbine).See Figure 4.4.8 and Table
4.4.6. At difference of the first example, the steam needed for the turbines and to
satisfy the process demands results in electricity generated that is larger than needed,
and which can be sold to the grid.

It is possible to include a boiler to produce the extra steam without the electricity
excess but the economic balance shows that the extra cost of fuel and boiler is eco-
nomically inferior.

The computational performance is similar to the first example. Nevertheless it is in-


teresting remark that for the initialization it is not practical solve a set of feasible NLPs
that includes at least once all the alternatives. Due to the assignment equations of
turbines to mechanical demands, the number of alternatives is too large. However,
what we really need to initialize are the steam turbines. Therefore, for the initialization
of the MILP master we simple assume that all the steam turbines exist subject to the
power generated by all of them must be larger than the total power (mechanical +
electricity).

The third instance is similar to the second one but the mechanical power demands
(500 kW, 1000 kW) and electricity demand (600 kW) are smaller. There are also de-
mands of HP steam (2 t/h) and LP steam (5 t/h). The optimal solution includes a Boiler,
2 backpressure steam turbines, a condensing turbines, and the deaerator. There are

255
4.4.Integration of different models in design of chemical processes

Tabla 4.4.6: Results for example 2


Equipment
Gas Turbine Power (MW) 10.96MW
Fuel (t/h) 4.09
Compression ratio 4
Air to fuel ratio 61.67
Exhaust gas temperature (o C) 600
Installed cost (M$) 16.21
HRSG Water inlet temperature (o C) 80
Steam mass flow rate (t/h) 39.44
Installed cost (M$) 2.15
Extraction turbine 1 PIn – Pout (bar) VHP(100)-MP(20)
Work (kW) 2.500
Steam Flow (t/h) 33.74
Steam Flow Out (t/h) 26.99 - 6.75
Efficiency 0.781 - 0.784
Installed cost (M$) 2.50
Extraction turbine 2 PIn – Pout (bar) HP(40)-MP(20)-LP(3)
Work (kW) 2.000
Steam Flow (t/h) 19.71
Steam Flow Out (t/h) 8.02-11.70
Efficiency 0.781-0.782
Installed cost (M$) 2.70
Condensing Turbine PIn – Pout (bar) MP(20)-Vacuum(0.1)
Work (kW) 3.500
Steam Flow (t/h) 17.75
Efficiency 0.738
Installed cost (M$) 1.92
Condenser heat load (MW) 11.40
Condenser Installed cost (M$) 0.348
Deaerator LP Steam flow rate (t/h) 6.70
Fresh water makeup (t/h) 10.84
Vent (t/h) 0.33
Water from atm. header (t/h) 22.25
Installed cost (M$) 0.052
Costs Total installed Cost (M$) 25.88

Annualizing factor (f)


0.1874
(8 years 10 % interest)
Fuel Cost (M$/year) 10.53
Fresh water cost (M$/year) 0.216
Cooling water cost (M$/year) 0.116
Total utilities cost (M$/year) 10.86

TAC (M$/year) 15.71

256
Capı́tulo 4. Resultados

Figura 4.4.8: Optimal solution for case study, instance 2

also two letdown valves to distribute the steam among the steam mains and the steam
turbines. In this case, the small demand of electricity does not justify the gas turbine
high cost. See Figure 4.4.9 and Table 4.4.7 for a detailed summary of the results.

257
4.4.Integration of different models in design of chemical processes

Tabla 4.4.7: Results for example 2


Equipment
Boiler Fuel (t/h) 1.28
Temperature steam (o C) 502.6
Heat load (MW) 13.47
Steam flow rate (t/h) 14.43
Blowdown flow rate (t/h) 0.43
Installed cost (M$) 0.942
Back pressure turbine 1 PIn – Pout (bar) VHP(100)-MP(40)
Work (kW) 600
Steam Flow (t/h) 10.27
Efficiency 0.782
Installed cost (M$) 1.08
Back pressure turbine 2 PIn – Pout (bar) MP(20)-LP(3)
Work (kW) 1.000
Steam Flow In (t/h) 10.15
Efficiency 0.782
Installed cost (M$) 1.36
Condensing Turbine PIn – Pout (bar) MP(40)-Vacuum(0.1)
Work (kW) 500
Steam Flow (t/h) 2.29
Efficiency 0.734
Installed cost (M$) 1.01
Condenser heat load (MW) 1.44
Condenser Installed cost (M$) 0.124
Deaerator LP Steam flow rate (t/h) 2.45
Fresh water makeup (t/h) 5.02
Vent (t/h) 0.12
Water from atm. header (t/h) 7.09
Installed cost (M$) 0.0317
Costs Total installed Cost (M$) 4.56

Annualizing factor (f)


0.1874
(8 years 10 % interest)
Fuel Cost (M$/year) 3.30
Fresh water cost (M$/year) 0.101
Cooling water cost (M$/year) 0.015
Total utilities cost (M$/year) 3.42

TAC (M$/year) 4.27

258
Capı́tulo 4. Resultados

Figura 4.4.9: Optimal solution for case study, instance 3

4.4.6. Conclusions

This paper describes how models from very different sources and different numeri-
cal behavior can be incorporated as modules to a general synthesis framework that
can capture their numerical performance and implement numerical approaches tai-
lored to the need of each model. Some of the capabilities of the proposed approach
are the following:

Structural analysis of the input-output structure of each model for selecting de-
sign variables and reducing as much as possible the recycle structure of the
problem

Determination of sparsity pattern for each model to accelerate the calculation


of the Jacobian matrix

259
4.4.REFERENCIAS

Different approaches for calculating the derivative information that includes,


analytical; complex variables based differentiation, finite differences

Possibility for dealing with noisy systems through adaptive surrogate models (kri-
ging)

Disjunctive modeling that facilitates the conceptual modeling

Soft and hard logic relations easily included in the model

The final result is a hybrid system that includes implicit models coming from different
sources and with different numerical behavior, and models or constraints in equation
form. The basic idea is that the ’best available’ model can be used in a rigorous synt-
hesis framework when shortcut models are not adequate.

It has been shown that the synthesis problem can be written as a General Disjun-
ctive Programming problem and solved without MINLP reformulation using the logic
based outer approximation of LP/NLP based branch and bound. Conceptually the
GDP approach allows an easy model formulation for the final user and at the same
time encapsulates each sub-model facilitating the numerical study of its characteris-
tics.

The synthesis of a utility system, in which each of the components has been trea-
ted as a sub-model with different characteristics has been used as a case study. Future
work will concentrate on producing a new design and synthesis tool that can be ap-
plied to many processes.

Acknowledgements

The authors wish to acknowledge support from the Spanish Ministry of Science and
Innovation (CTQ2012-37039-C02-02).

Referencias

[1] Braunschweig, B.L. y col. ((Process Modelling: The promise of open software architectures)).
En: Chemical Engineering Progress 96(9) (2000), págs. 65 -76.

260
Capı́tulo 4. Resultados

[2] Rosenthal, R.E. GAMS: A User’s Guide. GAMS Development Corporation, 2013.
[3] Fourer, R., Gay, D.M. y Kernighan, B.W. AMPL: a modeling language for mathematical pro-
gramming. Thomson/Brooks/Cole, 2003.
[4] Grossmann, I.E., Caballero, J.A. y Yeomans, H. ((Mathematical programming approaches
to the synthesis of chemical process systems)). English. En: Korean Journal of Chemical
Engineering 16.4 (1999), págs. 407-426.
[5] Shacham, M. y col. ((Equation oriented approach to process flowsheeting)). En: Computers
& Chemical Engineering 6.2 (1982), págs. 79 -95.
[6] Marquardt, W. ((Trends in computer-aided process modeling)). En: Computers & Chemical
Engineering 20.6-7 (1996), págs. 591 -609.
[7] Biegler, L.T., Grossmann, I.E. y Westerberg, A.W. Systematic methods of chemical process
design. Prentice-Hall international series in the physical and chemical engineering scien-
ces. Prentice Hall PTR, 1997.
[8] Grossmann, I.E. ((Review of Nonlinear Mixed-Integer and Disjunctive Programming Techni-
ques)). English. En: Optimization and Engineering 3.3 (2002), págs. 227-252.
[9] Lee, S. y Grossmann, I.E. ((Logic Based Modeling and Solution of Nonlinear Discrete Conti-
nuous Optimization Problems)). English. En: Annals of Operations Res. 139.1 (2005), 267 -
288.
[10] Dimian, A.C., Bildea, C.S. y Kiss, A.A. Integrated Design and Simulation of Chemical Proces-
ses. Computer Aided Chemical Engineering. Elsevier Science, 2003.
[11] Luyben, W.L. Principles and Case Studies of Simultaneous Design. Wiley, 2011.
[12] Smith, R. Chemical process design and integration. Wiley, 2005.
[13] Turton, R. y col. Analysis, Synthesis and Design of Chemical Processes. Prentice Hall Interna-
tional Series in the Physical and Chemical Engineering Sciences. Pearson Education, 2008.
[14] Caballero, J.A. y Grossmann, I.E. ((Aggregated Models for Integrated Distillation Systems)).
En: Industrial & Engineering Chemistry Research 38.6 (1999), págs. 2330-2344.
[15] Harsh, M.G., Saderne, P. y Biegler, L.T. ((A mixed integer flowsheet optimization strategy for
process retrofitsâ C”the debottlenecking problem)). En: Computers & Chemical Enginee-
ring 13.8 (1989), págs. 947 -957.
[16] Diwekar, U.M., Grossmann, I.E. y Rubin, E.S. ((An MINLP process synthesizer for a sequential
modular simulator)). En: Ind. Eng. Chem. Res. 31.1 (1992), págs. 313-322.
[17] Kocis, G.R. y Grossmann, I.E. ((A modelling and decomposition strategy for the minlp optimi-
zation of process flowsheets)). En: Computers & Chemical Engineering 13.7 (1989), págs. 797
-819.
[18] Reneaume, J.M.F., Koehret, B.M. y Joulia, X.L. ((Optimal Process Synthesis in a Modular Si-
mulator Environment: New Formulation of the Mixed-Integer Nonlinear Programming Pro-
blem)). En: Industrial & Engineering Chemistry Research 34.12 (1995), págs. 4378-4394.
[19] Dı́az, M.S. y Bandoni, J.A. ((A mixed integer optimization strategy for a large scale chemical
plant in operation)). En: Computers & Chemical Engineering 20.5 (1996), págs. 531 -545.
[20] Ilacqua, A. y Serrati, A. ((Simulador a medida de una plnata de etileno para estudios de
sensibilidad paramétrica y optimización)). En: XVI Congreso Interamericano de Ingenierı́a
Quı́mica. Buenos Aires, Argentina (1991).
[21] Caballero, J.A., Milán-Yañez, D. y Grossmann, I.E. ((Optimal synthesis of distillation columns:
Integration of process simulators in a disjunctive programming environment)). En: European

261
4.4.REFERENCIAS

Symposium on Computer-Aided Process Engineering-15, 38th European Symposium of the


