Gabriela García Ayala

Doctorado en Ingeniería de Sistemas Posgrado en Ingeniería de Sistemas, Universidad Autónoma de Nuevo León Asesor: Oscar L. Chacón

Diseño de Expansiones de Capacidad para Plantas Batch
Agosto 23, 2011

Problema real 
Cervecería Cuauhtemoc Moctezuma

presenta el siguiente problema: 

A partir de una planta nueva de producción, se desea planear un calendario de expansiones para los próximos 20 años a manera de: 


Planear inversiones de equipo Planear espacios físicos en la planta

2

Definición del problema 
Dado un horizonte de demanda creciente, y

una capacidad de planta dada por los equipos actuales 

Encontrar un programa de expansiones que permita cumplir con la demanda a un valor presente de inversión mínimo

3

Estado inicial de la planta
Fermentador I-1 Fermentador I-2 Fermentador I-3

Reposador I-1 Reposador I- 2
Reposador I- 3
Reposador II-1

Flitro 1

Cocimiento 1 Fermentador II-1 Cocimiento 2

Reposador II-2 Reposador II-3 Reposador II-4 Reposador II-5 Reposador II-6 Reposador II-7 Reposador II-8 Reposador II-9
Reposador II-10

Flitro 2

Demanda a lo largo del Horizonte
000 3000 2000 1000 0 1 2 3 5 años
4

Fermentador III-1 Fermentador III-2

Capacidad Inicial

Año 1

6

7

8

9

10

Mod o Mu p
4000 3000 2000 1000
Flitro 1

odo

Solución
Fermentador I-1

Reposador I-1 Reposador I- 2
Reposador I- 3
Reposador II-1

Fermentador I-2 Fermentador I-3

D C

0 1 2 3 4 años 6 7 8 9 10

Cocimiento 1 Fermentador II-1 Cocimiento 2

Reposador II-2 Reposador II-3 Reposador II-4 Reposador II-5 Reposador II-6 Reposador II-7 Reposador II-8 Reposador II-9
Reposador II-10 Reposador II-11

Flitro 2

Fermentador I-1 Fermentador I-2 Fermentador I-3 Fermentador I-4 Cocimiento 1 Fermentador II-1 Cocimiento 2

Reposador I-1 Reposador I- 2
Reposador I- 3 Reposador I- 4
Reposador II-1 Reposador II-2 Reposador II-3 Reposador II-4 Reposador II-5 Reposador II-6 Reposador II-7 Reposador II-8 Reposador II-9
Reposador II-10 Reposador II-11

Flitro 1

Fermentador III-1 Fermentador III-2

Flitro 2

Año 3

Año 6

Fermentador III-1 Fermentador III-2

5

y que cada operación quede terminada para el lote completo antes de emprender la siguiente operación.  Se requiere que el trabajo relacionado con cualquier producto se divida en etapas u operaciones.  Producción Discontínua  Esa cantidad limitada se denomina lote de producción o batch.Procesos batch  Definición: Aquellos procesos que conducen a la producción de cantidades finitas de producto a partir de una cantidad de materiales de entrada. 6 .

Elaboración de cerveza Etapa de Cocimiento ENFRIADOR DE MOSTO SALA DE LEVADURA Etapa de Envasado TANQUES DE GOBIERNO ADJUNTOS COCEDOR TANQUES FERMENTACION ENFRIADOR DE CERVEZA MALTA FILTRO LAUTER MACERADOR TANQUES DE REPOSO FRIO | OLLA TANQUE DE MOSTO CALIENTE FILTRO | | | ENVASADO Etapa de Fermentación 7 .

Etapas para modelo Etapa 1: Tren de Cocción Etapa 2: Fermentadores Etapa 3: Tanques de Reposo Etapa 4: Filtración | | | | | | | | | | | | 8 .

Opciones para Etapas 2 y 3 Gráfica de Gantt 8 a 12 batches de cocimientos tiempo de llenado 3-5 dias en Reposadores 7-14 dias de Fermentación Volumen de Fermentador (hL) CASO 1 CASO 2 CASO 3 CASO 4 Fermentador/Reposador en un mismo equipo Fermentador/Reposador en un mismo equipo Fermentador-Reposador en serie Fermentador con serie de Reposadores 9600 6400 6400 6400 Filtración Tiempo total (hr) 292 268 282 272 9 .

Al agregar un equipo puede expandir el tamaño del batch reactor centrifuga Producto A reactor centrifuga Producto A Producto B Producto B planta existente planta nueva 10 .

