Optimizacion en Ingenieria de Procesos 07 2012

Optimizacin en Ingeniera de Procesos Ing. Carlos A. M.
Riascos

OPTIMIZACIN EN INGENIERA DE PROCESOS

El presente documento presenta una aproximacin a la optimizacin en ingeniera qumica;
introduciendo el lector en algunas de las particularidades de los problemas de optimizacin:
- La formulacin del problema, que implica la identificacin de un criterio cuantitativo que
permite la comparacin objetiva entre las soluciones posibles, as como de las variables
independientes del problema y de las restricciones que las relacionan entre s y con las
dems variables y parmetros del problema.
- La clasificacin de los problemas de optimizacin, que auxilia en la seleccin de la
tcnica de solucin adecuada para cada problema.
- La ideas fundamentales para la solucin de estos problemas, dependiendo del tipo de
problema que se este considerando.
La presentacin de las diferentes ideas se soporta en ejemplos que buscan favorecer su
asimilacin mediante la aplicacin prctica.

1. EL PROBLEMA DE OPTIMIZACIN Y SUS CARACTERSTICAS

Las tcnicas de optimizacin pueden ser aplicadas en, prcticamente, cualquier sistema,
permitiendo determinar las condiciones o caractersticas que mejoran algn indicador de su
desempeo. En la ingeniera qumica dos casos son especialmente interesantes: la
optimizacin de condiciones de operacin y el diseo ptimo de una unidad o proceso.
Dentro del curso de ingeniera de procesos nos interesa la optimizacin del diseo, sea de
una nica unidad o preferiblemente de toda la planta de procesamiento. Este tipo de
optimizacin implica la determinacin de las condiciones de operacin y caractersticas del
diseo que optimizan algn criterio de anlisis.
Las condiciones de operacin (temperaturas, presiones, concentraciones, reflujos,
recirculaciones, etc.) se relacionan entre s por los modelos de cada unidad
1
y permiten
definir las variables de diseo (dimensiones de las unidades, nmero de platos,
caractersticas especficas del diseo, etc.) a travs de las ecuaciones de diseo
2
. El criterio
de anlisis generalmente involucra los aspectos econmicos del proceso (costos de capital,
costos operaciones, precios de producto y materia prima, tasas de depreciacin y retorno,
etc.). Luego, la optimizacin del diseo debe resolver el problema de minimizar o
maximizar el criterio econmico, cumpliendo con las restricciones definidas por los
modelos de operacin, las ecuaciones de diseo y las funciones de costo de cada unidad, y
respetando los lmites para todas las variables.
En forma general, el problema de optimizacin del diseo se puede formular as:

min/ max ( , )
. ( , ) 0
( , ) 0
L U
f x d
s a h x d
g x d
x x x
| =
=
s
s s
(1)

donde |: funcin objetivo (por ejemplo un criterio econmico de anlisis)
x: conjunto de variables de optimizacin (algunas de las de operacin)

1
Ecuaciones de equilibrio de fases, cintica de las reacciones, etc.
2
Ecuaciones de dimensionamiento de las unidades.
Optimizacin en Ingeniera de Procesos Ing. Carlos A. M. Riascos

d: conjunto de variables de dependiente (comnmente las de diseo)
h: ecuaciones del modelo de operacin y de dimensionamiento de cada unidad.
g: inecuaciones, como las restricciones para dimensionamiento de las unidades.
x
L
, x
U
: lmites mnimos y mximos para variables de optimizacin.

Ejercicio 1:
Defina el diseo ptimo de un tanque cilndrico vertical con extremos planos, de radio interno r,
espesor de pared S, altura interna l y espesor de los extremos (fondo y tapa) h. Considerando que:
El costo es proporcional al volumen de material empleado, con un coeficiente Cm ( $/cm
3
).
El volumen interno debe ser por lo menos 21.2 m
3
,
Por normas (ASME) la relacin espesor de los extremos/radio interno debe ser por lo menos 0.130
y la relacin mnima de espesor de pared/radio interno es 1*10
-3

La altura interna de la pared debe ser por lo menos 10 cm para permitir conexiones y
El radio exterior no puede ser mayor que 1.5 m por el espacio disponible

Formule el problema de optimizacin de la forma
0 ) (
0 ) ( . .
) ( min
s
=
x g
x h a s
x f

Cuntos grados de libertad tiene el problema?
Cuntos tendramos si el volumen fuera fijo?

Es importante recordar que, la necesidad de analizar el problema de diseo desde el punto
de vista de la optimizacin se debe a que los efectos de una decisin pueden ser de
diferente ndole
3
, por lo que, la toma de decisiones en el diseo de un proceso implica la
ponderacin entre las ventajas y desventajas generadas por la eleccin de una alternativa o
condicin. Dicha ponderacin implica cuantificar en trminos de costos todos los efectos de
las variables de proceso. Algunas de las criterios econmicos que pueden ser empleados en
la optimizacin son la tasa de retorno (return of investment: ROI) y el periodo de
recuperacin de la inversin (payback period: PBP); lgicamente, si se considera la tasa de
retorno como funcin objetivo, la optimizacin deber buscar su maximizacin; pero si se
emplea el PBP el problema ser de minimizacin.