Working Party on Computer Aided Process Engineering. Ed. por Puigjaner, Luis y Espuña,
Antonio. Vol. 20. Computer Aided Chemical Engineering. Elsevier, 2005, págs. 715 -720.
[22] Caballero, J.A., Milán-Yañez, D. y Grossmann, I.E. ((Rigorous Design of Distillation Columns:
Integration of Disjunctive Programming and Process Simulators)). En: Industrial & Enginee-
ring Chemistry Research 44.17 (2005), págs. 6760-6775.
[23] Duran, M.A. y Grossmann, I.E. ((An outer-approximation algorithm for a class of mixed-
integer nonlinear programs)). En: Mathematical Programming 36 (3 1986), págs. 307-339.
[24] Kocis, G.R. y Grossmann, I.E. ((Relaxation strategy for the structural optimization of process
flowsheets)). En: Industrial & Engineering Chemistry Research 26.9 (1987), págs. 1869-1880.
[25] Viswanathan, J. y Grossmann, I.E. ((A combined penalty function and outer-approximation
method for {MINLP} optimization)). En: Computers & Chemical Engineering 14.7 (1990),
págs. 769 -782.
[26] Brunet, R. y col. ((Minimization of the LCA impact of thermodynamic cycles using a combi-
ned simulation-optimization approach)). En: Appl. Therm. Eng. 48.0 (2012), págs. 367 -377.
[27] Caballero, J.A. y col. ((Design of Hybrid Distillation-Vapor Membrane Separation Systems)).
En: Industrial & Engineering Chemistry Research 48.20 (2009), págs. 9151-9162.
[28] Caballero, J.A., Odjo, A. y Grossmann, I.E. ((Flowsheet optimization with complex cost and
size functions using process simulators)). En: AIChE Journal 53.9 (2007), págs. 2351-2366.
[29] Brunet, R. y col. ((Cleaner Design of Single-Product Biotechnological Facilities through the
Integration of Process Simulation, Multiobjective Optimization, Life Cycle Assessment, and
Principal Component Analysis)). En: Industrial & Engineering Chemistry Research 51.1 (2012),
págs. 410-424.
[30] Brunet, R. y col. ((Hybrid simulation-optimization based approach for the optimal design of
single-product biotechnological processes)). En: Computers & Chemical Engineering 37.0
(2012), págs. 125 -135.
[31] Tolsma, J.E., Clabaugh, J.A. y Barton, P.I. ((Symbolic Incorporation of External Procedures
into Process Modeling Environments)). En: Industrial & Engineering Chemistry Research 41.16
(2002), págs. 3867-3876.
[32] Dantus, M.M. e High, K.A. ((Evaluation of waste minimization alternatives under uncertainty:
a multiobjective optimization approach)). En: Computers & Chemical Engineering 23.10
(1999), págs. 1493 -1508.
[33] Leboreiro, J. y Acevedo, J. ((Processes synthesis and design of distillation sequences using
modular simulators: a genetic algorithm framework)). En: Computers & Chemical Enginee-
ring 28.8 (2004), págs. 1223 -1236.
[34] Gutı́errez-Antonio, C. y Briones-Ramı́rez, A. ((Pareto front of ideal Petlyuk sequences using a
multiobjective genetic algorithm with constraints)). En: Computers & Chemical Engineering
33.2 (2009), págs. 454 -464.
[35] Gutı́errez-Antonio, C., Briones-Ramı́rez, A. y Jiménez-Gutiérrez, A. ((Optimization of Petlyuk
sequences using a multi objective genetic algorithm with constraints)). En: Computers &
Chemical Engineering 35.2 (2011), págs. 236 -244.
[36] Vazquez-Castillo, J.A. y col. ((Design and optimization, using genetic algorithms, of inten-
sified distillation systems for a class of quaternary mixtures)). En: Computers & Chemical
Engineering 33.11 (2009), págs. 1841 -1850.

262
Capı́tulo 4. Resultados

[37] Odjo, A.O. y col. ((Disjunctive-Genetic Programming Approach to Synthesis of Process Net-
works)). En: Industrial & Engineering Chemistry Research 50.10 (2011), págs. 6213-6228.
[38] Eslick, J.C. y Miller, D.C. ((A multi-objective analysis for the retrofit of a pulverized coal po-
wer plant with a {CO2} capture and compression process)). En: Computers & Chemical
Engineering 35.8 (2011), págs. 1488 -1500.
[39] Torres, C.M. y col. ((Evaluation Tool for the Environmental Design of Chemical Processes)).
En: Industrial & Engineering Chemistry Research 50.23 (2011), págs. 13466-13474.
[40] Torres, C.M. y col. ((An automated environmental and economic evaluation methodology
for the optimization of a sour water stripping plant)). En: Journal of Cleaner Production 44.0
(2013), págs. 56 -68.
[41] Coath, G. y Halgamuge, S. ((A comparison of constraint-handling methods for the appli-
cation of particle swarm optimization to constrained nonlinear optimization problems)). En:
Evolutionary Computation, 2003. CEC ’03. The 2003 Congress on. Vol. 4. 2003, 2419 - 2425.
[42] Michalewicz, Z. ((A Survey of Constraint Handling Techniques in Evolutionary Computation
Methods.)) En: Evolutionary Programming 4 (1995), págs. 135-155.
[43] Michalewicz, Z. y col. ((Evolutionary algorithms for constrained engineering problems)). En:
Computers & Industrial Engineering 30.4 (1996), págs. 851 -870.
[44] Michalewicz, Z. y Schoenauer, M. ((Evolutionary algorithms for constrained parameter opti-
mization problems)). En: Evol. Comput. 4.1 (1996), págs. 1-32.
[45] Caballero, J.A. y Grossmann, I.E. ((Rigorous flowsheet optimization using process simulators
and surrogate models)). En: 18th European Symposium on Computer Aided Process Engi-
neering. Ed. por Braunschweig, Bertrand y Joulia, Xavier. Vol. 25. Computer Aided Chemi-
cal Engineering. Elsevier, 2008, págs. 551 -556.
[46] Caballero, J.A. y Grossmann, I.E. ((An algorithm for the use of surrogate models in modular
flowsheet optimization)). En: AIChE Journal 54.10 (2008), págs. 2633-2650.
[47] Turkay, M. y Grossmann, I.E. ((Logic-based MINLP algorithms for the optimal synthesis of
process networks)). En: Computers & Chemical Engineering 20.8 (1996), págs. 959 -978.
[48] Squire, W. y Trapp, G. ((Using Complex Variables to Estimate Derivatives of Real Functions)).
En: SIAM Review 40.1 (1998), págs. 110-112.
[49] Krige, D.G. ((A Statistical Approach to Some Mine Valuation and Allied Problems on the
Witwatersrand)). En: Master’s Thesis, University of Witwatersrand (1951).
[50] Davis, E. y Ierapetritou, M. ((A kriging method for the solution of nonlinear programs with
black-box functions)). En: AIChE Journal 53.8 (2007), págs. 2001-2012.
[51] Henao, Carlos A. y Maravelias, Christos T. ((Surrogate-based superstructure optimization
framework)). En: AIChE Journal 57.5 (2011), págs. 1216-1232.
[52] Jones, D.R. ((A Taxonomy of Global Optimization Methods Based on Response Surfaces)).
English. En: Journal of Global Optimization 21.4 (2001), págs. 345-383.
[53] Jones, D.R., Schonlau, M. y Welch, W.J. ((Efficient Global Optimization of Expensive Black-
Box Functions)). English. En: Journal of Global Optimization 13.4 (1998), págs. 455-492.
[54] Sasena, M.J. Flexibility and efficiency enhancements for constrained global design optimi-
zation with kriging approximations. University of Michigan, 2002.
[55] MATLAB. The Language of Technical Computing. The Mathworks Inc., 2006.
[56] Holmström, Kenneth. ((The TOMLAB optimization environment in Matlab)). En: Adv. Model
Optim. 1 (1999), págs. 47-69.

263
4.4.REFERENCIAS

[57] Quesada, I. y Grossmann, I.E. ((An LP/NLP based branch and bound algorithm for convex
MINLP optimization problems)). En: Computers & Chemical Engineering 16 (1992), págs. 937
-947.
[58] Brunet, R. y col. ((Combined simulation-optimization methodology for the design of en-
vironmental conscious absorption systems)). En: Computers & Chemical Engineering 46.0
(2012), págs. 205 -216.
[59] Raman, R. y Grossmann, I.E. ((Modelling and computational techniques for logic based
integer programming)). En: Computers & Chemical Engineering 18.7 (1994), págs. 563 -578.
[60] Dhole, V.R. y Linnhoff, B. ((Total site targets for fuel, co-generation, emissions, and cooling)).
En: Computers & Chemical Engineering 17, Supplement 1.0 (1993), S101 -S109.
[61] Iyer, R.R. y Grossmann, I.E. ((Synthesis and operational planning of utility systems for multipe-
riod operation)). En: Computers & Chemical Engineering 22.7-8 (1998), págs. 979 -993.
[62] Nishio, M. y col. ((A Thermodynamic Approach to Steam-Power System Design)). En: Indus-
trial & Engineering Chemistry Process Design and Development 19.2 (1980), págs. 306-312.
[63] Papoulias, S.A. y Grossmann, I.E. ((A structural optimization approach in process synthesis I:
Utility systems)). En: Computers & Chemical Engineering 7.6 (1983), págs. 695 -706.
[64] Mavromatis, S.P. y Kokossis, A.C. ((Conceptual optimisation of utility networks for operational
variations - I. targets and level optimisation)). En: Chemical Engineering Science 53.8 (1998),
págs. 1585 -1608.
[65] Mavromatis, S.P. y Kokossis, A.C. ((Conceptual optimisation of utility networks for operational
variations - II. Network development and optimisation)). En: Chemical Engineering Science
53.8 (1998), págs. 1609 -1630.
[66] Bruno, J.C. y col. ((A Rigorous MINLP Model for the Optimal Synthesis and Operation of Utility
Plants)). En: Chemical Engineering Research and Design 76.3 (1998), págs. 246 -258.
[67] Manninen, J. y Zhu, X.X. ((Level-by-level flowsheet synthesis methodology for thermal system
design)). En: AIChE Journal 47.1 (2001), págs. 142-159.
[68] Varbanov, P.S., Doyle, S. y Smith, R. ((Modelling and Optimization of Utility Systems)). En: Che-
mical Engineering Research and Design 82.5 (2004), págs. 561 -578.
[69] Westerberg, A.W. y col. Process Flowsheeting. Cambridge University Press, 1979.
[70] Marshman, D.J. y col. ((Energy optimization in a pulp and paper mill cogeneration facility)).
En: Applied Energy 87.11 (2010), págs. 3514 -3525.

264
Capı́tulo 4. Resultados

4.5 Anexo II: Integration of modular process simulators under


the Generalized Disjunctive Programming framework for
the structural flowsheet optimization

Generalmente, la optimización de procesos quı́micos se centra en optimizar pará-


metros de proceso continuos (temperaturas, presiones, caudales, composiciones, etc),
mientras se mantiene fija la topologı́a (estructura) del diagrama de flujo. Una herra-
mienta muy popular para realizar esta tarea son los simuladores de procesos modu-
lares, los cuales se adaptan perfectamente a los problemas de simulación, pero pier-
den parte de su atractivo para los problemas de optimización y de sı́ntesis. Además,
la sı́ntesis de proceso quı́mico suele exigir la toma de decisiones relacionadas con la
topologı́a del proceso, lo que implica la inclusión de variables enteras, lo que trans-
forma los problemas en problemas MINLP. Este hecho presenta tanto oportunidades
como desafı́os para los investigadores a la hora de desarrollar nuevas herramientas
que faciliten la sı́ntesis de procesos quı́micos.

La optimización de los procesos quı́micos en los que no se mantiene fija la topo-


logı́a de diagrama de flujo es un desafı́o en el campo de optimización de procesos.
Por lo general, esta tarea se realiza a través de modelos basados en ecuaciones. Este
enfoque presenta varios problemas, por un lado el cálculo o estimación de propieda-
des fı́sicas de forma rigurosa suele ser una tarea muy tediosa y complicada, y por otro
estos modelos suelen poseer tamaños enormes (con miles de ecuaciones y variables)
lo que dificultad su resolución.

En este trabajo se presenta un nuevo marco de modelado para tratar los proble-
mas de sı́ntesis. En éste, las diferentes alternativas del proceso se modelan en forma
de una superestructura, y se resuelve utilizando una combinación sinérgica de simula-
dores de procesos comerciales junto a la formulación GDP. Hasta donde conocemos,
no existe ninguna herramienta para la resolución de problemas donde la superestruc-
tura del proceso queda dibujada directamente sobre la interfaz gráfica del simulador
de procesos (GUI). La estructura del modelo se centra en construir un problema GDP
que es conectado con un simulador de procesos (Hysys Aspen), donde se optimiza
tanto la topologı́a como los parámetros continuos del proceso. Esta metodologı́a per-

265
4.5.Integration of simulators under the GDP framework

mite incluir fácilmente restricciones y relaciones lógicas entre las alternativas, de tal
forma que facilite la obtención de soluciones factibles. La herramienta propuesta uti-
liza el algoritmo de aproximaciones exteriores basada en la lógica y por lo tanto no
es necesario volver a formular el problema como un MINLP.

A modo de ejemplo se presenta la sı́ntesis de un planta de producción de meta-


nol. En este caso se presenta una superestructura que incluye todas las alternativas
de interés, incluyendo diferentes alimentos, diferentes sistemas de compresión y dife-
rentes condiciones de reacción. El objetivo de este ejemplo es demostrar el compor-
tamiento de la metodologı́a cuando existen diferentes alternativas para cada una
de las operaciones unitarias (disyunciones).