.. reactor reactor nuevo centrifuga .Al agregar un equipo puede reducir tiempo de ciclo reactor centrifuga tiempo . tiempo de ciclo de B planta existente tiempo de ciclo de B planta nueva 11 . tiempo tiempo de ciclo de A reactor centrifuga tiempo tiempo de ciclo de A reactor reactor nuevo centrifuga tiempo ...... ..

del tiempo de ciclo y de la receta del producto. 12 .  El ritmo de producción es función del tamaño del batch.  Cada producto tiene su propio ritmo de producción.Objetivo de diseño  La idea general es optimizar el ritmo de producción de cada producto en la planta.

Decisiones tomadas sobre modelo  Modelo multiperíodo  Modelo disyunto  Desagregación necesaria  Proponer algoritmo de solución 13 .

¿Porqué multiperíodo? Mod o un solo Per odo 10 veces 4000 3500 3000 2500 2000 1500 1000 500 0 1 2 3 4 5 años 6 3000 7 2000 4000 Demanda Capacidad 8 9 Modelo Multiper odo 10 Demanda 1000 0 1 2 3 4 5 años 14 Capacidad 6 7 8 9 10 .

¿Porqué disyunto?  El diseño de plantas batch típicamente se modela con una super-estructura  Se pueden anidar decisiones  Los modelo disyuntos han probado ser más eficientes para algunos problemas MINLPs  El esfuerzo computacional lo hace el problema maestro 15 .

Super-estructura del problema Fermentador I-1 Fermentador I-n Reposador I-1 Reposador I.n Reposador II-1 Reposador II-2 Filtro 1 Cocimiento 1 Fermentador II-1 Reposador II-3 Reposador II-4 Reposador II-5 Reposador II-6 Filtro 2 Cocimiento 2 Fermentador II-f Reposador II-7 Reposador II-8 Reposador II-9 Reposador II-10 Reposador II-11 Cocimiento c Filtro 3 Reposador II-m Fermentador III-1 Filtro n 16 Fermentador III-h .

Justificación de programación disyunta tiempos de solución 45000 40000 35000 30000 25000 20000 15000 10000 5000 0 5 6 segundos CPU MIP NLP TOTAL 7 8 9 10 períodos de tiempo en la instancia a resolver Conclusión: Reducir el esfuerzo computacional del problema maestro. 17 .

a una demanda semanal o catorcenal 18 .¿Porqué una desagregación?  El modelo asume producción agrupada  Las respuestas obtenidas serán infactibles al cambiar de una demanda anual.

Suposiciones  Las operaciones no consideradas en el modelo       se pueden escalar linealmente Se produce bajo campañas de un mismo producto (Single Product Campaigns) o campañas de producción agrupada No hay almacenamiento entre etapas No se puede partir o mezclar batches El tiempo de procesamiento Tij del producto i en la etapa j es independiente del tamaño del batch Los factores de tamaño Sij son constantes Existen recursos ilimitados 19 .

Modelo multiperíodo (P) min t j k 2) Metas de producción 3) Tiempo de ciclo limitante 4) Tiempo de operación anual 5) Cota en # de unidades nuevas 6) Restricciones de capacidad para modo B 7) Restricciones de capacidad para modo C 8) Garantizar asignaciones no redundantes 9) Cada unidad nueva opera bajo solo un modo x1it  x 2 it e ln Qit C N old  § wijkt u t ij exp(  x3 it ) j k § exp( x1 i it  x3it ) e H t §§ y j k jk e ZU §V k B ijkmt  V jold .

m u Sij Bit C C U .

k . j . k ! 1- §w m B ijkmt C  wijkt ! w jkt i . j .k 1 j . t j 1 . t 20   ¡ 1) Función objetivo §§ § E tjk i . t t i .  wijkt  Vijkt u Bit S ij 1 y jk u y j . m. j . t i .

t 1 11) Tanque nuevo entre limites permitidosy 12) Restricciones de volumen para unidades nuevas 13) Costo de expansión jkt V jL e ijkt ijkt jkt U j C jkt ! y jkt K jt  c jt jkt El modelo fue convertido para remover bilinealidades noconvexas en las ecuaciones 1-3.Modelo multiperído jkt (continuación) jk . se deja igual para 21 no introducir no-linealidad adicional al problema. x2it = ln Bit x3it = ln TLit En las ecuaciones 6-7 el tamaño del batch. Se utilizó la transformación exponencial según. 1987. Vaselenak et al.. Bit. de la siguiente forma: x1it = ln Nit. £ £ ¥ £ e y B ijkmt e £ £ £ e ¤ ¦ ¢£ ¢£ ¥ ¤ 10) Actualización del volumen ! .

 E jkt jkt e y jktV jU B ijkmt e jkt U j .