Ejemplos de motivacin: por qu es necesario aplicar tcnicas de optimizacin en
ingeniera qumica

Comnmente, los problemas de optimizacin en ingeniera qumica son problemas
complejos, a continuacin se presentan formulaciones simplificadas para problemas tpicos
de esta profesin.

Ejemplo 1: Definicin del reflujo en una torre de destilacin, adaptado de Treybal[2].
Cuando se consideran sistemas de destilacin, la relacin de reflujo es uno de los
parmetros ms importantes para lograr una operacin satisfactoria. Operar con la relacin
de reflujo mnima implicara un nmero infinito de etapas para lograr la separacin; en
consecuencia, el costo fijo de la columna sera infinito, pero los costos operacionales (calor

3
Por ejemplo, la seleccin de un tipo de reactor o de sus condiciones de operacin afecta la composicin del
producto obtenido, lo que tiene incidencia sobre el diseo y operacin de las unidades de separacin aguas
abajo.

para el rehervidor, agua de enfriamiento para el condensador, potencia para la bomba de
reflujo) seran mnimos, pues los flujos internos tambin lo son
4
. Al aumentar R, el nmero
de platos decrece rpidamente, pero el dimetro de la columna crece debido al aumento en
las corrientes internas (las dimensiones de las unidades auxiliares como condensador,
rehervidor y bomba de reflujo tambin aumentan). En consecuencia, los costos fijos
disminuyen hasta un mnimo y crecen nuevamente hasta infinito en la condicin de reflujo
total (como se muestra en la siguiente figura). Los costos de operacin (generados por los
requerimientos de calor, enfriamiento y bombeo) aumentan casi directamente con la
relacin de reflujo. Como consecuencia de de esto, existe un valor de R para el cual el costo
total, que es la suma de los costos operacionales y fijos, es mnimo, este se conoce como
relacin de reflujo ptima. Cabe recordar que para muchos sistemas el reflujo ptimo esta
entre 1,2 - 1,5R
min
y se acostumbra definir el valor inicial para el diseo dentro de este
intervalo.
0 0,1 0,2 0,3 0,4 0,5 0,6
R=Relacin de Reflujo
N
=
N
u
m
e
r
o

d
e

e
t
a
p
a
s

t
e
o
r
i
c
a
s
Rm
Nm

Figura 1. Efectos de la relacin de reflujo en los costos de una unidad de destilacin

Ejemplo 2: Definicin de la conversin en un sistema simplificado reactor + torre
Considere un proceso con una unidad de reaccin y una de separacin sin recirculacin,
como se muestra en la siguiente figura:

Figura 2. Proceso con una unidad de
reaccin y una de separacin sin
recirculacin
A continuacin, con base en

4
A pesar de esta ser una condicin netamente terica e imposible de implementar en la prctica, sirve como
condicin lmite para el anlisis de las condiciones operacionales.
Costos de Operacin
R
m

R
ptimo
Costos Fijos
Costo Total
C
o
s
t
o

A
n
u
a
l
i
z
a
d
o

Relacin de Reflujo
Reactor
Separador
Condensador
Rehervidor
Alimento FA
Producto B
Reactivo A
A + B

simplificaciones, se formularn relaciones para las variables involucradas en el sistema, lo
que permitir predecir el comportamiento de las mismas.

El reactor se alimenta con reactivo puro (A) y en el ocurre una reaccin simple (AB) de
1
er
orden, luego

dt
dC
kC r
A
A A
= =
Si el reactor opera isotrmicamente (k = cte)
A
A
C
dC
kdt =
La integracin de la cintica para un RCTA genera:
0
ln
A
A
C
C
k = t
Definiendo la conversin x = (C
A0
C
A
)/C
A
, tenemos:
t k
e x

=1

donde: C
A0
, C
A
: concentracin de A en la entrada y salida del reactor.
t : tiempo de residencia en el reactor.

En la unidad de separacin, si mantenemos constantes la condiciones operacionales, como
temperatura, presin y relacin de reflujo, podemos proponer que el nmero de etapas (y
por consiguiente la altura de la torre) permanece constante, luego, para este ejemplo no es
necesario plantear las ecuaciones de equilibrio de fase, y el nico cambio que se puede
observar en el diseo ser el dimetro, que depende del flujo que se alimenta.
Considerando como parmetros fijos las condiciones de operacin de la torre y del reactor,
y la conversin como la variable independiente del sistema; se deben analizar sus efectos
sobre el diseo, los costos de las unidades y de materia prima. De forma general, el costo
del reactor depende de su volumen, mientras que el de la unidad de separacin (torre de
destilacin) depende del flujo alimentado a ella pues este determina el dimetro. Las
ecuaciones planteadas hasta el momento corresponden al modelo del proceso, a
continuacin se presentan las consideraciones para diseo y determinacin de costos.
Para una meta de produccin fija Q
B
(mol/h) y considerando separacin perfecta, la
cantidad de reactivo necesaria es: ) (mol/h
A
B
A
F
x
Q
F =
El volumen que requiere el reactor
5
es:
( )
(lt) ( ) (h)
( )
g
mol A
mol
h RCTA A
g
lt A
PM
V F t
=
Del modelo del proceso podemos obtener: ) 1 ln( x k = t
Luego: ) 1 ln(
1
) 1 ln(
1
x
x
C
PM
x k
x
Q
V
A
A B
RCTA
= =

Si el costo del reactor es proporcional al volumen, se tiene: ) 1 ln(
1
2
x
x
C C
RCTA
=
donde C
1
y C
2
son constantes de proporcionalidad.