En conclusión, la metodologı́a propuesta presenta un nuevo enfoque que com-


bina la flexibilidad de la formulación GDP con los beneficios de los simuladores de
proceso comerciales, donde la principal novedad radica en el hecho de que la su-
perestructura del proceso está integrada directamente en la interfaz gráfica del simu-
lador. Esta herramienta mejora el modelado basado completamente en ecuaciones
ya que el cálculo riguroso de las propiedades fı́sicas y de las operaciones unitarias lo
llevan a cabo los simuladores comerciales. Además el uso de la formulación GDP uni-
da a los simuladores permite solucionar problemas de procesos donde la topologı́a
no se encuentra totalmente fijada.

266
Capı́tulo 4. Resultados

Integration of modular process simulators under the Generalized


Disjunctive Programming framework for the structural flowsheet
optimization

Miguel A. Navarro-Amorós, Rubén Ruiz-Femenia, José A. Caballero

Article sent to Computers & Chemical Engineering. Under Review

Abstract

The optimization of chemical processes where the flowsheet topology is not kept
fixed is a challenging discrete-continuous optimization problem. Usually, this task has
been performed through equation based models. This approach presents several pro-
blems, as tedious and complicated component properties estimation or the handling
of huge problems (with thousands of equations and variables). We propose a GDP ap-
proach as an alternative to the MINLP models coupled with a flowsheet program. The
novelty of this approach relies on using a commercial modular process simulator where
the superstructure is drawn directly on the graphical use interface of the simulator. This
methodology takes advantage of modular process simulators (specially tailored nu-
merical methods, reliability, and robustness) and the flexibility of the GDP formulation
for the modeling and solution. The optimization tool proposed is successfully applied
to the synthesis of a methanol plant where different alternatives are available for the
streams, equipment and process conditions.

Keywords

Process synthesis, Generalized Disjunctive Programming, Modular simulators, logic-


based optimization algorithm

4.5.1. Introduction

One common approach for the optimization of real chemical process handles con-
tinuous process parameters (temperatures, pressures, flowrates, compositions, etc.) as
the unique optimization variables while the flowsheet topology is kept fixed. A popular

267
4.5.Integration of simulators under the GDP framework

tool to perform this task are the process simulators based on the modular architecture,
which are perfectly suited for simulation problems but loses part of its attractiveness
for optimization or synthesis problems. In addition, chemical process synthesis also de-
mands to make decisions related to process topology, which implies the inclusion of
integer variables as free variables in the model, leading to a Mixed- Integer Nonlinear
Programming (MINLP) problem [1, 2]. This fact presents both opportunities and cha-
llenges for researchers to develop new tools that facilitate the synthesis of chemical
plants to chemical engineers.

The Generalized Disjunctive Programming (GDP) modeling framework introduced


by Raman and Grossmann [3] has brought to Process System Engineering (PSE) com-
munity the powerful framework of the disjunctive programming, which was originally
developed by Balas [4, 5] as an alternative representation of mixed-integer program-
ming problems. GDP allows to model chemical plant synthesis problems through the
use of higher level of logic constructs [3, 6] that make the formulation step more in-
tuitive and systematic, retaining in the model the underlying logical structure of the
problem. GDP represents problems in terms of Boolean and continuous variables, allo-
wing the representation of constraints as algebraic equations, disjunctions and logic
propositions [7]. The development of GDP in the chemical engineering community has
led to the development of customized algorithms that exploit this alternative modeling
framework. In particular, Turkay and Grossmann [8] extended the outer approximation
(OA) algorithm [9] for MINLPs into a logical-equivalent algorithm. Later, Lee and Gross-
mann [10] developed a disjunctive branch and bound.

GDP techniques have been successfully incorporated to many types of PSE opti-
mization problems such as process flowsheet synthesis, design of distillation columns,
scheduling and design of batch processes. In 1996, Turkay and Grossmann published
a paper in which they proposed a GDP algorithm for structural flowsheet optimization
problem and tested on several examples, including the synthesis of a vinyl chloride
monomer process consisting of 32 units. Process synthesis with heat integration was al-
so solved using disjunctions and logic propositions by Grossmann and coworkers [11].
One year later, Caballero and Grossmann [12] reported an aggregated model for the
synthesis of heat-integrated distillation columns modeled as a generalized disjunctive
program. Later, a disjunctive programming model was also applied to the synthesis

268
Capı́tulo 4. Resultados

of distillation column sequences [13]. In all these works, the problem is entirely descri-
bed on explicit equations by a general modeling language system, like GAMS [14],
and usually relies on simplified models (i.e, shortcut or aggregated methods) for the
unit operations in the flowsheet and for the prediction of the physical properties of the
components (e.g., for the vapor-liquid equilibrium). The first feature of this approach
leads to difficulties, when modeling the problem, in the initialization step, which may
converted into a daunting task. On the other hand, the use of simplified models for the
unit operations could be not accurate enough to capture key aspects of a real che-
mical process plant. Moreover, using simplified physical property models can predict
inaccurate thermodynamic properties, leading to misleading results.

The disadvantages listed in the last paragraph can be overcome by incorporating


process simulators to the synthesis problem. Flowsheeting software provides realistic
simulations and hence an optimal solution closer to the real implementation as they
offer tailored numerical techniques developed for converging the different units and
provides an extensive component database and reliable physical property methods.
The usage of chemical process simulators as an implicit model for solving synthesis pro-
blems through a MINLP approach is not new. Harsh et al. [15] developed an interface
with a MINLP and FLOWTRAN, for the retrofit of an ammonia process. Diwekar et al [16]
proposed a MINLP synthesizer using Aspen Plus. Diaz and Bandoni [17] used a MINLP
formulation with an existing ad-hoc process simulator for the optimization of a real
ethylene plant. Caballero et al. [18] proposed a superstructure-based optimization al-
gorithm for the rigorous design of distillation columns that combines a process simulator
(Aspen HYSYS) with explicit equations. Latter Brunet et al. [19] used the same algorithm
for the optimization of an ammonia-water absorption cooling cycle implemented in
Aspen Plus. Flowsheet process optimization with heat integration has also been perfor-
med using an hybrid simulation optimization approach, in which the process is solved
by a commercial process simulator (Aspen HYSYS), and the heat integration model is
in equation form [20]. All these works are based on the augmented penalty/equality
relaxation outer-approximation algorithm [21]. Other process simulators (SuperPro) has
also been coupled with a multi-objective Matlab optimizer [22].

Another approach for the synthesis problem combines process simulators with me-
taheuristic algorithms. Although metaheuristic algorithms are not able to guarantee

269
4.5.Integration of simulators under the GDP framework

the optimality of the solutions found, they can find solutions for some real-world pro-
blems that exhibit high levels of complexity [23]. Perhaps the most serious disadvanta-
ges of metaheuristic algorithms are that the number of function evaluations to conver-
ge could be large, and as well as they exhibit poor performance in highly constrained
systems. A considerable amount of literature supports the integration of a process si-
mulator with an external optimizer based on metaheuristic algorithms. Gross and Roo-
sen [24] demonstrated the suitability of a genetic algorithm coupled with the process
simulator Aspen Plus to optimize arbitrary flowsheets. Leboreiro and Acevedo [25] al-
so succeeded in problems where deterministic mathematical algorithms had failed,
using an optimization framework for the synthesis of complex distillation sequences
based on a modified GA coupled with Aspen Plus. The same combination of process
simulator and metaheuristic algorithm is adopted by Vazquez-Castillo et al. [26] to
address the optimization of five distillation sequences. Subsequent works used a multi-
objective GA [27] for the optimization of thermally coupled distillation systems [28-30],
and for the retrofit of a subcritical pulverized coal power plant with an MEA-based car-
bon capture and CO2 compression system [31]. Finally, Odjo et al. [32] also presented
a general framework for the synthesis of chemical processes using a hybrid approach
with Hysys and genetic algorithms.

In this paper we present a new modeling framework for dealing with superstructure-
based synthesis problems that exploits the synergistic combination of commercial pro-
cess simulators with GDP formulation and their corresponding logic-based solution al-
gorithms. As far as these authors know, it has not been reported a simulation optimi-
zation tool for solving the synthesis of chemical plants whose superstructure is drawn
directly on the process simulator graphical user interface (GUI). We achieve this aim
by developing a GDP modeling system that interfaces with a process simulator (Aspen
Hysys) at the NLP step to optimize the structure and parameters of a methanol plant
based on a superstructure which involves alternative equipment, process conditions
and stream configurations. Our methodology allows easily including soft constraints
and logical relationships among alternatives, which ensure feasible solutions. The pro-
posed tool uses the logic based Outer Approximation algorithm and hence it is not
required to reformulate the problem as an MINLP.

270
Capı́tulo 4. Resultados

The remainder of this article is organized as follows. The problem statement is first for-
mally expressed. Then the methodology is introduced. In this section, the logic based
outer approximation algorithm, integration of the process simulator in the algorithm
and the connection with the external optimization solver are described. The propo-
sed simulation-optimization framework is illustrated through a case study based on a
methanol plant in the next section, where the superstructure and the disjunctions are
presented. In this section, the results are also briefly described. Finally, we draw the
conclusions from this work.

4.5.2. Problem statement

Given a superstructure for the synthesis of chemical process plant, with some spe-
cifications fixed, determine the optimal process flowsheet that leads to the maximum
value of an economic indicator. The solution must include both topological and ope-
rational (temperatures, pressures, flow rates) information.

4.5.3. Methodology

We have developed a modeling system with the following characteristics:

1. The complete modeling system is developed in Matlab [33].

2. Indexing capacities for both algebraic equations and implicit models.

3. Use of Boolean variables, disjunctions and logic propositions. Allowing the direct
formulation of the problem as a disjunctive problem without MINLP reformula-
tion.

4. Interfaced with different commercial solvers for NLP, LP, MILP models through
Matlab- Tomlab [34], and with homemade implementations of the logic based
Outer Approximation algorithm [8].

5. Communication with process simulators and other third party models, except
those developed in Matlab, is done by the Windows COM capabilities.

271
4.5.Integration of simulators under the GDP framework

Figure 4.5.1 shows and scheme of the tool we have implemented within Matlab
environment with the Aspen HYSYS process simulator embedded, and allowing the
user to model the optimization problem under the principles of GDP. To illustrate how
our tool is used, we have added a video in the supplementary material section that
describes the entirely process step by step.

4.5.3.1. Logic Based Outer Approximation algorithm with an embedded process si-
mulator

As mentioned above, we use the Logic-based Outer Approximation algorithm [8]


to fully exploit the structure of the GDP representation of our problem. The Logic-Based
OA shares the main idea of the traditional OA for MINLP, which is to solve iteratively a
master problem given by a linear GDP, leading to a lower bound of the solution (z LB ),
and an NLP subproblem, which provides an upper bound (z U B ). The general structure
of a nonconvex GDP formulation is as follows:

min z = f (x)
x,Yik

s.t. h(x) = 0

g(x) ≤ 0
 
Yik
 
∨  rik (x) ≤ 0

k∈K
 (4.5.1)
i∈Dk  
sik (x) = 0

Ω(Y ) = T rue

xlo ≤ x ≤ xup

x ∈ Rn , Yik ∈ {T rue, F alse}, i ∈ Dk , k ∈ K

where x is a vector of continuous variables representing pressures, temperatures


and flow rates of the streams in a process flowsheet superstructure. The objective fun-
ction is normally a cost function of the continuous variables. The common equality set
of constraints h(x) = 0 represents equipment rating equations and mass and energy

272
Capı́tulo 4. Resultados

Figura 4.5.1: Scheme of the optimization modeling framework

balances; and the common set of inequalities g(x) ≤ 0 , represent design specifi-
cations. Both sets of constraints must hold true regardless the discrete decisions. The
underlying alternatives in the superstructure are represented in the continuous space

273
4.5.Integration of simulators under the GDP framework

by a set of disjunctions k ∈ K, each of which contains i ∈ Dk terms. Each term of


the disjunction represents the potential existence of an equipment (or stream) i for
performing a processing task k , and has associated a Boolean variable Yik and a
set of constraints rik ≤ 0 and sik = 0 , which are normally associated with the invest-
ment and operations cost, the energy and mass balance, and physical and chemical
equilibrium for the particular equipment . When the term is not active (Yik = F alse),
the corresponding constraints are ignored. Finally, the symbolic equation Ω(Y ) = T rue
represents the set of logic propositions that relates the Boolean variables, which in PSE
generally indicates the logic implications among the equipment to define a feasible
topology for the process flowsheet.