(Tomliln. 1988)  Se puede hacer uso de estructura de datos especiales (Special Ordered Sets. sin embargo puede convexificarse con transformaciones exponenciales de modo que se asegure un óptimo global (Kocis & Grossmann. 1988) 22 .Observaciones del modelo MP  Es un programa mixto no lineal (MINLP)  Es No-convexo. SOS).

23 . tiempo o reportando solución relajada  Soluciones:    Reformular como problema de programación disyunta. Mejorar cotas de las variables con los datos técnicos de los equipos. Agregar variables de holgura a ecuaciones ³difíciles´.Problemas con modelo (MP)  Se tarda días y acaba por agotar memoria.

Programación disyunta en general  Raman y Grossmann (1994) demostraron la representación de programación mixta-entera lógica a través de la programación disyunta (generalized disjunctive programming). t 24 .  Considerar la disyunción (conjunto de restricciones en las cuales por lo menos una debe ser valida) representada aquí con el uso de operadores lógicos OR (œ) y NOT (š): » « š jt » « jt ¼ ¼ ¬ jt ¬ ¬h jt ( x) e 0¼ œ ¬ x ! 0¼ ¬ c !E ¼ ¬ c ! 0 ¼ jt ½ ­ jt ­ jt ½ j.

ecuaciones (11) y (13) se mantienen. de lo contratirio no hay expansión ni costo relacionado.Conversión del modelo a forma disyunta  Primero considerar solo la expansión y sus variables y ecuaciones asociadas: « » « šz jkt » z jkt ¬ ¼ ¬ ¼ ¬ E jkt ! jt  c jt E jkt ¼ œ ¬ E jkt ! 0¼ ¬ ¼ ¬ ¼ U e E jkt e j ¼ ­ E jkt ! 0 ½ ¬ j ­ ½ § (C1)  (C1) implica que si la unidad j es expandida en el período t.  Así hay que considerar cada nivel de decisión 25 .

e jkt . ijk t . !  ! w jkt e § z jkX j. T it . j . k . vi) §  . z jkt ! _ . t X !1 xiii) z jkt e w jkt j . t ! 1....T k ! 1. jkt .. jk .t ijk 1t ©  ©  © v) i .Z j ! 1.. ijkt y jk ... k   x)  t « ¬ ¬ ¬ ¬ ­ ¨ B ijkmt C ijkt ¨ ¨ %  jk j e ¨   ¨ ¨ j . t it $ nit .Modelo disyunto (PD) ¨ © ¨ jkt ijk 1t m jkt jk xi) xii) w jkt e y jk t j . ijk t .1a 0 old j ¨ ¨ ¨  ¨   k ¨ ijk t ij it ¨ ¨ ) 2 old j .. k ... j ! 1. k 1 ijk 1t © ¨ ¨ e ijkt . k . # u0 jkt . # #  ! $  $ $  ¨ ¨ t  y jk u § w jkt j . t " i ! 1. .

k jk j k ¨ ¨ 0 ( §§ y 21 3 e U  iv) § exp( x1 i it  x3it ) e ' iii) k t  U 2 t ¨ ¨ C N old  § wijkt u t ij exp(  x3 it ) j & i) ii) min x1it  x 2it u ln §§ § CE t it j k tjk  M (U 1  U 2) i . k . k ¬ ¼ ¬ ijkt e jkt ¼ ¼ ¼ ¼ ¬ jkt ! 0¼ ½ i «š jkt » ¼ ­ jkt ¼ œ . k ! 1. u S j . j .Z  1 vii) y u y viii) § w  w ! w i. t  U1 xiv) ¬ « ¬ ¬ ¬ ¬« ¬¬ ¬¬ ¬¬ ¬¬ ¬¬« ¬¬¬ ¬¬¬ ¬¬¬ ¬¬¬ ­ ¬¬ ¬¬ ¬¬ ¬¬ ¬¬ ¬¬ ­­ » ¼ U ¼ jkt e j ¼ jkt ! jk . t ix) § z ! y j. j .t 1  e jkt ¼ ¼ » jkt ¼ ¼ ¼ ¼ jkt u j ¼ ¼ ¼ « šy » « » ¼ ijkt jk « » ¬ » ¼œ¬ ¼ ¼ ijk t ¼ j .œ ¬ ijk t e jkt ¼ œ ¬ U ¼ ¼ ¬ ¬ ijkt e j ¼ ¼ œ ¬ ¼ t ¼ U ¼ U ¼ ¬ jkt u 0¼ ¼ ¬ ijk t e j ¼ ¬ j ¼ ¼ ­ ½ ­ ½ ½ ¬ ijkt u it S ij ¼ ¼ ¼ ­ ½ ¼ ¼ ¼ » « š z jkt » z jkt ¼ ¼ ¼ ¬ ¼ ¼ ¼ E jkt ! jt  c jt E jkt ¼ œ ¬ E jkt ! 0¼ ¼ ¼ ¼ ¬ U ¼ E jkt ! 0 ¼ ¼ ¼ ­ j j e E jkt e ½ ½ ½ ½ y jk 1 26 . t i .