5
Si no hay solvente, fluido de arrastre ni catalizador heterogneo y considerando que el volumen til es 100%
del volumen del reactor.

En la torre, el dimetro (D
TD
) depende de los flujos internos, especialmente del de vapor, la
clculos iniciales, el dimetro se estima considerando la velocidad del vapor para evitar la
inundacin de la torre, manteniendo esta velocidad constante, la dependencia del dimetro
con el flujo molar de vapor (V) es:
5 , 0
3
V C D
TD
=
donde C
3
depende de las condiciones de operacin y las caractersticas del sistema, luego es
constante para el ejemplo planteado. Como V depende directamente del flujo de
alimentacin (F
2
) que por la estequiometra de la reaccin es igual a F
A
, tenemos:

5 , 0
5
5 , 0
4
5 , 0
2 4
1
x
C F C F C D
A TD
= = =
Como presentado en Douglas[1], el costo de la torre depende de su dimetro de la siguiente
forma:
1,066
6 TD TD
C C D =
Luego, el costo en funcin de la conversin ser:
7 0.553
1
TD
C C
x
=
Finalmente, el costo de la materia prima ser:
8 9
1
MP A
C C F C
x
= =

Los costos de capital deben ser analizados considerando la depreciacin, las tasas de inters
etc. para tenerlos en la misma unidad de tiempo de los costos de materia prima ($/ao,
$/mes). Pero la tendencia de estos costos con la conversin se mantiene, luego podemos
concluir que:
- El costo del reactor aumenta con la conversin (costo de capital).
- El costo de la torre diminuye con la conversin (costo de capital).
- El costo de materia prima disminuye con la conversin (costo de operacin).

En consecuencia, debe existir un valor para la conversin que genera los mnimos costos
totales. La determinacin del valor ptimo requiere la cuantificacin de cada uno de los
parmetros para los costos y el diseo, la evolucin de cada uno de los costos con la
conversin debe tener la siguiente forma:
0 0,2 0,4 0,6 0,8 1
Conversion (x )
VRCTA
FA
DTD

0 0,2 0,4 0,6 0,8 1
Conversion (x )
CRCTA
CMP
CTD
CTotal
x
optimo

Figura 3. Efectos de la conversin en las dimensiones y costos para el proceso del Ejemplo 2


La formulacin general del problema de optimizacin y el significado de cada elemento
del problema ser:

min C
T
= C
RCTA
+ C
M.P
+C
T.D
minimizar costo del proceso
{x} cambiando la conversin
s.a C
RCTA
- C
2
* V
RCTA
= 0 cumpliendo las restricciones
C
MP
C
8
F
A
= 0
C
TD
C
6
D
TD
= 0
0 ) 1 ln( =
A
B
RTCA
PM
x k
x
Q
V

0 =
x
Q
F
B
A

0
5 , 0
5
=
x
C
D
TD

0 < C
RCTA
, C
MP
, C
TD
, F
A
, V
RCTA
, D
TD
dentro de los lmites
0 s x s 1
En este ejemplo es claro que a pesar de la relativa simplicidad del proceso (slo 2 unidades
y sin recirculacin) y de las consideraciones adicionales (condiciones de operacin fijas en
la torre y en el reactor) que reducen el problema a una variable de optimizacin, la solucin
no puede ser obtenida directamente.

Comportamientos semejantes se observan para la mayora de las variables de decisin
durante el diseo de un proceso.

2. LA NECESIDAD DE OPTIMIZAR INTEGRADAMENTE EL PROCESO

Una idea errnea que se puede tener al momento de desarrollar la optimizacin de las
condiciones operacionales o del diseo de un proceso es considerar que: s se resuelve
individualmente la optimizacin de cada unidad de proceso, en el orden del flujo de
materia, al finalizar este anlisis se obtendrn las condiciones ptimas para todo el proceso.
El problema de dicha idea es que desconsidera el efecto que tienen los cambios en la
operacin de cualquier unidad sobre las restantes, lo cual es an ms complejo en procesos
con recirculacin.
Groep y colaboradores[6] modelaron la produccin de la enzima alcohol deshidrogenasa
(ADH) por Saccharomyces cerevisiae en cultivos continuos y en lote alimentado. El
proceso es constituido por el biorreactor, una centrifuga para recolectar las clulas, un
homogenizador de alta presin para romperlas y liberar las protenas, una centrifuga para
remover los restos celulares, y un sistema de precipitacin y doble separacin por
centrifugacin para la purificacin de la enzima. Mediante mltiples simulaciones los
autores estudiaron el efecto de la variacin en la tasa de dilucin (D, que controla la tasa
especfica de crecimiento) y del nmero de pasos en el homogenizador (N) sobre la
productividad y el lucro obtenido en el proceso. Los resultados muestran que si se analiza el
biorreactor individualmente, la mxima produccin de la enzima se logra con D = 0.135 h
-1
,
mientras que analizando el proceso completo, la mxima produccin se logra con D entre

0.145 y 0.135 h
-1
dependiendo del nmero de pasos por el homogenizador (ver figura); la
mayor diferencia se presenta cuando se considera el lucro como criterio de optimizacin,
debido al efecto de los costos operacionales y de materia prima las condiciones ptimas de
operacin son D = 0.105 h
-1
y N = 3, mientras que las condiciones de mayor productividad
(D = 0.135 h
-1
N = 7) generan perdidas.