It is noteworthy that for the general GDP formulation 4.5.1, the terms in the disjun-
ctions are linked by an inclusive OR logical operator (i.e., A ∨ B is true if A or B or
both are true). Nevertheless, we have implemented a logic-based OA algorithm that
requires to reformulate the disjunctive part of the problem as a set of special type of
disjunctions, each of which contains only two terms and in one of them all the varia-
bles are set to zero. Fortunately, any disjunction in its general form has a straightforward
reformulation to the special 2 terms disjunction (see Appendix 1).

As we are dealing with a process simulator embedded in a GDP formulation, it is


convenient to define a partition of x into dependent xD and independent (or design)
variables xI . The latter is the set of optimization variables and its dimension is equal
to the degrees of freedom of the nonlinear problem obtained when the binary varia-
bles are fixed. By this partition the common equality constraint h(x) can be solved for

the dependent variables xD given a vector of independent variables xI , xD = h(xI )
. In an analogous manner, for each equipment i assigned to a task k the depen-
dent variables associated to it can be expressed as functions of the decision variables

xD = s ik (xI ). In this work, dependent variables xD cannot explicitly written in terms of
decision variables, but they are implicitly calculated at the process simulator, and then
are used at the optimization level to evaluate the objective function and the common
and particular constraints. Accordingly, the GDP problem 4.5.1 can be rewritten as:

274
Capı́tulo 4. Resultados

min z = f (xD , xI )
xD ,xI ,Yik

s.t. xD = hImplicit (xI )

h(xD , xI ) = 0

g(xD , xI ) ≤ 0
 
Yik
 xD = sImplicit (xI )
 
 (4.5.2)
ik
∨ k∈K
 

i∈Dk  r (xD , xI ) ≤ 0 
 ik 
sik (xD , xI ) = 0

Ω(Y ) = T rue

xI,lo ≤ xI ≤ xI,up

xD ∈ RnD , xI ∈ RnI , Yik ∈ {T rue, F alse}, i ∈ Dk , k ∈ K

Note that in 4.5.2 as we introduce dependent variables in explicit equations (for


example in h(xD , xI ) = 0 or in g(xD , xI ) ≤ 0), a sequential function evaluation is
required, first the implicit models are solved and then the explicit constraints can be
evaluated.

Logic-based NLP subproblem

For fixed values of the Boolean variables Yik (i.e, given a flowsheet configuration)
the corresponding NLP subproblem is as follows:

275
4.5.Integration of simulators under the GDP framework

min z U B (Yik ) = f (x)


xD ,xI

s.t. xD = hImplicit (xI )

h(xD , xI ) = 0

g(xD , xI ) ≤ 0
 (4.5.3)
xD = sImplicit
ik (xI ) 



rik (xD , xI ) ≤ 0 f or Yik = T rue, i ∈ Dk , k ∈ K


D I
s (x , x ) = 0


ik

xI,lo ≤ xI ≤ xI,up

xD ∈ RnD , xI ∈ RnI , Yik ∈ {T rue, F alse}, i ∈ Dk , k ∈ K

It is worthy to emphasize that only the constraints that belong to the selected equip-
l = T rue) are imposed. This leads
ment or stream (i.e. associate Boolean variable Yik
to a substantial reduction in the size of the NLP subproblem compared to the direct
application of the traditional OA method on the MINLP reformulation.

Logic-based Master problem

Assuming that L NLP subproblems are solved in which sets of linearizations are ge-
nerated for the objective function and the common constraints and particular cons-
l = T rue , we define the following
traints in the subsets of disjunction terms Lik = l : Yik
disjunctive OA master problem:

276
Capı́tulo 4. Resultados

min z LB = α
xI,Yik

s.t.

α ≥ f (xD,l , xI,l ) + 5xl f (xD,l , xI,l )T (xl − xI,l ) 



th,l [h(xD,l , xI,l ) + 5xl h(xD,l , xI,l )T (xl − xI,l )] ≤ 0 l = 1, . . . , L


g(xD,l , xI,l ) + 5xl g(xD,l , xI,l )T (xl − xI,l ) ≤0

(4.5.4)
 
Yik
  
∨ rik (xD,l , xI,l ) + 5xl rik (xD,l , xI,l )T (xl − xI,l ) ≤ 0   k∈K
 

i∈Dk  l ∈ Lik 
ts,l [s (xD,l , xI,l ) + 5 l s (xD,l , xI,l )T (xl − xI,l )] ≤ 0 
ik x ik

Ω(Y ) = T rue

xI,lo ≤ x ≤ xI,up

xD ∈ RnD , xI ∈ RnI , Yik ∈ {T rue, F alse}, i ∈ Dk , k ∈ K

where th and ts are assigned with either the value 1, 0 or −1, depending the sign
of the Lagrange multiplier of the corresponding nonlinear constraint. The constraints of
a particular disjunction term (equipment i for task k) are only included in the master
problem if the corresponding Boolean variable Yik is True, whereas linearizations of
temporally inactive terms are simply discarded. Again this property constitutes a major
difference to the standard OA method. Note that the master MILP 4.5.4 problem is not
a function of the dependent variables.

MILP reformulation of the master problem

The master problem of the logic-based OA algorithm can be reformulated as an


MILP using either Big-M (BM) or Hull Reformulation (HR) formulations. We apply the tigh-
ter formulation, that is HR, and then the disjunctions of the GDP master problem are
reformulated as follows:

 
rik (xD,l , xI,l )yik + 5xl rik (xD,l , xI,l )T (xl,i − xI,l ) ≤ urik 
l ∈ Lik , i ∈ Dk
ts,l

D,l , xI,l )y D,l , xI,l )T (xl,i − xI,l )] ≤ us 
ik [sik (x ik + 5xl sik (x

ik
 k = 1, . . . , K

(4.5.5)
xI = i∈Dk xI,i
P 

xI,lo yik ≤ xI,i ≤ xI,up yik , i ∈ Dk

277
4.5.Integration of simulators under the GDP framework

where the superscripts lo and up denote the lower and upper bounds, respecti-
vely. Each vector of independent variables xI related to a potential equipment i is
disaggregated into as many new vector variables xI,i as the number of alternative
equipments (or streams) for potentially performing task k. The upper and lower bounds
applied for all the disaggregated variables with the binary variables yik are used to
force the variables to zero when the mode i in not selected for performing task stage
k.

The exclusive OR logic operator in the disjunction part of the GDP mater problem
4.5.4 is transformed into the following linear constraint:

X
yik = 1, k = 1, . . . , K (4.5.6)
i∈Dk

Furthermore, we add a set of binary cuts [35] to exclude the previous solution for
the binary variables:

X X
yik − yik ≤| B l | −1, l = 1, . . . , L (4.5.7)
i,k∈B l i,k∈N l

where B l is the subset defined for each NLP subproblem that stores the binary
variables ysm with a value of 1 , and N l is the subset that collects the remaining binary
variables for that NLP subproblem; i.e., B l = s, m : Ysm
l = T rue and N l = s, m : Y l =
sm

F alse.

To avoid infeasible master problems caused by the nonconvexity of the GDP pro-
blem 4.5.1, we relax the linearized constraints in 4.5.5 by introducing positive slack va-
riables urik and usik , respectively. As the common constraints in Eq. 4.5.2 can be also
nonlinear, we add the slack variables uh and ug to the RHS of the common linearized
constraints in Eq. 4.5.4. These slack variables are included in the objective function th-
r , w s , w h and w g chosen to be sufficiently large.
rough a penalty term with weights wik ik
Accordingly, the objective function of the Master Problem is rewritten as:

278
Capı́tulo 4. Resultados

XX XX
L r T r s T s
min ZLB =α+ (wik ) uik + (wik ) uik + (wh )T uh + (wg )T ug (4.5.8)
xI ,Yik
i k i k

Some important remarks deserve special attention. GDP algorithms require con-
vexity to guaranty convergence to a global optimal solution. In an implicit model it
is difficult prove convexity, even in the case the model be convex, but in general we
must assume non convexity. Therefore, it is no guarantee to find a global solution, and
only locally optimal solutions should be expected.

4.5.3.2. Connection between Matlab and Aspen Hysys

The developers of Aspen HYSYS also followed the paradigm shift in the develop-
ment of process simulators, from procedural to objected–oriented programming. Ac-
cordingly, Aspen HYSYS is programmed with 32-bit C++ [36], which gives it the ability
to lend its functionalities to be used in other application software. That makes Aspen
HYSYS a very powerful and useful tool in the design of our hybrid framework. We use the
binary-interface standard Component Object Model (COM), by Microsoft, to interact
with Aspen HYSYS through the objects exposed by the developers of Aspen HYSYS. We
utilize Matlab as an automation client to access these objects and interact with Aspen
HYSYS, which works as an automation server (see Figure 4.5.1). By writing Matlab code,
it is possible to send and receive information to and from the process simulator. Thus,
the exposed objects make possible to perform nearly any action that is accomplished
through the Aspen HYSYS graphical user interface, allowing us to use Aspen HYSYS as
a calculation engine. According to the objected-oriented programming nomencla-
ture [37], in Aspen Hysys, the functions defined within each object (e.g., reactor) are
called methods (i.e., governing equations), and the variables contained in an object
are known as properties (e.g., feed composition).

279
4.5.Integration of simulators under the GDP framework

4.5.3.3. Connection between Matlab and Optimizer

We use the TOMLAB optimization environment, which provides an interface bet-


ween the Matlab model and the available optimization solvers. This tool allows us to
standardize the model definition and then use all the available solvers regardless the
different syntax required for each solver. We do not need to make a specific interface
routine for each optimization solver. We use the CPLEX version 12.2.0.0 solver for the
MILP problems and the CONOPT solver for the NLP supbroblems. The latter solver is ba-
sed on the Generalized Reduced Gradient (GRD), which is suitable for models where
feasibility is difficult to achieve.

As mentioned above, the modeling framework proposed does not require to rew-
rite the problem as an MINLP, allowing for direct application of solution methods to
problems formulated as GDP. To this aim, we implement the logic based OA algo-
rithm with the special feature that allows to use also implicit models (i.e., models inside
a process simulators). An implicit model can be treated as a black box with a rigid
input-output structure whose derivative information is not available. The models in a
modular chemical process simulator are accurate enough for simulation purposes, but
they could introduce some numerical noise (i.e., the solution varies slightly with iden-
tical initial values) that prevent the accurate determination of derivative information
[38]. We capture the gradient information by a finite difference approach with a per-
turbation size that balances and minimizes the error due to noise and the error in the
approximation of the Jacobian. As the perturbation size increases, the error in the ap-
proximation of the Jacobian becomes significant. On the other hand, the response of
a small perturbation may be corrupted by convergence noise. Here, it is appropriate
to mention that we do not follow this approach for recycles in the flowsheet, because
recycles behave like noise amplifiers. In this case, we let the NLP solver to converge the
recycles. Although, both the number of variables handles by the NLP solver and the
number of explicit equality constraints increases, in general the model is more robust
and usually the computational time does not increase because it is not required to
converge all the recycles each time the simulator is called.

280
Capı́tulo 4. Resultados

4.5.4. Case Study

As an example to illustrate the correct behavior of the proposed methodology, we


present the case of the synthesis of methanol. This process has been studied extensi-
vely in the past [39-45]. Figure 2 shows a simplified flowsheet of the methanol process
using syngas as feed stream. Conventional methanol production uses a feed stock of
reformed methane that contains hydrogen, carbon monoxide and carbon dioxide in
a ratio of NH2 /(2NCO +3NCO2 ) close to the stoichiometric ratio of unity. The chemistry
of the methanol process involves a lot of reactions, but only three reactions are signifi-
cant, the synthesis of methanol from carbon monoxide (R-1), the synthesis of methanol
from carbon dioxide (R-2), and the water gas shift reaction (R-3).

CO + 2H2 → CH3 OH o
4 Hrxn = −94,5kJ/mol (R-1)

CO2 + 3H2 → CH3 OH + H2 O o


4 Hrxn = −53,0kJ/mol (R-2)

CO + H2 O → CO2 + H2 o
4 Hrxn = −41,21kJ/mol (R-3)

Figura 4.5.2: Methanol simplified process flowsheet

The objective of this example is to maximize the profit of the process. We consider
two available feeds with different characteristics and prize (See Table 4.5.2). We also
consider two products in the process, a principal (and desired) product with a high
sale prize (0.25 C/kg) and a subproduct (purge stream) with a low sale price (0.018

281
4.5.Integration of simulators under the GDP framework

C/kg). The equipment cost is calculated using correlations from the literature, and to
this end we use the correlations given by Turton et al. [46], and also the prize of all used
utilities are obtained from this reference. Finally, we update the prices to 2012 using the
Çhemical Engineering Plant Cost Index”(CEPCI). The annual cost of the equipment is
calculated for a time horizon (n) of 10 years and an interest rate per year (i) of 8 % [47]
using the following expression,

i(1 + i)n
Annualized capital cost = capital cost (4.5.9)
(1 + i)n − 1

The simulation is performed using the sequential modular simulator Aspen-HYSYS


with the Soave-Redlich-Kwong (SRK) equation of state and default values.