1a 0 (T1) 6 e E 1jkt e z 1 4 .C u 0 ! 0z2 ! 0 z  _ .Transformación de Modelo PD a MINLP Empezamos por la disyunción interna » « šz jkt » « z jkt ¼ ¬ ¬ ¼ CE jkt ! jt  c jt E jkt ¼ œ ¬CE jkt ! 0¼ ¬ ¼ ¬ ¬ ¼ U ¼ ­ E jkt ! 0 ½ ¬ j e E jkt e j ½ ­ 5 Una variable binaria es asignada a cada disyunción. La desagregación de variables queda entonces: z1  z 2 ! 1 CE ! CE 1  CE 2 e ! e1  e 2 Sustituyendo las variables desagregadas en la disyunción: « » « z2 » z 1jkt jkt ¬ ¼ ¬ ¼ ¬CE 1 ! jt  c jt E 1 ¼ œ ¬CE 2 ! 0¼ jkt ¬ jkt ¼ ¬ jkt ¼ U 1 2 ¬ ¼ ¬ E jkt ! 0 ¼ j j e E jkt e ­ ½ ­ ½ jkt CE 1jkt ! z 1 z1 j jt  c jt E 1jkt U j Simplificando: C zV jL e jkt ! zK jt  c jt jkt jkt C 2 2 ! 0z2 ! 0 27 e zV jU .

Z j  1 H P U. k . C ijkt u0 y jk .Modelo Convertido (PD-MINLP) C N old  § wijkt u t ij exp(  x3 it ) j k j k ijk t it y jk u y j ...Z j ! 1. j ! 1.. t 7 I C ijkt C ijkt u j . ... CE u 0 jkt ijk t t w jkt e § z jkX j... z jkt e w jkt j . t ! 1. 7 Q §w B ijkmt C  wijkt ! w jkt i . t X !1 i ! 1. j . T it ..k 1 m §z t jkt ! y jk j . k ! 1. k j . t . . k . k it it jk jkt ijk t xiv) xv) 8 9 z j y jk u § w jkt t E jkt . k . . .T k ! 1... t 8 w jkt e y jk j . . k . E jkt .

t ijk 1t C ijk 1t C ijkt xxii) xxiii) CE jkt !z e e jkt e z R D §§ y e v) vi) §  .  1 k  it S ij C F old j u Sij i . . j .

z jkt ! _ . j . t xv) xv) xvi) jkt jkt e U j ! y jk ( jkt 1  E jkt ) B E FE G S . C ijkt . U jk ijk 1t R iv) § exp( x1 i it  x3 it ) e A iii) i . F a old j 28 . t t t xvii) xviii) xix) xx) xxi) jkt u e e e e c j U j C ijkt U j jkt jkt it u jt  c jt E jkt U j Q @ i) ii) min x1it  x 2 it e ln it §§ § CE t j k tjk i .

2.267 7.097 5. Grossmann y Westerberg. ** Mejor solución encontrada al agotar recursos de memoria. *** El modelo se reporta como infactible.932 623452 **1024. variables de holgura y ramificación con prioridad.220 2.122 *** *** 2. CPU) Costo de Inversión ($1000) Modelo disyunto no-convexo Modelo Convexificado* 5.06 Modelo PDR Modelo PDR con cotas.297 5.Comparación entre modelos Problema resuelto por diferentes modelos Modelo Variables Discretas 2.958 7.220 Variables Continuas Número de Restricciones Tiempo de solución (seg.220 4.36 * Convexificación propuesta por Vaselenak.152 41226 6328 950.36 950.220 5.322 8. 1987. 29 .

Observaciones  Para instancias de 15 años ya no encuentra resultado  Recordar que nuestro problema es a largo plazo 15-20-30 años  El tamaño de la super-estructura afecta enormemente al problema  Al incrementar el número de equipos la asignación de la producción se va haciendo más compleja que el diseño de la planta 30 .

Propuesta  Algoritmo de Horizontes Móviles para tratar de encontrar resultados a instancias de 20 periodos de tiempo  Queda pendiente la desagregación de la producción a catorcenas 31 .

f] con solución de PD-MINLP PD fijo f= f +r no f +r>H si f= H-1 no f=H si PARAR Solución = ZHM T S T S T S PR PD resuelve PR PD fijo PD resuelve PR PD fijo PD fijo PD resuelve 32 .H] en Problema Disyunto Retrofit (PD-MINLP) PD fijo Sub-Problem 3 Sub- Resolver Problema Disyunto Retrofit (PD-MINLP) PD fijo Sub-Problem 4 Sub- Fijar binarias en rango [0.Algoritmo de Horizonte Movible (HM) SubSub-Problem 1 f=r resuelve SubSub-Problem 2 Relajar variables binarias en los períodos [f+1.

sino una aproximación  Hay que alimentar soluciones y hacer una secuencia iterativa de solución 33 .Desventajas de Algoritmo HM  Ya no se encuentra el óptimo del problema.