Figura 4. Anlisis del efecto de las condiciones operacionales sobre la productividad y rendimiento
de un proceso continuo para produccin de la enzima ADH (tomado de Groep et al.[6]).

Las observaciones hechas por Groep y sus colaboradores se repiten en el anlisis tanto de
procesos qumicos como bioqumicos.

3. SOLUCIN DE PROBLEMAS DE OPTIMIZACIN DE BAJA COMPLEJIDAD

La seleccin del mtodo adecuado para resolver un problema de optimizacin debe
considerar las caractersticas del problema, en este sentido, los problemas se clasifican
segn el tipo de variables y ecuaciones (restricciones y funcin objetivo) que los
conforman:
Tabla 1. Clasificacin y caractersticas de los problemas de optimizacin.
Variables Ecuaciones Tipo de Problema
Slo continuas Lineales Programacin/optimizacin Lineal (LP)
Slo continuas No-Lineales Optimizacin No Lineal (NLP)
Continuas y
discretas
Lineales Optimizacin Mixta-Entera Lineal (MILP)
Continuas y
discretas
No-Lineales
Optimizacin Mixta-Entera No-Lineal
(MINLP)
Continuas
Diferenciales y
Algebraicas
Optimizacin Dinmica (DO)
Continuas y
discretas
Diferenciales y
Algebraicas
Optimizacin Mixta-Entera Dinmica
(MIDO)

A continuacin se presentarn, de forma muy resumida, los conceptos bsicos y algunas
tcnicas para la solucin de problemas de optimizacin de baja complejidad, dentro de los
que consideramos los problemas de optimizacin lineal, y los problemas de optimizacin
no-lineal monovariable (con una variable de optimizacin) y multivariable sin recirculacin
de informacin.

3.1 Problemas de Optimizacin Lineal

La solucin de este tipo de problemas es relativamente fcil y existen varios mtodos
desarrollados para este fin, entre ellos el mtodo Simplex; debido la escasez de problemas
lineales de optimizacin en ingeniera qumica (vea los ejemplos de motivacin), los
mtodos para solucin de este tipo de problemas no sern abordados con profundidad.
Dependiendo del nmero de variables, los LP pueden ser resueltos grficamente.

Ejemplo 3: Solucin grfica de un problema de optimizacin lineal
Considere el siguiente problema:

y x + = | : max
s.a. 3
2
1
+ s x y
5
2
1
+ s x y
0 10
0 5
x
y
< <
< <

Figura 5. Representacin grfica
de un problema de optimizacin
lineal

Por las caractersticas de las
ecuaciones que constituyen el problema, las lneas de valor constante para la funcin
objetivo y los lmites de la regin de bsqueda son rectas, luego, la solucin esta en uno de
los vrtices; el mtodo simplex aprovecha esta caracterstica, analizando los vrtices en una
secuencia que permite mejorar continuamente la solucin, hasta encontrar el ptimo.

3.2 Problemas de Optimizacin No-Lineal

3.2.1 Generalidades sobre la solucin de NLPs

La solucin de estos problemas generalmente usa mtodos basados en gradientes, los cuales
emplean derivadas parciales de la funcin objetivo con respecto a las variables de decisin,
a continuacin analizaremos los conceptos bsicos de estos mtodos.
Recordemos la solucin de una ecuacin por Newton-Raphson; cuando se busca la raz de
una funcin debemos encontrar 0 ) ( / = x f x , comenzando en x
i
La derivada de f(x) en el
punto x
k
(f(x
k
)) es la pendiente de la tangente a la curva f(x) en x
k

y el punto en el que
-2
-1
0
1
2
3
4
5
6
7
8
-2 0 2 4 6 8 10 12
x
y
y = 1/2x +3
y = -1/2x +5
|* =10
| = 6
| = 2 Regin de Bsqueda

cruza el eje x ser la siguiente aproximacin para la solucin (x
k+1
), (ver figura). La frmula
recursiva para determinar x
k+1

es:

1
( )
( )
k
k k
k
f x
x x
f x
+
=

Figura 6. Aproximacin a la solucin de una ecuacin no
lineal por el mtodo de Newton-Rapson

Para funciones con moderada no-linealidad, este mtodo converge rapidamente, pero en los
casos de alta no-linealidad, dependiendo del punto inicial, la solucin puede ser
inalcanzable.
En la bsqueda de la solucin, la direccin est definida por el signo del trmino:
( )
( )
k
k
f x
f x

Si f (x
k
) > 0 y f (x
k
) > 0 debemos retroceder (
1 k k
x x
+
< ).
Si f (x
k
) < 0 y f (x
k
) < 0 debemos retroceder (
1 k k
x x
+
< ).
Si f (x
k
) < 0 y f (x
k
) > 0 debemos avanzar (
1 k k
x x
+
> ).
Si f (x
k
) > 0 y f (x
k
) < 0 debemos avanzar (
1 k k
x x
+
> ).