To check the capabilities of our simulation-optimization tool, we build a superstruc-


ture of the methanol process that includes all the alternatives of interest (Figure 4.5.3).
Note that the aim of this example is to demonstrate the behavior of the methodo-
logy when different alternatives exist for each of unit operations (disjunctions). The key
of this process is the reactor operation. The formation of methanol, as a typical he-
terogeneously catalyzed reaction, can be described by absorption-desorption me-
chanism (Langmuir-Hinshelwood or Eley-Rideal). The synthesis of methanol is a pressu-
re and temperature dependent process. The carbon monoxide and carbon dioxide
conversions up to attainment of equilibrium are shown as a function of pressure and
temperature in Table 4.5.1.

In order to clearly illustrate the problem, for the sake of simplicity, but without loss of
generality we will focus on two operating conditions, one specifically working at 200ºC
and 50 atm (called “Low Conversion Condition”) and the other working at 200ºC and
100 atm (called “High Conversion Condition”). Note that this problem can be formula-
ted for the reactor operating in any combination of pressure and temperature, which
increases the number of alternatives.

282
Capı́tulo 4. Resultados

Tabla 4.5.1: Temperature and pressure dependence of the carbon monoxide and car-
bon dioxide equilibrium conversions

CO conversion* CO2 conversion*


Temp (ºC)
50 atm 100 atm 300 atm 50 atm 100 atm 300 atm
200 96.3 99.0 99.9 28.6 83.0 99.5

250 73.0 90.6 99.0 14.4 45.1 92.4


300 25.4 60.7 92.8 14.1 22.3 71.0
350 -2.3 16.7 71.9 9.8 23.1 50.0
400 -12.8 -7.3 34.1 27.7 29.3 41.0
* Negative sign denote CO formation via Equation (R-3): CO + H2 O  CO2 + H2

Figura 4.5.3: Superstructure for the Methanol synthesis process in Aspen-Hysys

The superstructure presents in Figure 4.5.3 include the following alternatives:

Feed stream

Two different synthesis gas streams are available, both containing the reactants H2 ,
CO2 and CO, and a small amount of inert, CH4 . The characteristics of different feed
streams are shown in Table 4.5.2. For this example, we consider the option to select
only one feed stream. This is modeled with the following OR exclusive disjunction:

283
4.5.Integration of simulators under the GDP framework

   
Y1 Y2
   
 F M F F F eed
F eed Cost = τ γA  ∨
  F M F F F eed
F eed Cost = τ γB (4.5.10)

A B

   
F eed,LB F eed,U B F eed,LB F eed,U B
FA ≤ F F eed ≤ FA FB ≤ F F eed ≤ FB

F eed,U B
where F F eed is the molar flow rate of the synthesis gas feed stream selected. FA
F eed,LB F eed,U B F eed,LB
and FA , or FB and FB are the upper and lower bounds on the
F and M F are the average molecular weight of
availability of each feed stream; MA B
F and γ F are the costs of the
the syngas feed streams of type A and B, respectively; γA B
syngas of type A and B, respectively; and we consider 8000 h of operation per year
(τ ).

Tabla 4.5.2: Synthesis gas streams data

Feed Min Molar Flow Max Molar Flow P Cost Composition


Stream (kmol/s) (kmol/s) (atm) ( C/kg) H2 CO CO2 CH4
Feed A 0.05 1.44 20 0.026 0.70 0.26 0.02 0.02
Feed B 0.05 1.89 20 0.020 0.75 0.17 0.05 0.03

As commented above, in the logic based outer approximation, we need two term
disjunctions in which one of them forces all the variables to be zero (or simply to be
discarded in the NLP problem). This can be done as follows. In the Appendix 1) we
include a general reformulation for an n-term disjunction. For this particular case we
reformulate 4.5.10 as follows:

284
Capı́tulo 4. Resultados

 
  ¬Y1
Y1  
   F eed Cost = 0 
F M F F F eed A
 ∨
   
 F eed CostA = τA γA A A

   F F eed = 0 
F eed,LB F eed F eed,U B A
FA ≤ FA ≤ FA
 
τA = 0
 
  ¬Y2
Y2  
   F eed Cost = 0 
F M F F F eed B
 ∨
   
 F eed CostB = τB γB B B (4.5.11)

   F F eed = 0 
F eed,LB F eed F eed,U B B
FB ≤ FB ≤ FB
 
τB = 0

τ = τA + τB

F F eed = FA
F eed F eed
+ FB

F eed Cost = F eed CostA + F eed CostB

Y1 ∨Y2

The rest of disjunctions are also reformulated as two term disjunctions even though
it is not explicitly stated in the text.

Feed Compression system

The feed enters the process at low pressure (20 atm) and must be compressed to
a higher pressure where reaction is feasible (in this case, we consider two possible
operation conditions, 50 or 100 atm). For compression, we assume the choice bet-
ween a single compressor (single stage compression) or a system consisting of two
compressor with intermediate cooling (two-stage compression). Furthermore, in each
compression system, the gas pressure can be increased to 50 bar or to a higher va-
lue of 100 bar. To model the latter choice for the single-stage compression alternative,
we define the Boolean variables Y3 and Y4 to operate either at low or high output
pressure respectively, and write following disjunction:

   
Y3 Y4
  ∨  (4.5.12)
P F C,out = 50 atm P F C,out = 100 atm

285
4.5.Integration of simulators under the GDP framework

where P F C,out is the pressure of the stream leaving the feed compression system (In
Figure 4.5.3 corresponds with the pressure of the stream leaving compressor K-100).For
the case of two-stage compression with intermediate cooling, we also formulate a
disjunction with two terms, one corresponding to the low pressure (Y5 ) and the other
for the high pressure (Y6 ):

   
Y5 Y6
   
 P F C,out = 50 atm   P F C,out = 100 atm 
 ∨ (4.5.13)
   

 30 atm ≤ P F C,intermediate ≤ 50 atm   40 atm ≤ P F C,intermediate ≤ 64 atm 
   
40o C ≤ T F C,intermediate ≤ 70o C 40o C ≤ T F C,intermediate ≤ 60o C

where P F C,intermediate and T F C,intermediate are the intermediate pressure and


temperatures, respectively (In Figure 4.5.3, P F C,intermediate corresponds with the pres-
sure of the stream leaving compressor K-101, and T F C,intermediate corresponds with
the temperature of the stream leaving heat exchanger E-100) and P F C,out is the pres-
sure of the stream leaving the feed compression system (In Figure 4.5.3 corresponds
with the pressure of the stream leaving compressor K-102).

In the single stage compression 4.5.12 and the two-stage compression system 4.5.13
disjunctions, we link the two terms of each disjunction with the so-called logical opera-
tor “at most one” (a variation of the OR operator equivalent to ¬A ∨ ¬B) to not force
to select one of the two terms (i.e. the two Boolean variables associated with the low
and high pressure can be simultaneously false).

To avoid the combination with the four Boolean variables (Y3 , Y4 , Y5 and Y6 ) being
simultaneously false, which has no physical meaning as the gas feed must be com-
pressed, we add the following constraint to our optimization problem:

Y3 ∨Y4 ∨Y5 ∨Y6 (4.5.14)

286
Capı́tulo 4. Resultados

Reactor + flash units

The gas reaction (Eqs. R-1, R-2 y R-3) takes place in an high conversion expensi-
ve reactor or in a less expensive reactor working at lower conversion. The difference
between them concerns the pressure at which the reactions are produced. While the
expensive reactor works at 100 atm (high conversion), the other works at 50 atm (low
conversion). To model the latter choice reactor alternative, we define the Boolean va-
riables Y7 and Y8 to operate either at high or low conversion conditions respectively.
The characterization of each reactor is totally defined by the specification of degree
of conversion of the different compounds (CO and CO2 ). Note that the reaction R-3
is negligible under these operating conditions as compared with the other reactions.
The reactor is cooled using water at ambient conditions. The capital cost of the reac-
tor depends on its volume (for a detailed description of the volume calculation see
Appendix 2).

The next step in the process is the separation system. The vapor stream leaving
the reactor contains the desired product (methanol) and high concentration of light
components, as CO or CO2 . Therefore, a flash tank is used to remove most of the light
components and obtain methanol with desired composition. The combination of pres-
sure and temperature required in the flash unit for the desired methanol purity (molar
fraction ¿90 %) is attained by an expansion valve and a water-cooled heat exchan-
ger. Note that the lower and upper bounds of the pressure in flash unit are assigned
to the minimum (pressure of feed stream) and the maximum pressure of the system
(pressure in the reactor), respectively. Furthermore, the lower bound of temperature in
flash unit is 40ºC because of the use of water as refrigerant in heat exchanger, and the
upper bound is 140ºC due to higher values do not allow to reach the desired product
composition.

The choice of reactor and flash conditions are formulated with the following OR
exclusive disjunction:

287
4.5.Integration of simulators under the GDP framework

   
Y7 Y8
   

 Xi,CO = 0,99  
  Xi,CO = 0,96 

   

 X2,CO2 = 0,83  ∨
  X2,CO2 = 0,29 
 (4.5.15)
   
 20 ≤ P F LASH ≤ 100   20 ≤ P F LASH ≤ 50 
   
40 ≤ T F LASH ≤ 140 40 ≤ T F LASH ≤ 140

where X1,CO and X2,CO2 are the degree of conversion of CO and CO2 in reac-
tions R-1 and R-2, respectively. P F LASH corresponds with the pressure of the stream
leaving expansion valve V- 100 for disjunction Y7 and valve V-101 for disjunction Y8 ,
and T F LASH corresponds with the pressure of the stream leaving heat exchanger
E-101 for disjunction Y7 and valve E-103 for disjunction Y8 .

Heating/cooling before Reactor

The two operating conditions in the reactor, previously selected, implies that the
temperature of its inlet stream must be 200ºC. To get this, the resulting stream from the
sum of compressed feed stream and the recycled stream must be heated or cooled.
In this case, and after a previously sensitivity study, we know that only in the case of
using the single compressor at 100 atm, the temperature of the stream exceeds 200ºC,
and must be cooled. In all other cases, the stream is lower than 200ºC, and must be
heated.

To model this situation and guide the system to the correct choice, we define the
Boolean variables Y13 and Y14 to select a heater or a cooler, respectively. All the pre-
vious situations can be formulated as Booleans expressions:

Single stage compression until 50 atm implies heating: Y3 ⇒ Y13


Single stage compression until 100 atm implies cooling: Y4 ⇒ Y14

Two-stage compression with intermediate cooling until 50 atm implies


Y5 ⇒ Y13
heating:

Two-stage compression with intermediate cooling until 100 atm implies


Y6 ⇒ Y13
heating:

288
Capı́tulo 4. Resultados

Note that the specification of the temperature of the outlet stream of the heat
exchanger (200ºC) is specified in the simulators. To simulate the cooler, we use a water-
cooled heat exchanger using water at ambient conditions as refrigerant. To simulate
the heater, we use a heat exchanger using high pressure steam as hot utility.

Recycled stream compression system

The recycled stream in the process must be compressed until the operation pressure
of the selected reactor (50 or 100 atm). As in the feed compression system, we assume
the choice between a single compressor (single-stage compression) or a system with
two compressor with intermediate cooling (two-stage compression). Furthermore, in
each system, the gas pressure can be increased to 50 bar or to a higher value of 100
bar. To model the latter choice for the single-stage compression alternative, we define
the Boolean variables Y9 and Y10 to operate either at low or high output pressure
respectively and we use the following disjunction:

   
Y9 Y10
  ∨  (4.5.16)
P RC,out = 50 atm P RC,out = 100 atm

where P RC,out is the pressure of the stream leaving the feed compression system
(In Figure 4.5.3 corresponds with the pressure of the stream leaving compressor K-103).