Ventajas de Algoritmo HM  Encuentra solución a problema deseado  Se presta para usar la solución encontrada como punto inicial y tratar de encontrar el optimo global 34 .

798 27.798 7463 17143 3526.07 Modelo Problema Detallado Problema Relajado PD 5 períodos PR 15 períodos PD 10 períodos PR 10 períodos PD 15 períodos PR 5 períodos PD 20 períodos 15 períodos fijos 20883 27.0 2240 20883 27.798 937 1801.798 1915 1801.) .60 35 FINAL *** No encontró solución después de 20 iteraciones o 5dias (432.000seg.240 (2.840 8840R 2.883 20.798 6928 2147.74 Problem a de Horizont e Móvil 20883 27.240 (6600R) 2.74 20883 27.400R) 2.798 Tiempo de Cómputo seg CPU *** 251 Valor Objetivo $ *** 524.60 3526.240 (4.Resultados con algoritmo HM Número de Variables Binarias 8.883 Número de Ecuaciones 27.200R) Número de Variables Continuas 20.

244.68% de error de optimalidad. encontrada en un tiempo de 440. 36 .  Con este dato podemos encontrar un 8.190 segundos CPU.Solución óptima  Le alimentamos la solución encontrada por el algoritmo de HM al problema original para encontrar la solución óptima con un valor de: $3.

Problema de planeación  La planeación de la producción se utiliza como herramienta para mitigar el error introducido al utilizar campañas de un solo producto  Desagrupación de la producción a catorcenas usando el mismo modelo PD-MINLP existente 37 .

Problema de Planeación  Son representaciones simplificadas usadas para predecir niveles de producción y flujo de materiales.  Típicamente son lineales  Generalmente las metas de producción obtenidas en este nivel son sumamente optimistas. 38 .

r ela ar varia le inaria en lo per odo H en ro lema i nto etro it e olver ro lema i nto etro it i ar inaria en rango de con ol ción r no r H i H no H i A A ol ción HM Act alizar parametro dependiente de tiempo de a o a catorcena i ar con ig racion de planta Algoritmo de Horizonte Móvil con modelo de planeación integrado 39 e olver Act alizar vol mene con inaria i a varia le de e tado eportar ol ción .

Resultados de problema completo  Se presentan dos casos para probar el funcionamiento adecuado del modelo y de su algoritmo de solución configuración inicial aso n mero de n mero de etapas productos 4 n mero de periodos 5 5 5 aso 4 aso 4 40 .

188 7728 Número de variables continuas 3695 7.77* 732.67 * no se realizó el algoritmo de horizontes móviles. es la solución óptima 41 .666 24.13 584.360 11.355 Número de Ecuaciones 4981 9.73 Valor Objetivo PNLP $1000 296.92* 563.690 18.58 1008.84 1038.30 1119.025 14.876 14.648 6.108 4.55 1212.Caso 1: Instancias grandes Número de Número Variables de Períodos Binarias 5 10 15 20 25 1568 3.561 Tiempo de Cómputo seg CPU 21 440 8384 27478 45774 Valor Objetivo HM $1000 253.771 19.34 805.

876 9.77 535.5% Número de Variables Binarias 3.876 9.108 Número de Variables Continuas 7.108 3.360 7.80 42 .108 3.360 Número de Ecuaciones 9.876 Tiempo de Cómputo seg CPU 1058 440 496 Valor Objetivo $1000 563.77 563.Caso 2: Análisis para diferentes demandas  Las tres instancias encuentran la misma configuración de planta! onfiguración nicial o o o8 Modelo 0 Períodos demanda + 5% demanda demanda .360 7.

Conclusiones  Si se puede resolver un modelo multiperíodo de     diseño retrofit para plantas batch Modelar el problema como un modelo disyunto permite encontrar soluciones más rápidamente El algoritmo de horizontes móviles permite extender el modelo a instancias de ³gran escala´ Las configuraciones de planta encontradas por el modelo para el ejemplo son soluciones fuertes Para el ejemplo específico de la industria cervecera. se podría optar por omitir la desagregación 43 .

GRACIAS ¿preguntas? 44 .