En un problema de optimizacin queremos encontrar x / f(x) = 0, por analoga con el
mtodo de Newton-Raphson, la frmula recursiva para la bsqueda del ptimo en
problemas no-lineales monovariable sin restricciones, por el mtodo de Newton es:
1
( )
( )
k
k k
k
f x
x x
f x
+
= (2)
En forma general, los mtodos basados en derivadas determinan el nuevo punto por:

1 k k k k
x x d o
+
= + (4)
donde d
k
: direccin de bsqueda.
o
k
: tamao del paso.
Para la optimizacin monovariable por el mtodo de Newton, la direccin de bsqueda es
el signo del trmino del cociente de las derivadas, mientras que el tamao de paso (o
k
)
corresponde al valor absoluto del mismo.

Cuando se considera un problema en mltiples variables (x
1
, .. x
i
x
n
), la solucin debe ser
ptima para cada una de las variables, luego, estaremos buscando el conjunto de valores
que hace con que cada una de las derivadas parciales tome el valor de 0: i
x
f
x
i
=
c
c
0 / ,
para generalizar la formula recursiva a problemas multivariable, debemos recordar algunas
definiciones:
x
k+1
x
k

f(x
k
)
f(x)
f(x
k
)

Gradiente de f(x)
T
1 2
: ( )
n
f f f
f x
x x x
c c c (
V =
(
c c c

Hessiano de ) ( : ) (
2
x f x f V =
(
(
(
(
(
(
(
(
(
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
n n n n
n
n
x x
h
x x
f
x x
f
x x
h
x x
f
x x
f
x x
h
x x
f
x x
f
1
2
2
1
2
2
1
2 2
2
1 2
2
1
1
2 1
2
1 1
2

La frmula recursiva para la optimizacin multivariable ser:

1
1 2
( ) ( )
k k k k
x x f x f x
vector vector matriz vector
+
(
= V V
(3)
Esta formula permitira resolver problemas de optimizacin multivariable sin restricciones.
La mayor dificultad en el uso de esta formula radica en la determinacin del gradiente y del
hessiano, por lo que muchos mtodos emplean aproximaciones de los mismos o
simplificaciones de la frmula.

Como el problema es multivariable, la direccin de bsqueda es un vector de dimensin n
(d
k
), cuyos componentes definen en cada una de las variables la direccin en la cual f
disminuye. Por su parte, el tamao de paso (o
k
) debe ser tal que Vf

(x
k
+ o
k
d
k
) < Vf

(x
k
), lo
que garantiza que al avanzar en las iteraciones nos acercamos a la solucin ptima, por lo
que debe ser definido en cada iteracin.

Tabla 2. Analoga entre la solucin de ecuaciones y la optimizacin por mtodo de Newton.
Solucin de Ecuaciones
Newton-Raphson
Optimizacin
Monovariable
Optimizacin Multivariable
Buscamos x / 0 ) ( = x f Buscamos x / 0 ) ( = x f Buscamos x / 0 ) ( = V x f
) (
) (
1
k
k
k k
x f
x f
x x =
+

) ``(
) `(
1
k
k
k k
x f
x f
x x =
+

| | ) ( ) (
1
2
1 k k k k
x f x f x x V V =

+

k: Iteracin.

Un mtodo clsico para la solucin de NLPs es el de Steepest Descent, el cual usa
d
k
= - Vf

(x
k
), por lo que la velocidad de convergencia es lineal, pero el mtodo es ms
robusto pues no requiere clculos de V
2
(segundas derivadas).
Como se mencion anteriormente, muchos de los mtodos empleados para optimizacin
estiman aproximaciones de las derivadas, pues el clculo de estas es una de las principales
dificultades en el desempeo de los algoritmos de optimizacin. Otros mtodos estiman
aproximaciones de las funciones; la programacin lineal sucesiva (SLP) emplea
aproximaciones lineales, mientras la programacin cuadrtica sucesiva (SQP) emplea

funciones cuadrticas. A continuacin se presentan los fundamentos de la programacin
lineal sucesiva.

3.2.2 Programacin lineal sucesiva (SLP)

Como en todo problema de optimizacin, es necesario definir una estimativa inicial (x
0
). En
cada iteracin, el algoritmo genera una nueva estimativa, que debe estar ms cercana a la
solucin ptima. En este mtodo, para generar la nueva estimativa, (x
k+1
) se hace una
aproximacin lineal del problema en el punto actual y se resuelve el problema aproximado
por programacin lineal. La aproximacin lineal del problema implica generar una
aproximacin de la funcin objetivo y de cada una de las restricciones.
Dada una funcin de una sola variable ( f(x) ), La aproximacin lineal ( f
L
(x) ), en un punto
dado (x
k
), es la recta tangente en dicho punto, cuya funcin es:
( ) '( ) ( ) ( )
L k k k k
f x f x x x f x = + (5)
Anlogamente, para una funcin multivariable, la aproximacin lineal ser:
( ) ( ) ( ) ( )
k k k k L
f x f x x x f x = V + (6)
Ejemplo 4: Solucin de un problema de optimizacin por SLP
Resolvamos el siguiente problema por programacin lineal sucesiva.
min
2
2
2
1
) ( x x x f + = Iniciando con: ) 1 , 2 (
0
= x
s.a. 0 2 ) (
2
2 1
= = x x x h
2
1 2
5 1
1 2 2
2
( ) 0
0 3
g x x x
x
x
= + s
s s
s s

Antes de las iteraciones: Estimacin de los gradientes, para las aproximaciones
| | | | | | 1 2 ) ( 2 1 ) ( 2 2 ) (
1 2 2 1
= V = V = V x x g x x h x x x f