For the case of two-stage compression with intermediate cooling, we also formula-
te a disjunction with two terms, one corresponding to the low pressure (Y11 ) and the
other for the high pressure (Y12 ):

   
Y11 Y12
   
 P RC,out = 50 atm   P RC,out = 100 atm 
 ∨ (4.5.17)
   

 30 atm ≤ P RC,intermediate ≤ 50 atm   40 atm ≤ P RC,intermediate ≤ 64 atm 
   
40o C ≤ T RC,intermediate ≤ 70o C 40o C ≤ T RC,intermediate ≤ 60o C

289
4.5.Integration of simulators under the GDP framework

where P RC,intermediate and T RC,intermediate are the intermediate pressure and


temperatures, respectively (In Figure 4.5.3, P RC,intermediate corresponds with the pres-
sure of the stream leaving compressor K-105, and T RC,intermediate corresponds with
the temperature of the stream leaving heat exchanger E-104) and P RC,out is the pres-
sure of the stream leaving the feed compression system (In Figure 4.5.3 corresponds
with the pressure of the stream leaving compressor K-104).

As in feed compression system, the two disjunctions require the following logic pro-
positions between the Boolean variables to ensure that at most one term is selected
in each disjunction:

at most Y9 , Y10 is equivalent to [¬Y9 ∨ ¬Y10 ]


(4.5.18)
at most Y11 , Y12 is equivalent to [¬Y11 ∨ ¬Y12 ]

To avoid the combination with the four Boolean variables (Y9 , Y10 , Y11 and Y12 )
being simultaneously false, which has no physical meaning as the gas feed must be
compressed, we add the following constraint to our optimization problem:

Y9 ∨Y10 ∨Y11 ∨Y12 (4.5.19)

Apart from the disjunctions, the superstructure has other important characteristics
which must be commented:

Vent-to-recycle Split

An important characteristic of this example is the vent-to-recycle split. The vapor


stream leaving the flash unit contains both useful compounds (reactants as H2 , CO
and CO2 ) and waste products (inerts, CH4 and H2 O). In this situation, the split ratio
has an important effect in the global process. While higher flows in recycled stream
increase the recovery and reuse of reactants, the concentrations of inert products in
the system also increase, and as results, the compression costs increase. In addition,

290
Capı́tulo 4. Resultados

high flows of vent stream reduce the compression cost in the system, but increase the
losses of reactants (hydrogen, carbon monoxide, and carbon dioxide).

In our case study, we define the split variable as an independent variable, which is
controlled by the optimizer.

4.5.5. Results

The optimal configuration is shown in Figure 4.5.4 and the computational results are
shown in Table 4.5.3.

Figura 4.5.4: Optimal configuration of the case study

As we discussed above, the first step in the methodology is the initialization of all
the units inside the disjunctions. In this case, this consists in selecting a minimum set
of feasible flowsheets in such a way that all the terms in the disjunctions be true at
least once. In this example, and the compression system entails 2 disjunctions (with 4
terms or alternatives in total), we need to solve 4 initial subproblem to cover all the
terms. Then, a Master problem is solved to provide a new set of Boolean variables that
produce better results than in previous solution. From Master results, we solved a NLP
problem to obtain the better feasible solution. To avoid that the algorithm stops early
due to the non-convex constraints, we use a stopping criterion based on the heuristic:

291
4.5.Integration of simulators under the GDP framework

Tabla 4.5.3: Computational Results

Nº of Boolean variables 14
Nº of independent variables 29
Nº of linear explicit equations 51
Nº of non-linear explicit equations 12
Nº of implicit blocks 14
Iterations* Objective CPU time (s) Solver
Initialization (4 Problems)
Init Problem 1 NLP -560.64 22.20 CONOPT
Init Problem 2 NLP -575.46 12.40 CONOPT
Init Problem 3 NLP -562.63 12.28 CONOPT
Init Problem 4 NLP -574.49 7.52 CONOPT
MILP Master 110.54 0.09 CPLEX
Iteration 5 NLP -573.82 19.97 CONOPT
* Pentium Dual-Core E5300 2.60GHz

stop as two consecutive NLP subproblem worsen. For our particular case, the optimal
solution is found at the initial problem 2 with an objective value of 57,55 MM C/year.

The optimal solution selects the low conversion reactor. In this case, the low cost in
the compression system (50 atm) compensate the lower conversion obtained with this
reactor. The main characteristics of the selected equipment are shown in Table 4.5.4.

292
Capı́tulo 4. Resultados

Tabla 4.5.4: Results: Characteristic of equipment in optimal configuration


Compression System Recycled Stream Compression System
Single Single
Type Type
Compression Compression
Inlet Pressure (atm) 20,0 Inlet Pressure (atm) 36,7
Compression ratio 2,5 Compression ratio 1,4
Power (MW) 6,662 Power (MW) 0,07
Cost Cost
Capital Cost (C) 822338 Capital Cost ( C) 51006
Annualized Capital Cost (C/year) 122553 Annualized Capital Cost ( C/year) 7601
Electricity Cost (C/year) 2309701 Electricity Cost ( C/year) 24198

Heating or Cooling Reactor System


Low Conversion
Type Heater Type
Reactor
Area (m2 ) 85,6 Volume (m3) 66,5
Inlet - Outlet Temp (ºC) 143,4 - 200 Cold Utility Water
Hot Utility Steam HP(41atm) Water flow (kg/h) 1527336
Steam Flow (kg/h) 6687,2 Energy (MW) 34,040
Energy (MW) 3,198 COST
COST Capital Cost (C) 49037
Capital Cost (C) 95792 Annualized Capital Cost ( C/year) 7308
Annualized Capital Cost (C/year) 14276 Catalyst Cost ( C/year) 173506
Utility Cost (C/year) 856503 Utility Cost ( C/year) 328283

Heating or Cooling
Area (m2 ) 636.5
Inlet - Outlet Temp (ºC) 196.7 - 59.9
Cold Utility Water
Water Flow (kg/h) 799778
Energy (MW) 19.710
COST
Capital Cost (C) 191253
Annualized Capital Cost (C/year) 28502
Utility Cost (C/year) 190083

293
4.5.Integration of simulators under the GDP framework

4.5.6. Conclusions

It has been shown that the synthesis problem can be written as a General Disjun-
ctive Programming problem and solved without MINLP reformulation using the logic
based outer approximation with a process simulator embedded. Conceptually the
GDP approach facilitates the model formulation for the final user retaining in the mo-
del the underlying logical structure of the problem. We proposed a novel approach
that combines the flexibility of the GDP formulation with the benefits of the commercial
process simulators, where the novelty relies on the advantage that the superstructure
of the process is directly built in the graphical user interface of the simulator. Our tool
improves the approach that uses a full equation based model in a GDP formulation,
due to process simulators facilitate the task to predict the thermophysical behavior of
the process using rigorous models. Furthermore, our framework offers advantages over
the approach that indeed integrates a simulator but does not take profit of a GDP for-
mulation (the problem is reformulated into an MINLP) or fixes the topology of the flows-
heet. The proposed approach is illustrated through a case study for the production of
methanol, where some constraints are fixed and we propose several alternatives for
some streams, tasks (one and two stages compression system; two types of reactors),
and process conditions (low and high pressures). We have proven that the proposed
systematic approach provides a and intuitive way for the chemical engineers to synt-
hesize rigorously chemical processes. Finally, we illustrate our tool with a video that
shows the proposed methodology for the methanol case study (see supplementary
material).

Acknowledgements

The authors wish to acknowledge support from the Spanish Ministry of Science and
Innovation (CTQ2012-37039-C02-02).

294
Capı́tulo 4. Resultados

Referencias

[1] Biegler, L.T., Grossmann, I.E. y Westerberg, A.W. Systematic methods of chemical process
design. Prentice-Hall international series in the physical and chemical engineering scien-
ces. Prentice Hall PTR, 1997.
[2] Grossmann, I.E. ((Review of Nonlinear Mixed-Integer and Disjunctive Programming Techni-
ques)). English. En: Optimization and Engineering 3.3 (2002), págs. 227-252.
[3] Raman, R. y Grossmann, I.E. ((Modelling and computational techniques for logic based
integer programming)). En: Computers & Chemical Engineering 18.7 (1994), págs. 563 -578.
[4] Balas, E. ((Disjunctive programming)). En: Annals of Discrete Mathematics 5 (1979), págs. 3-51.
[5] Balas, E. ((Disjunctive programming: Properties of the convex hull of feasible points)). En:
Discrete Applied Mathematics 89.1-3 (1998), págs. 3 -44.
[6] Hooker, J.N. y Osorio, M.A. ((Mixed Logical Linear Programming)). En: Discrete Applied Mat-
hematics 96–97 (1999), págs. 395-442.
[7] Beaumont, N. ((An algorithm for disjunctive programs)). En: European Journal of Operatio-
nal Research 48.3 (1990), págs. 362 -371.
[8] Turkay, M. y Grossmann, I.E. ((Logic-based MINLP algorithms for the optimal synthesis of
process networks)). En: Computers & Chemical Engineering 20.8 (1996), págs. 959 -978.
[9] Duran, M.A. y Grossmann, I.E. ((An outer-approximation algorithm for a class of mixed-
integer nonlinear programs)). En: Mathematical Programming 36 (3 1986), págs. 307-339.
[10] Lee, S. y Grossmann, I.E. ((New algorithms for nonlinear generalized disjunctive program-
ming)). En: Computers & Chemical Engineering 24.9–10 (2000), págs. 2125-2141.
[11] Grossmann, I.E., Yeomans, H. y Kravanja, Z. ((A rigorous disjunctive optimization model for
simultaneous flowsheet optimization and heat integration)). En: Computers & Chemical
Engineering 22, Supplement 1.0 (1998), S157 -S164.
[12] Caballero, J.A. y Grossmann, I.E. ((Aggregated Models for Integrated Distillation Systems)).
En: Industrial & Engineering Chemistry Research 38.6 (1999), págs. 2330-2344.
[13] Yeomans, H. y Grossmann, I.E. ((Disjunctive Programming Models for the Optimal Design
of Distillation Columns and Separation Sequences)). En: Industrial & Engineering Chemistry
Research 39.6 (2000), págs. 1637-1648.
[14] Rosenthal, R.E. GAMS: A User’s Guide. GAMS Development Corporation, 2013.
[15] Harsh, M.G., Saderne, P. y Biegler, L.T. ((A mixed integer flowsheet optimization strategy for
process retrofitsâ C”the debottlenecking problem)). En: Computers & Chemical Enginee-
ring 13.8 (1989), págs. 947 -957.
[16] Diwekar, U.M., Grossmann, I.E. y Rubin, E.S. ((An MINLP process synthesizer for a sequential
modular simulator)). En: Ind. Eng. Chem. Res. 31.1 (1992), págs. 313-322.
[17] Dı́az, M.S. y Bandoni, J.A. ((A mixed integer optimization strategy for a large scale chemical
plant in operation)). En: Computers & Chemical Engineering 20.5 (1996), págs. 531 -545.
[18] Caballero, J.A., Milán-Yañez, D. y Grossmann, I.E. ((Rigorous Design of Distillation Columns:
Integration of Disjunctive Programming and Process Simulators)). En: Industrial & Enginee-
ring Chemistry Research 44.17 (2005), págs. 6760-6775.
[19] Brunet, R. y col. ((Minimization of the LCA impact of thermodynamic cycles using a combi-
ned simulation-optimization approach)). En: Appl. Therm. Eng. 48.0 (2012), págs. 367 -377.