R. Sethi.H.  M. and R.. Garey and D. San Francisco (1979)  Argumento: MINLP generalmente son problemas NP duros Flowshop and Jobshop Scheduling.Complejidad computacional  M. W. Freeman and Co. Johnson. "Computers and Intractability- A Guide to the Theory of Np-Completenerss´." Mathematics of Operations Research.R.S. Garey. D. "The Complexity of 45 . Johnson. 1:117-129 (1976)  Argumento: Los problemas batch comprenden problemas de scheduling y por ende son NP-duros.S.

0 de otro modo wjt selección de operar (1) o no (0) la unidad j en el período t zjt selección de expandir (1) o no (0) la capacidad unidad j en período t Variables continuas Qjt capacidad de la unidad j en el período t QEjt expansión de capacidad de unidad j en el período t Xt Valor de la variable de estado (flujo. etc. temperatura.) en el período t Xit subconjunto de variables de estado para la corriente i en el período t COjt costo de operación para la unidad j en el período t CEjt costo de expansión para unidad j en el período t 46 .Nomenclatura                           Conjuntos: I J T Índices: i j conjunto de corrientes conjunto de procesos conjunto de períodos de tiempo corriente del conjunto I proceso en el conjunto J t tiempo en el conjunto T Parámetros: Ejt costo de expansión variable para la unidad j en el período t Fjt costo de expansión fijo para la unidad j en el período t Kjt costo de operación fijo para la unidad j en el período t cit costo asociado con la corriente i en el período t u cota superior válida correspondiente para cada variable Variables: Variables Binarias yj selección de invertir (1) o no (0) en la unidad j.

Sin almacenamiento. 2007) Bibliografía Vaselenak et al. Campañas de un solo producto. (1991) Petkov y Maranas (1998) Estrategia de operación independiente para cada producto. Demanda de productos con incertidumbre. y nivel externo definiendo diseño/capacidad MINLP resuelto por DICOPT ++ Modelo de optimización multiperíodo nolineal resuelto por algoritmo lógico de descomposición a dos niveles MINLP resuelto por DICOPT ++ MINLP 47 Tipo de modelo/métodos de solución MINLP Heurístico . Fletcher et al. Produce tanto desfasado como en-fase. Incluye unidades de procesamiento y almacenaje. (1999) Permite modificar el modo de operación de unidades existentes. Sin almacenamiento. Yoo et al. expansión y planeación. Campañas de un solo producto. MILP Modelo de dos niveles: nivel interno que define operación. (2004) Simultáneamente diseño y expansión así como diseño de operación. (1987) Espuña y Puigjaner (1989) Características del Modelo Productos con mimos modo de operación Tiempos de proceso dependientes del tamaño del batch. Confiabilidad de equipo y su mantenimiento. Van den Heever y Grossmann (1999) Montagna (2003) Goel et al. Expansiones de capacidad por etapas.Diseño retrofit multi-producto (Barbosa-Póvoa. Sin almacenamiento.

Cabe resaltar que la disjunción (C1) esta contenida en (C2). 48 V V V V V V V V V V » « ¼ ¬ e jkt ¼ œ . la operación: « ¬ ¬ ¬ ¬ ¬« ¬¬ ¬¬ ¬¬ ­ ¬¬ ¬ ¬ ­ w jkt jkt B wijk1t B ijk 1t B ijk 1t  (C2) implica que si la unidad k de la etapa j opera en el período t. las variables y costos asociados se fijan a cero. De no operar. de lo contratirio no hay expansión ni costo relacionado. Ahora consideremos el siguiente nivel de decision. y dependiendo del modo las ecuaciones (12) y (7) de se sotienen.Conversión del modelo a forma disjunta  Primero considerar solo la expansión y sus variables y ecuaciones asociadas: « » « šz jkt » z jkt ¬ ¼ ¬ ¼ ¬CE jkt ! jt  c jt E jkt ¼ œ ¬CE jkt ! 0¼ ¬ ¼ ¬ ¼ e E jkt e jU ¼ ­ e jkt ! 0 ½ ¬ j ­ ½ U (C1)  (C1) implica que si la unidad j es expandida en el período t. ecuaciones (11) y (13) se mantienen.œ ¬ ¼ ¬ e jU ¼ ¬ ½ ­ « » ¬ ¼ ¬ B e jkt ¼ œ ¬ ijkmt ¬ B U ¼ ijkmt e j ¼ ½ ¬ ¬ ­ C1 B wijkmt V u j » ¼ ¼ ¼ C » ¼ wijkt ¼ ¼ «šw jkt » C œ ¼ t ijkt e jkt ¼ ¼ ¬ ¼ ¬ ¼i ¼ ­ jkt u 0½ C U ¼ ¼ ijkt e j ¼ ¼ C ijkt u Bit Sij ¼ ½ ¼ ¼ ½ W V V V V V (C2) . ya que una expansión solo será considerada si esa unidad opera (wjt = V). debe operar en modo C o B.