1 Iteracin: Las aproximaciones lineales de las funciones son:
| |
1
1
1 2
1 2
2
(2,1) 5 2*2 2*1
1
5 4( 2) 2( 1)
5 4 2
L
x
f
x
x x
x x
(
= +
(

= + +
=

1 2
1 2
1 2
1 2
(2,1) 1 ( 2) 2( 1)
3 2
(2,1) 3 4( 2) ( 1)
4 4
L
L
h x x
x x
g x x
x x
=
=
= +
= +


Luego el problema linealizado ser: min
2 1
2 4 5 ) 1 , 2 ( x x f
L
+ + =
s.a. 0 2 3 ) 1 , 2 (
2 1
= = x x h
L

0 4 4 ) 1 , 2 (
2 1
> + = x x g
L

3 0
2
2
5
1 2
1
s s
s s
x
x

La solucin de este problema es ) , (
9
8
9
11
1
= x , para la segunda iteracin se debe
linealizar el problema en este punto y resolver el nuevo LP.

2 Iteracin: Las aproximaciones lineales de las funciones son:
11
9 1
8 11
9 9
8
9 2
8 11
9 9 1 2
185 22 16
( , )
81 9 9
185 22 16
( ) ( )
81 9 9
L
x
f
x
x x
(
(
= +
(
(

= + +

11
9 1
8 11
9 9
8
9 2
8 11
9 9 1 2
1 16
( , ) 1
81 9
1 16
( ) ( )
81 9
L
x
h
x
x x
( (
= +
(
(

=

De igual manera, se determina la funcin aproximada g
L
(
9
8
9
11
, ) y se resuelve el
problema lineal: min ) , (
9
8
9
11
L
f
s.a. 0 ) , (
9
8
9
11
=
L
h
0 ) , (
9
8
9
11
>
L
g

3 0
2
2
5
1 2
1
s s
s s
x
x

A diferencia de la SLP, en SQP las aproximaciones del problema son cuadrticas. La
solucin de estas aproximaciones es ms compleja, pero debido a que ajustan mejor la
funcin original, la optimizacin requiere menos iteraciones. Adicionalmente, SLP necesita
mejores estimativas del punto inicial para lograr la convergencia y funciona mejor en
problemas con pocos trminos no-lineales. Para profundizar en estas y otras metodologas
de optimizacin, y algunas aplicaciones en ingeniera qumica se recomienda el texto de
Edgar y colaboradores[3].

Algunos de los mtodos desarrollados para la solucin de problemas no-lineales de baja
complejidad son las tcnicas de rastreo directo como el mtodo de la seccin urea o
dorada, y la programacin dinmica los cuales permiten resolver problemas relativamente
sencillos y con caractersticas especiales; para la solucin de problemas complejos debe
emplearse la programacin matemtica o las herramientas de optimizacin incluidas en los
programas de simulacin.


3.2.3 Mtodo de la seccin urea[4].

Este mtodo se basa en la reduccin sucesiva del espacio de bsqueda comparando valores
de la funcin objetivo en puntos internos del intervalo de bsqueda (l
i
, r
i
), debido a que no
es necesario la estimacin de derivadas, este mtodo permite la solucin de problemas con
funciones continuas o discontinuas, siempre que no existan ptimos locales. La mayor
limitacin de este mtodo es que slo permite la solucin de problemas en una variable.
Los puntos internos para evaluacin de la funcin objetivo se definen as:
( ) ( )
i i i i i i i i
l b b a r a b a t t = = + (7)
donde = 0.618 (de forma exacta, =(\5-1)/2
Este valor de permite usar, en cada iteracin, uno de los puntos evaluados en la iteracin
anterior.

Figura 7. Representacin grfica del
mtodo de la seccin urea.

El proceso de reduccin del espacio de bsqueda implica, el siguiente anlisis:
Se calcula f(l
i
) y f(r
i
),
si f(l
i
) es mejor que f(r
i
) se elimina el segmento r
i
b
i,
y para la prxima iteracin:
1 1 1 1
y debe ser estimado
i i i i i i i
a a b r r l l
+ + + +
= = =
si f(l
i
) es mejor que f(r
i
) se elimina a
i
- l
i
, y consecuentemente:
1 1 1 1
y debe ser estimado
i i i i i i i
a l b b l r r
+ + + +
= = =

El tamao del intervalo de bsqueda, despus de n iteraciones, ser 0,618
n-1

Ejemplo 5: Solucin de un NLP monovariable por el mtodo de la seccin urea
Encontrar el mnimo de f(x)=x
2
- x en el intervalo (0,2).