295
4.5.REFERENCIAS

[20] Navarro-Amorós, M.A. y col. ((An alternative disjunctive optimization model for heat inte-
gration with variable temperatures)). En: Computers & Chemical Engineering 56.0 (2013),
págs. 12 -26.
[21] Viswanathan, J. y Grossmann, I.E. ((A combined penalty function and outer-approximation
method for {MINLP} optimization)). En: Computers & Chemical Engineering 14.7 (1990),
págs. 769 -782.
[22] Taras, S. y Woinaroschy, A. ((An interactive multi-objective optimization framework for sus-
tainable design of bioprocesses)). En: Computers & Chemical Engineering 43.0 (2012),
págs. 10 -22.
[23] Gendreau, M. y Potvin, J.Y. Handbook of Metaheuristics. International series in operations
research & management science. Springer, 2010.
[24] Gross, B. y Roosen, P. ((Total process optimization in chemical engineering with evolutionary
algorithms)). En: Computers & Chemical Engineering 22, Supplement 1.0 (1998), S229 -S236.
[25] Leboreiro, J. y Acevedo, J. ((Processes synthesis and design of distillation sequences using
modular simulators: a genetic algorithm framework)). En: Computers & Chemical Enginee-
ring 28.8 (2004), págs. 1223 -1236.
[26] Vazquez-Castillo, J.A. y col. ((Design and optimization, using genetic algorithms, of inten-
sified distillation systems for a class of quaternary mixtures)). En: Computers & Chemical
Engineering 33.11 (2009), págs. 1841 -1850.
[27] Gutı́errez-Antonio, C. y Briones-Ramı́rez, A. ((Pareto front of ideal Petlyuk sequences using a
multiobjective genetic algorithm with constraints)). En: Computers & Chemical Engineering
33.2 (2009), págs. 454 -464.
[28] Bravo-Bravo, C. y col. ((Extractive Dividing Wall Column: Design and Optimization)). En: In-
dustrial & Engineering Chemistry Research 49.8 (2010), págs. 3672-3688.
[29] Gutı́errez-Antonio, C., Briones-Ramı́rez, A. y Jiménez-Gutiérrez, A. ((Optimization of Petlyuk
sequences using a multi objective genetic algorithm with constraints)). En: Computers &
Chemical Engineering 35.2 (2011), págs. 236 -244.
[30] Cortez-Gonzalez, J. y col. ((Optimal design of distillation systems with less than N - 1 columns
for a class of four component mixtures)). En: Chemical Engineering Research and Design
90.10 (2012), págs. 1425 -1447.
[31] Eslick, J.C. y Miller, D.C. ((A multi-objective analysis for the retrofit of a pulverized coal po-
wer plant with a {CO2} capture and compression process)). En: Computers & Chemical
Engineering 35.8 (2011), págs. 1488 -1500.
[32] Odjo, A.O. y col. ((Disjunctive-Genetic Programming Approach to Synthesis of Process Net-
works)). En: Industrial & Engineering Chemistry Research 50.10 (2011), págs. 6213-6228.
[33] MATLAB. The Language of Technical Computing. The Mathworks Inc., 2006.
[34] Holmström, K., Göran, A.O. y Edwall, M.M. User’s Guide for Tomlab 7. 1999, pág. 268.
[35] Balas, E. y Jeroslow, R. ((Canonical Cuts on the Unit Hypercube)). En: SIAM Journal on Ap-
plied Mathematics 23.1 (1972), págs. 61-69.
[36] Bhutani, N., Ray, A.K. y Rangaiah, G.P. ((Modeling, Simulation, and Multi-objective Optimi-
zation of an Industrial Hydrocracking Unit)). En: Industrial & Engineering Chemistry Research
45.4 (2006), págs. 1354-1372.
[37] Booch, G. y col. Object-Oriented Analysis and Design with Applications. Pearson Educa-
tion, 2007.

296
Capı́tulo 4. Resultados

[38] Biegler, L.T. y Hughes, R.R. ((Infeasible path optimization with sequential modular simula-
tors)). En: AIChE Journal 28.6 (1982), págs. 994-1002.
[39] Bell, D.A., Towler, B.F. y Fan, M. Coal Gasification and Its Applications. Elsevier Science, 2010.
[40] Ghiotti, G. y Boccuzzi, F. ((Chemical and Physical Properties of Copper-Based Catalysts for
CO Shift Reaction and Methanol Synthesis)). En: Catalysis Reviews 29.2-3 (1987), 151 - 182.
[41] Klier, K. ((Methanol synthesis)). En: Adv. Catal 31 (1982), págs. 243-313.
[42] Kung, H.H. ((Methanol Synthesis)). En: Catalysis Reviews 22.2 (1980), págs. 235-259.
[43] Lange, J.P. ((Methanol synthesis: a short review of technology improvements)). En: Catalysis
Today 64.1-2 (2001), págs. 3-8.
[44] Luyben, W.L. ((Design and Control of a Methanol Reactor/Column Process)). En: Industrial
& Engineering Chemistry Research 49.13 (2010), págs. 6150-6163.
[45] Skrzypek, J. y col. Methanol synthesis: science and engineering. Polish Scientific Publishers,
1994.
[46] Turton, R. y col. Analysis, Synthesis and Design of Chemical Processes. Prentice Hall Interna-
tional Series in the Physical and Chemical Engineering Sciences. Pearson Education, 2008.
[47] Smith, R. Chemical process design and integration. Wiley, 2005.
[48] Mayra, O. y Leiviska, K. ((Modelling in methanol synthesis)). En: CHEMICAL ENGINEERING 17
(2009).

Appendix 1. Reformulation of a N term disjunction in N two term disjunctions

Consider the N term disjunction (N = card(D) disjunction)

 
Yi
 
 hi (x) = 0 
∨  (4.5.20)
 

i∈D  gi (x) ≤ 0 
 
Up
xLo
i ≤ x ≤ xi

it can be rewritten as N disjunctions with two terms each as follows:

297
4.5.REFERENCIAS

 
Yi
   
hi (zi ) = 0   ¬Yi 
 
∨ i∈D



 gi (zi ) ≤ 0 
 zi = 0
xLo
i ≤ zi ≤ xU
i
p
(4.5.21)

Yi
i∈D
X
x= Zi
i∈D

Appendix 2. Calculation of reactor volume

The equipment cost is calculated using correlations from the literature, and to this
end we use the correlations given by Turton et al. (Turton et al., 2008). The capital
cost of the reactor is calculated based on his volume. This parameter is calculated as
follow. For a continuous stirred flow rector (CSTR) a molar flow balance for component
j gives the volume of the reactorV . Thus, for the hydrogen component, the resulting
expression to calculate the volume of the reactor is:

in
FH2 − FH2
V = (4.5.22)
rH2

where rH2 is the rate of disappearance of H2 and FH2 is the molar flow rate of H2
at the output stream, which is calculated according to the following expression:

X Fkin Xik
Fj = Fjin + αij , ∀j, k ∈ KCi (4.5.23)
i
−αik

where αij are the stoichiometric coefficient for component j in reaction i , and
Xik assesses the extent of reaction i with respect a key component k for that reaction
(KCi is the subset of components that contains the key component k for the reaction

298
Capı́tulo 4. Resultados

i). Specifically, the conversions of the reaction R-1 with respect carbon monoxide and
reaction R-2 with respect to carbon dioxide are:

in − F
FCO CO
X1,CO = in
(4.5.24)
FCO
in
FCO − FCO2
2
X2,CO2 = in
(4.5.25)
FCO 2

The reaction rate with respect H2 term in Eq. 4.5.22 is calculated from reaction rates
with respect to methanol for both reactions (rCH3 OH,i ) according to the following
expression:

X rCH3 OH,i
rH2 = acat αi,H2 (4.5.26)
i
−αCH3 OH,i

where acat is the mass of the catalyst per unit reactor volume, 1.154 ton cat·m−3
[48].

The rate for the methanol synthesis from carbon monoxide reaction with respect
to methanol (rCH3 OH,i ) is obtained with the following kinetic model [39], which uses
partial pressures of the components (Pj ):

" #
3/2 PCH3 OH
k1 KCO PCO PH2 − eq 1/2
K1 PH
2
rCH3 OH,1 = 1/2
(4.5.27)
1 + KCO PCO + KCO2 PCO2 PH2 + k2 PH2 O

where Pj = Fj /F · P for all j, and K1eq is the equilibrium constants for the synthesis
of methanol from carbon monoxide R-1 reaction. In Eq. 4.5.27 the kinetic constants k1 ,
k2 , KCO and KCO2 are calculated as follows:

299
4.5.REFERENCIAS

−109900
k1 = 2,69x10−7 exp (4.5.28)
RT
−11 −104500
k2 = 4,13x10 exp (4.5.29)
RT
−7 −58100
KCO = 7,99x10 exp (4.5.30)
RT
67400
KCO2 = 1,02x10−7 exp (4.5.31)
RT

where R is the gas law constant in J·mol−1 ·K−1 and T temperature in K.

There is an analogous expression for the rate of reaction R-2 with respect to metha-
nol:

" #
3/2 PCH3 OH PH2 O
k3 KCO2 PCO PH2 − eq 3/2
K2 PH
2
rCH3 OH,2 = 1/2
(4.5.32)
1 + KCO PCO + KCO2 PCO2 PH2 + k2 PH2 O

where K2eq is the equilibrium constant for the synthesis of methanol from carbon
dioxide R-2 reaction, and k3 is the kinetic constant evaluated with the expression:

−65200
k3 = 4,36x102 exp (4.5.33)
RT

Knowing the volume of the reactor, we calculate the capital cost of the reactor is
calculated using the correlations provides by Turton et al. [46].

300
CAPITULO 5

Conclusiones

301
Capı́tulo 5. Conclusiones

Capı́tulo 5. Conclusiones
Considerando los resultados expuestos a lo largo de la memoria de la presente
investigación, se destacan las siguientes conclusiones:

Dentro del primer objetivo general de la tesis se desarrollan dos herramientas


que facilitan y mejoran sustancialmente la simulación y la eficiencia energética
de las columnas TCD.

La estrategia desarrollada y presentada dentro de la publicación 1 muestra


una gran utilidad a la hora de simular las secuencias TCD. En ella se obser-
va como es posible simular una secuencia de columnas TCD de forma fácil y
sencilla de forma totalmente acı́clica. Ello se consigue mediante una sencilla
sustitución de las corrientes implicadas en los acoplamientos térmicos por dos
corrientes, una de materia y otra de energı́a. Los resultados obtenidos (configu-
ración acı́clica) son muy próximos a los obtenidos al realizar la simulación riguro-
sa (configuración cı́clica) del sistema, presentando errores medios por debajo
del 2 % para mezclas de 3 componentes. El error medio se incrementa ligera-
mente al incrementar el número de componentes, debido principalmente a la
propagación del error como consecuencia del aumento de los acoplamien-
tos térmicos en el sistema. Sin embargo, en todos los casos, esta estrategia
proporciona excelentes resultados comparados con los obtenidos con la simu-
lación rigurosa. Finalmente, se obtienen excelentes puntos de partida para la
simulación rigurosa de este tipo de sistemas. En conclusión, esta nueva técnica
permite estudiar la separación de mezclas de 3, 4 o 5 componentes median-
te secuencias de columnas de destilación acopladas térmicamente de forma
rápida y sencilla comparados con los métodos actuales de simulación.

Por otro lado, en la publicación 2 se presenta una configuración novedosa que


aprovecha la ineficiencia inherente a las columnas TCD -exceso de flujo de
vapor/lı́quido en ciertas secciones como resultado de la transferencia lleva-
da a cabo en los acoplamientos térmicos- transformándola en una ventaja,
consiguiendo disminuir gracias a ésta la energı́a y costes del sistema. El pro-
cedimiento presentado se basa en la extracción del exceso de vapor/lı́quido

303
5.0.Conclusiones

que se trasfiere entre ciertas secciones de las columnas, con el fin de introdu-
cirlos en ciclo de compresión de vapor, si la corriente extraı́da es gaseosa o en
un ciclo de compresión de vapor inverso si la corriente extraı́da es lı́quida. La
ventaja conseguida con este procedimiento es doble. En primer lugar, se recu-
peran las condiciones óptimas de todas las secciones de las columnas TCD, lo
que hace que los diámetros y los consumos de servicios externos se reduzcan.
Y en segundo lugar, la introducción de un ciclo VRC o RVRC permite recuperar
energı́a del sistema, con lo que se consiguen reducir aún más el consumo de
servicios externos. En cualquier caso, y debido al alto precio de alguno de los
equipos necesarios para la instalación del VRC o RVRC, es necesario un estu-
dio económico detallado para confirmar la idoneidad de la instalación de es-
ta tecnologı́a. Como se ha presentado anteriormente, los ahorros económicos
consecuencia de la aplicación de esta propuesta pueden llegar a ser signifi-
cativos, entorno a un 20-40 %.

Desgraciadamente, esta configuración no es rentable en todos los sistemas


de separación. Ésta es potencialmente útil en los casos donde la distribución
de volatilidades de la mezcla a separar muestra diferencias importantes en-
tre un grupo de compuestos (con volatilidades similares entre ellos) respecto
a otro. Esta situación generarı́a que los flujos internos tanto lı́quido como vapor
sean muy diferentes en las diversas secciones de la columna tipo Petlyuk, consi-
guiendo las condiciones ideales para la instalación de un ciclo de compresión
de vapor.