debe operar en modo C o B. De no operar. ya que una expansión solo será considerada si esa unidad opera (wjt = 49 V).t 1  e jkt ¼ ¼ w jkt » ¼ ¼ ¼ ¼ jkt u j ¼ ¼ C ¼ « šy » « wijkt » ¼ jk « wijk t » ¬ wijk 1t » ¼œ¬ ¼ ¼ ¼j.Conversión del modelo a forma disjunta (continuación)  Por último se decide si se va a invertir en la unidad k de la etapa j. X (C3) ` Y ` ` Y Y X Y Y Y . y dependiendo del modo las ecuaciones (12) y (7) de se sotienen.œ ¬ ijk t e jkt ¼ œ ¬ C U ¼ ¼ ¼ ¬ ¼ ¬ ijkt e j ¼ ¼ œ ¬ ¼t ¼ U e jU ¼ ¬ ijk t e j ¼ ¬ C ¬ jkt u 0¼ ¼ ijk 1t ¼ ½ ­ ½ ­ ½ ¬ ijkt u it Sij ¼ ¼ ¼ ­ ½ ¼ ¼ ¼ « » « šz jkt » z jkt ¼ ¼ ¬ ¼ ¬ ¼ ¼ ¼ ¬CE jkt ! jt  c jt e jkt ¼ œ ¬CE jkt ! 0¼ ¼ ¼ ¬ ¼ ¬ ¼ U ¼ ¼ ¬ ¼ ­ e jkt ! 0 ½ j e e jkt e j ­ ½ ½ ½ y jk  (C2) implica que si la unidad k de la etapa j opera en el período t. « ¬ ¬ ¬ ¬ ¬« ¬¬ ¬¬ ¬¬ ¬¬ ¬¬« ¬¬¬ ¬¬¬ ¬¬¬ ¬¬¬ ­ ¬¬ ¬¬ ¬¬ ¬¬ ¬¬ ¬¬ ­­ » ¼ U ¼ jkt e j ¼ jkt ! jk . las variables y costos asociados se fijan a cero. k C ¼ ¬ ¼ ¬ ijkt e jkt ¼ ¼ ¼ ¬ jkt ! 0¼ ½ i «šw jkt » ¼ ­ ijk 1t e jkt ¼ œ . Cabe resaltar que la disjunción (C1) esta contenida en (C2).

ijk t ..T k ! 1.t b g b f fb v) i . . q i q w jkt e § z jkX j. k . z jkt ! _ .. j .... k 1 j C ijkt . j ! 1. vi) §  . jk . jkt . jkt .1a 0 old j a b a a a ga f ga f a f k a a y ‚ old j . s s C ijkt u0 hs q t i t t h a a t e x) y jk u § w jkt j . k .. e jkt .. ijk t . t ! 1. T it .Z j ! 1.. t it t p nit .. t X !1 xiii) z jkt e w jkt j . k c t a jkt a B ijkmt C ijkt d a a a a u f jk j . k .. y jk . t r i ! 1.Modelo disjunto (PD) a b a ijk t ij it m jkt jk xi) xii) w jkt e y jk t j .

t i . u S j . j . t  U1 xiv) ¬ « ¬ ¬ ¬ ¬« ¬¬ ¬¬ ¬¬ ¬¬ ¬¬« ¬¬¬ ¬¬¬ ¬¬¬ ¬¬¬ ­ ¬¬ ¬¬ ¬¬ ¬¬ ¬¬ ¬¬ ­­ » ¼ U ¼ jkt e j ¼ jkt ! jk . k . k jk j k a a € x §§ y ‚ ƒ e U e iv) § exp( x1 i it  x3it ) e w iii) k t  U 2 t a a C N old  § wijkt u t ij exp(  x3 it ) j v i) ii) min x1it  x 2it u ln §§ § CE t it j k tjk  M (U 1  U 2) i . k ! 1.t 1  e jkt ¼ ¼ » jkt ¼ ¼ ¼ ¼ jkt u j ¼ ¼ C ¼ « šy » « » ¼ ijkt jk « » ¬ » ¼œ¬ ¼ ¼ ijk 1t ijk t ¼ j .œ ¬ ijk t e jkt ¼ œ ¬ ijk 1t e C U ¼ ¼ ¬ ¬ ijkt e j ¼ ¼ œ ¬ ¼ t ¼ U ¼ U ¼ ¬ jkt u 0¼ ¼ ¬ ijk t e j ¼ ¬ C ijk 1t e j ¼ ¼ ­ ½ ­ ½ ½ ¬ ijkt u it S ij ¼ ¼ ¼ ­ ½ ¼ ¼ ¼ « » « š z jkt » z jkt ¼ ¼ ¬ ¼ ¬ ¼ ¼ ¼ ¬CE jkt ! jt  c jt e jkt ¼ œ ¬CE jkt ! 0 ¼ ¼ ¼ ¬ ¼ ¬ U ¼ e jkt ! 0 ¼ ¼ ¬ ¼ ­ j e e jkt e j ½ ­ ½ ½ ½ y jk  50 .Z  1 vii) y u y viii) § w  w ! w i. j . t ix) § z ! y j. k C ¬ ¼ ¬ ijkt e jkt ¼ ¼ ¼ ¼ ¬ jkt ! 0¼ ½ i «š jkt » ¼ ­ jkt ¼ œ .