Iteracin 0 a
0
= 0 b
0
= 2
l
0
= b
0
(b
0
a
0
) = 0.764
r
0
= a
0
+ (b
0
a
0
) = 1.236
Evaluar la funcin en l
0
y r
0
:
0
0
( ) 0.18
( ) 0.292
f l
f r
=
=

Como f(l
0
) < f(r
0
), se elimina el intervalo 1.236 2

Iteracin 1 a
1
= a
0
= 0 b
1
= 1.236
l
1
= b
1
(b
1
a
1
) = 0.472
r
1
= l
0
= 0.764
1
y r
1
:
1
1
( ) 0.249
( ) 0.18
f l
f r
=
=

Como f(l
1
) < f(r
1
), se elimina el intervalo 0.764 1.236

Iteracin 2 a
2
= 0 b
2
= r1 = 0.764
l
2
= b
2
(b
2
a
2
) = 0.292
0 0.382 1
a
0
l
0

0.618
r
0
b
0


r
2
= l
1
= 0.472
2
y r
2
:
2
2
( ) 0.207
( ) 0.249
f l
f r
=
=

Como f(l
2
) > f(r
2
), se elimina el intervalo 0 0.292

Iteracin 3 a
3
= l
2
= 0.292 b
3
= b
2
= 0.764
l
3
= r
2
= 0.472
r
3
= a
3
+ (b
3
a
3
) = 0.584
3
y r
3
:
3
3
( ) 0.249
( ) 0.243
f l
f r
=
=

Como f(l
3
) < f(r
3

Iteracin 4 a
4
= a
3
= 0.292 b
4
= r
3
= 0.584
l
4
= b
4
(b
4
a
4
) = 0.403
r
4
= l
3
= 0.472
4
y r
4
:
4
4
( ) 0.240
( ) 0.249
f l
f r
=
=

Como f(l
4
) > f(r
4

Despus de 4 iteraciones, podemos concluir que el ptimo est entre 0.403 y 0.584, el
mejor valor obtenido es x = r
4
= 0.472, f(r
4
) =-0.249; la solucin exacta del problema es x =
0.5, f(x) = 0.25.

Como expuesto anteriormente, este mtodo permite la solucin de problemas con funciones
no continuas, estas funciones son comunes en diseo de procesos pues la dimensin de
algunas unidades es discontinua y en consecuencia su costo tambin lo es.

Ejemplo 6: Funcin de costo discontinua
Para un sistema de bombeo el costo (C
i
) depende de un valor fijo (costo de capital: C
i
0
) y de
una funcin del caudal necesario (Q), luego para dos bombas de diferente potencia
tenemos:
1
1
2
2
0
1 1
0
2 2
*
*
C C C Q
C C C Q
o
o
= +
= +

Si la bomba 1 es menor y puede ser usada desde Q
min
hasta Q
*
, y la bomba 2 es mayor y
puede ser usada desde Q
min
hasta Q
max
>Q
*
.
Como el diseo implica la seleccin entre las bombas, la funcin de costo ser la mostrada
por la lnea roja en la siguiente figura:

Figura 8. Funcin de costo para un sistema de
bombeo con opcin de bombas de diferente
potencia.
C
1

Q
min
Q
*
Q
max

C
2


3.2.4 Programacin Dinmica [4]

El mtodo que se presenta a continuacin no se relaciona con la optimizacin de problemas
dinmicos, que son aquellos constituidos por ecuaciones diferenciales (Tabla 1). Este
mtodo permite optimizar sistemas grandes cuyo estudio sera demasiado complicado por
otros mtodos, para eso, se descompone el problema en subsistemas ms pequeos, y
fciles de analizar y optimizar. La optimizacin de cada subsistema se hace de forma
independiente y con el mtodo que se considere ms indicado, de acuerdo con sus
caractersticas. Consecuentemente, un problema multivariable se transforma en varios
problemas con menor nmero de variables o hasta monovariables. La principal restriccin
del mtodo se debe a que el anlisis de cada subsistema se hace de forma independiente,
luego no se aplica a sistemas con reciclo
6
en el flujo de informacin.

La programacin dinmica se basa en el principio de optimalidad de Bellman:
Dado un sistema acclico, ste se optimiza si cada componente o unidad se
optimiza a su vez para todo el conjunto de posibilidades de valores de las variables
que provienen de las etapas anteriores.

Lo anterior indica que debe analizarse el proceso en el sentido inverso de los flujos de
materia e informacin, consideremos un proceso con N etapas:

Figura 9. Diagrama de flujo de informacin para un proceso sin recirculacin

donde: X
i
: Caractersticas de las corrientes generadas en la etapa i (Temperatura, Presin,
composicin, etc.)
d
i
: Variables de diseo y operacin de la etapa i (Temperatura, Presin, tiempo de
residencia (t), dimensiones (L, |), nmero de etapas de equilibrio (N), Reflujo,
etc.)
f
i
: Criterio de anlisis de la etapa i, funcin objetivo considerando los trminos
afectados por el desempeo de la etapa i.
Tambin debemos definir el criterio acumulado:

=
=
N
i n
n i
f F
La optimizacin del proceso por programacin dinmica implica las siguientes etapas:

1- Anlisis de la ltima etapa (N), optimizando su criterio de anlisis (f
N
) para todos los
posibles valores de entrada (X
N-1
); con esto se genera una solucin ptima, que ser el
diseo y las condiciones de operacin para esta unidad, para cada entrada posible

6
De forma general, el diseo de toda unidad depende de las caractersticas de la corriente alimentada, y en
consecuencia de las condiciones de operacin de las unidades anteriores. Cuando existe recirculacin de
informacin, el diseo tambin depende de la operacin en las unidades posteriores.
X
f
1 X
1

f
1
(x
f
,, d
1
)
i X
i-1
X
i

f
i
(x
i-1
, d
i
)
X
N-2
X
N-1
X
N

N-1 N
f
N-1
(x
N-2
, d
N-1
)

f
N
(x
N-1
, d
N
)

d
N-1
d
N
d
i
d
1

(condiciones de las corrientes de alimentacin). Este anlisis implica la solucin del
subproblema:
1
min ( , )
{ }
N N N
N
f x d
d