Finalmente, y como regla general, la implementación de un ciclo RVRC es úni-


camente interesante en el caso de que el condensador trabaje a tempera-
turas muy por debajo de la ambiente, donde el agua no pueda ser utiliza-
do como servicio frı́o. El agua es un servicio normalmente barato, por lo que
la reducción de esta genera ahorros económicos relativamente bajos que no
compensan el coste de adquisición de los equipos necesarios para la instala-
ción del RVRC. Sin embargo, cuando se utilizan refrigerantes por debajo de la
temperatura ambiente, normalmente caros, el ahorro energético sı́ que com-
pensa la adquisición de los equipos, siendo recomendable la instalación de
este tipo de ciclo.

304
Capı́tulo 5. Conclusiones

Dentro del segundo objetivo general de la tesis, se ha desarrollado una me-


todologı́a alternativa a la propuesta por Duran y Grossmann [1], y posterior-
mente reformulada por Grossmann et al. [2], para la optimización simultánea
y la integración de calor de sistemas de procesos no isotermos. Los resultados
obtenidos muestran que el modelo desarrollado en este trabajo se compor-
ta de forma competitiva en comparación al modelo de Grossmann et al.[2].
Una caracterı́stica importante del modelo presentado es que los problemas
generados son mucho mayores (mayor número de variables y ecuaciones). Es-
te hecho a priori podrı́a ser considerado como una desventaja frente a otros
modelos, pero la aplicación de una etapa de preprocesado y la introducción
de un conjunto de relaciones lógicas consigue reducir considerablemente la
región factible del problema inicial, consiguiendo resultados competitivos tan-
to en el tiempo de cálculo, como en el grado de relajación del gap. Además
y como principal diferencia respecto a otros modelos es que éste mantiene el
concepto de intervalo de temperatura. Esta caracterı́stica es interesante para
aquellos ingenieros e investigadores familiarizados con el concepto clásico de
intervalo de temperatura en la integración de calor. Por último, el modelo pro-
puesto elimina las dificultades numéricas asociados con el uso de la función
“max”.

El último objetivo general de la tesis ha permitido desarrollar dos metodologı́as


alternativas para la optimización rigurosa de problemas de sı́ntesis de procesos,
ambos trabajos se encuentran en fase de revisión.

El primero de los trabajos, presentado en el anexo 1, presenta una estructura de


modelado para tratar problemas de sı́ntesis, que incluyen diferentes modelos
matemáticos para calcular o simular diferentes operaciones unitarias. Debido
a que hoy en dı́a, existen numerosos y distintos modelos para representar un
proceso quı́mico, el modelo desarrollado se presenta como una herramienta
adecuada cuando diferentes modelos (basados en ecuaciones, tipo caja ne-
gra, ettc. . . ) se emplean de manera simultánea durante la resolución de un
problema de optimización de un sistema. La estrategia utilizada en este tra-
bajo se basa en la programación disyuntiva, ya que esta estructura es ade-
cuada para hacer frente a este tipo de problemas, permitiendo encapsular

305
5.0.Conclusiones

cada modelo y utilizar un enfoque diferente en función de sus caracterı́sticas.


La estructura llevada a cabo utiliza disyunciones para capturar cada uno de
los modelos de tal forma que se aprovechan las ventajas o minimizan los in-
convenientes de cada modelo. De esta manera es posible utilizar las derivadas
algebraicas cuando están disponibles y simultáneamente implementar méto-
dos robustos para estimar las derivadas de otros modelos sin la necesidad de
interferir con el resto de modelos, y de esta forma mejorar el tiempo de cálculo
computacional. Algunas de las capacidades del modelo propuestos son:

• El análisis de la estructura de entrada-salida de cada modelo para la


selección de las variables de diseño y reducir tanto como sea posible las
recirculaciones en la estructura de problema

• Determinación del patrón de dispersión en cada modelo para acelerar


el cálculo de la matriz jacobiana

• La aplicación de diferentes métodos para el cálculo de la información de


las derivadas, como pueden ser analı́ticos, diferencias finitas o derivación
numérica utilizando variables complejas.

• Posibilidad de trabajar con sistemas con ruido numérico a través de me-


tamodelos adaptativos (kriging)

• La programación disyuntiva facilita el modelado conceptual del proceso

• Gran facilidad de introducir relaciones lógicas en el modelo

El resultado final es un sistema hı́brido que incluye modelos implı́citos proceden-


tes de diferentes fuentes y con diferentes comportamientos numéricos.

Finalmente, el anexo 2 muestra una nueva estrategia de modelado para tratar


los problemas de sı́ntesis. La metodologı́a propuesta es adecuada para la reso-
lución de problemas donde la topologı́a del mismo no se encuentra definida,
existiendo diferentes alternativas para cada una de las operaciones unitarias
del sistema. La estrategia presentada genera mediante una superestructura
del sistema todas las alternativas de los diferentes procesos, y posteriormente
resuelve el problema mediante una combinación sinérgica de simuladores jun-
to a la programación GDP. Conceptualmente la programación GDP facilita la

306
Capı́tulo 5. Conclusiones

formulación del modelo para el usuario conservando la estructura lógica sub-


yacente del problema. El modelo propuesto combina la flexibilidad de la for-
mulación GDP con los beneficios de los simuladores de proceso comerciales,
donde un avance importante radica en el hecho de que la superestructura
del proceso está integrada directamente en la interfaz gráfica del simulador.
Además, esta estrategia presenta una serie de ventajas frente a los modelos
basados completamente en ecuaciones. Por un lado el uso de los simuladores
de procesos facilita la tarea de simular el comportamiento termodinámico de
las mezclas y compuestos constituyentes del sistema en estudio. Y por otro lado,
el uso de la programación matemática consigue reducir el tamaño del proble-
ma NLP a resolver en cada iteración, ello es debido a que únicamente las
ecuaciones pertenecientes a las alternativas activas son consideradas para la
resolución de los subproblemas NLP. Esta caracterı́stica permite obtener subpro-
blemas más sencillos, consiguiendo facilitar su resolución reduciendo el tiempo
de cálculo necesario. Finalmente comentar que la metodologı́a sistemática
propuesta proporciona una forma intuitiva para los ingenieros quı́micos para
sintetizar procesos quı́micos de forma rigurosa.

307
CAPITULO 6

Contribuciones Cientı́ficas

309
Capı́tulo 6. Contribuciones Cientı́ficas

Capı́tulo 6. Contribuciones Cientı́ficas

6.1 Publicaciones

Navarro, M.A.; Ruiz-Femenia, R.; Caballero, J.A. Integration of modular process


simulators under the Generalized Disjunctive Programming framework for the
structural flowsheet optimization. Sent to Computers & Chemical Engineering
Jul-2013. Status: Under review

Caballero, J.A.; Navarro, M.A.; Ruiz-Femenia, R.; Grossmann, I.E. Integration of


different models in the design of chemical processes: Application to the design
of a power plant. Sent to Applied Energy Jul-2013. Status: Under review

Navarro, M.A.; Ruiz-Femenia, R.; Caballero, J.A. A new technique for recovering
energy in thermally coupled distillation using vapor recompression cycles. AIChE
Journal (2013). Article published online: Jun-2013

Navarro, M.A.; Caballero, J.A.; Grossmann, I.E. An alternative disjunctive opti-


mization model for heat integration with variable temperatures. Computers &
Chemical Engineering, 56 (2013) pp. 12-26

Navarro, M.A.; Javaloyes, J; Caballero, J.A.; Grossmann, I.E. Strategies for the ro-
bust simulation of thermally coupled distillation sequences. Computers & Che-
mical Engineering, 36 (2012) pp. 149-159

6.2 Libros

Caballero, J.A.; Navarro, M.A.; Grossmann, I.E. Hybrid Simulation-Optimization


Logic Based Algorithms for the Rigorous Design of Chemical Process. ”22nd Eu-
ropean symposium on Computer Aided Process Engineering”, 30 (A) (2012) pp.
582-586. Lockhart I.D.; Fairweather M. Elsevier Science. ISBN:978-0-444-59431-0

Navarro, M.A.; Caballero, J.A.; Grossmann, I.E. Heat Integration in non-Isothermal


Systems Using an Alternative Disjunctive Optimization Model. ”22nd European

311
6.4.6.3. ASISTENCIA A CONGRESOS

symposium on Computer Aided Process Engineering”, 30 (A) (2012) pp. 1282-


1286. Lockhart I.D.; Fairweather M. Elsevier Science. ISBN: 978-0-444-59431-0

Navarro, M.A.; Caballero, J.A.; Grossmann, I.E. Strategies for the robust simula-
tion of thermally coupled distillation sequences. ”21th European symposium on
Computer Aided Process Engineering”, 29 (A) (2011) pp. 196-200. Pistikopoulos,
E.N.; Georgiadis, M.C.; Kokosis, A.C. Elsevier Science. ISBN: 978-0-444-53895-6

6.3 Asistencia a Congresos

American Institute of Chemical Engineers (AICHE). ”2012 AIChE Annual Mee-


ting”. Pittsburgh (EEUU) 28/10/2012 - 2/11/2012

Asociación Nacional de Quı́micos de España (ANQUE). Ïnternational Congress


of Chemical Engineering 2012 (ANQUE -ICCE 2012)”. Sevilla 24-27/06/2012

Institution of Chemical Engineers (IChemE). .European Symposium on Computer


Aided Process Engineering (ESCAPE 22)”. Londres 17-20/06/2012

Sociedad Española de Quı́mica Industrial e Ingenieria Quı́mica ”12th Medite-


rranean Congress of Chemical Engineering”. Barcelona. 15-18/11/2011

Institution of Chemical Engineers (IChemE). .European Symposium on Compu-


ter Aided Process Engineering (ESCAPE 21)”. Chalkidiki (Grecia) 29/05/2011 -
1/06/2011

6.4 Contribuciones a Congresos

Caballero, J.A.; Navarro, M.A.; Reyes-Labarta, J.A. New Vapor Compression Al-
ternatives in Thermally Coupled Distillation. Tipo: Oral. ”2012 AIChE Annual Mee-
ting”. Pittsburgh (Estados Unidos) 28/10/2012 - 2/11/2012

312
Capı́tulo 6. Contribuciones Cientı́ficas

Reyes-Labarta, J.A.; Navarro, M.A.; Caballero, J.A. A Hybrid Simulation Opti-


mization Approach for the Design of Internally Heat Integrated Distillation Co-
lumns. Tipo: Oral. ”2012 AIChE Annual Meeting”. Pittsburgh (Estados Unidos)
28/10/2012 - 2/11/2012

Navarro, M.A.; Caballero, J.A. Generalized Disjunctive Programming (GDP) for


structural flowsheet optimization using commercial simulators: synthesis of met-
hanol. Tipo: Oral. Ïnternational Congress of Chemical Engineering 2012 (ANQUE
-ICCE 2012)”. Sevilla (España) 24-27/06/2012

Navarro, M.A.; Caballero, J.A.; Grossmann, I.E. Heat Integration in non-Isothermal


Systems Using an Alternative Disjunctive Optimization Model. Tipo: Póster. ”22nd
European symposium on Computer Aided Process Engineering (ESCAPE 22)”.
Londres (Reino Unido) 17-20/06/2012

Caballero, J.A.; Navarro, M.A.; Grossmann, I.E. Hybrid Simulation-Optimization


Logic Based Algorithms for the Rigorous Design of Chemical Process. Tipo: Póster.
”22nd European symposium on Computer Aided Process Engineering (ESCAPE
22)”. Londres (Reino Unido) 17-20/06/2012

Javaloyes, J.; Ruiz-Femenia, R.; Navarro, M.A.; Caballero, J.A. Rigorous design of
complex distillation columns using process simulators and stochastic optimiza-
tion algorithms. Tipo: Oral. ”12th Mediterranean Congress of Chemical Enginee-
ring”. Barcelona (España) 15-18/11/2011

Navarro, M.A.; Javaloyes, J.; Caballero, J.A. An alternative disjunctive optimi-


zation model for heat integration in non-isothermal systems.Tipo: Póster. ”12th
Mediterranean Congress of Chemical Engineering”. Barcelona (España)
15-18/11/2011

Navarro, M.A.; Caballero, J.A.; Grossmann, I.E. Strategies for the Robust Simu-
lation of Thermally Coupled Distillation Sequences. Tipo: Oral y póster. ”21th
European symposium on Computer Aided Process Engineering (ESCAPE 21)”.
Chalkidiki (Grecia) 29/05/2011 - 1/06/2011

313