C u 0 z  _ .1a 0 e2 ! 0z 2 ! 0 † e e1jkt e z 1 „ . La desagregación de variables queda entonces: z1  z 2 ! 1 CE ! CE 1  CE 2 e ! e1  e 2 Sustituyendo las variables desagregadas en la disyunción: « » « z2 » z1jkt jkt ¬ ¼ ¬ ¼ ¬CE1 ! jt  c jt e1 ¼ œ ¬CE 2 ! 0¼ jkt ¬ jkt ¼ ¬ jkt ¼ ¬ j e e1jkt e jU ¼ ¬ e 2 ! 0 ¼ ­ ½ ­ jkt ½ jkt CE 1jkt ! z 1 z1 j jt  c jt e1jkt U j Simplificando: C ! zK jt  c jt e jkt C (T1) 2 ! 0z2 ! 0 51 zV jL e e jkt e zV jU e jkt .Transformación de Modelo PD a MINLP Empezamos por la disyunción interna » « šz jkt » « z jkt ¼ ¬ ¬ ¼ CE jkt ! jt  c jt e jkt ¼ œ ¬CE jkt ! 0¼ ¬ ¼ ¬ ¬ ¼ U ¼ ­ e jkt ! 0 ½ ¬ j e e jkt e j ½ ­ … Una variable binaria es asignada a cada disyunción.

Transformación de Modelo PD a MINLP Las variables para la segunda disyunción son: w jkt ! w1jkt  w2 jkt 2 V jkt ! V 1  V jkt jkt V jkt u wV Y simplificando: L j C Vijkt e V jU B Vijk 1t e V jU B Vijk 1t e V jkt C Vijk 1t e V jkt C U (1  wc )  Vijkt u Bit S (T 1) (T2) 52 .

Transformación de Modelo PD a MINLP Para la última disyunción : y jk » « ¼ ¬ U ¼ « šy jk » ¬ V jkt e V j ¼ œ ¬V ! 0¼j . k ¬V ! V ¬ jkt ¼ ­ ½ jk .t 1  e jkt ¼ ¬ jkt ¼ ¬ T2 ½ ­ Y simplificando: e U j jk .t 1 y jkt ! y1jkt  y 2 jkt 1 2 V jkt ! V jkt  V jkt jkt jkt ! y jk (  e jkt ) T2 (T3) 53 .

t X !1 i ! 1.. k . . T it . CE u 0 jkt ijk t t w jkt e § z jkX j.k 1 m §z t jkt ! y jk j .Z j z jkt e w jkt j . k .Modelo Convertido (PD-MINLP) C N old  § wijkt u t ij exp(  x3 it ) j k j k ijk t it y jk u y j .. t nit . k ! 1. j . e jkt . t ˆ w jkt e y jk j .T k ! 1. k it jk jkt ijk t xiv) xv) ˆ ‰ z j y jk u § w jkt t e jkt . . C ijkt u0 y jk ... ‡ e §w B ijkmt C  wijkt ! w jkt i ..Z j  1 ˜ d U. k j . . t ‡ ™ C ijkt C ijkt u j . j ! 1.. .. k . . k .. t ! 1.

t ijk 1t C ijk 1t C ijkt xxii) xxiii) CE jkt ! z e e jkt e z f ” §§ y e v) vi) §  . .  1 k  it S ij “ – old j u Sij i . j .

j .. 54 . t t t xvii) xviii) xix) xx) xxi) jkt u e e e e c j U j C ijkt U j jkt jkt it u jt  c jt e jkt U j e  i) ii) min x1it  x 2 it e ln it §§ § CE t j k tjk i . t xv) xv) xvi) jkt jkt e U j jkt 1 ! y jk (  e jkt ) ’ • –• — S . C ijkt . F a old j ! 1. z jkt ! _ . U jk ijk 1t f iv) § exp( x1 i it  x3 it ) e ‘ iii) i ..

Sign up to vote on this title
UsefulNot useful