Los grados de libertad estaran asociados con las variables X
N-1
y d
N
, pero como se debe
considerar todos los posibles valores de X
N-1
, estas dejan de ser variables para convertirse
en parmetros, y la dimensin (complejidad) del problema se reduce, el resultado de este
anlisis son los valores ptimos para las variables de diseo y operacin de la etapa N
(d
N
*
(X
N-1
)) y el valor ptimo de la funcin objetivo para esta etapa (f
N
*
(X
N-1
)) todos
dependientes de los valores para las variables de entrada a la etapa N, el resultado puede ser
una tabla con la solucin para cada valor posible de X
N-1
:
Tabla 3. Resultado del anlisis de la etapa N por programacin dinmica
Posibles valores para
X
N-1

Resultados de las optimizaciones
d
N
* f
N
* X
N
*
------- ------- ------- ------
------- ------- ------- ------
------- ------- ------- ------
------- ------- ------- ------
Pero tambin puede ser obtenido como funciones matemticas para los valores ptimos de
las variables, lo que evita resolver el problema mltiples veces.
2- Anlisis del subsistema de las dos ltimas etapas (N-1 + N), optimizando el criterio de
anlisis acumulado para todos los posibles valores de entrada (X
N-2
), el anlisis implica la
solucin del subproblema:
1 2 1 1
1
min ( , , , )
{ , }
N N N N N
N N
F x d x d
d d

=
1 2 1 1
1
min ( ( , ) ( , ) )
{ , }
N N N N N N
N N
f x d f x d
d d

+

Pero como la optimizacin para la etapa N ya fue resuelta, el problema se reduce a:
1 2 1 1
1
min ( ( , ) ( ) )
{ }
N N N N N
N
f x d f x
d
-

+

El resultado son los valores ptimos para las variables de diseo y operacin de la etapa N-
1 (d
N-1
*
(X
N-2
)) y el respectivo valor para la funcin objetivo. Como el modelo de la etapa
N-1 permite estimar los valores de las variables de salida para esta etapa en funcin de las
variables de entrada, diseo y operacin ( X
N-1
(X
N-2
, d
N-1
) ) el resultado del anlisis de esta
etapa ser:
Tabla 4. Resultado del anlisis de la etapa N-1 por programacin dinmica
Posibles valores
X
N-2

Resultados de las optimizaciones en N-1 Resultados de las optimizaciones en N
d
*
N-1
F
*
N-1
X
*
N-1
d
N
*
X
N
*
--- --- --- --- --- ---
--- --- --- --- --- ---
--- --- --- --- --- ---
3- Un anlisis semejante se debe realizar para cada subsistema, hasta llegar al inicio del
proceso.

Ejemplo 7 (conceptual): Proceso sin recirculacin de informacin (acclico).

Figura 10. Proceso sin recirculacin de
informacin.

Consideremos un proceso con una unidad de reaccin y una de separacin, donde el diseo
y operacin cada unidad puede depender del desempeo de la otra. Para definir la
recuperacin de los componentes en la unidad de separacin se debe considerar la
conversin, de tal forma, que se obtenga la pureza necesaria.

La relacin molar de los componentes a la salida del reactor es:
2 2
1
1
2
2
1 ) 1 (
B
n
n
A
n A
n A
B
A
=
=
La fraccin de B en el producto de fondo es:
G
A B
B
A B
B
A B
B
>
+

=
|
.
|
+
2 2
2
4
) 1 ( ) 1 (
) 1 (

Luego: G
n
n
A B
B
>
1
) 1 ( ) 1 (
) 1 (

donde n: conversin.
I
: recuperacin del componente I.
G: grado de pureza del producto (fraccin molar de B).

En la ecuacin anterior podemos observar que para obtener un producto con la pureza
establecida (G), la recuperacin que se defina para los componentes A y B dependen una de
la otra y de la conversin en el reactor (n).
Como un caso especfico, si podemos suponer
B
= 0, pues podemos disear la torre para
minimizar la prdida de producto, la ecuacin anterior se transforma en:
G
n
n
A
>
+
1
) 1 ( 1
1

Reactor
Separador
Condensador
Rehervidor
Alimento FA
Producto B
Reactivo A
A + B

Lo que define la dependencia entre
A
y n, para obtener el producto con la pureza
determinada.

Ejemplo 8 (conceptual): Proceso con recirculacin de informacin (cclico)

Considere el mismo proceso anterior pero con la posibilidad de recircular la corriente de
destilado de la torre de destilacin.

Figura 11. Proceso con recirculacin
de informacin.

En este caso el diseo de la torre depende del reactor (igual que en el ejemplo anterior) pero
el diseo del reactor tambin depende de la unidad de destilacin, lo que caracteriza la
recirculacin de informacin. Por lo anterior, este proceso no podra ser optimizado por
programacin dinmica.

Ejemplo 9 (de aplicacin): Optimizacin de un proceso por programacin dinmica
Considere un proceso con una unidad de reaccin, precedida de un precalentador para el
reactivo y una de separacin en la que se genera una corriente rica en producto y otra en
reactivo, el proceso no tiene recirculacin.

Figura 12. Diagrama de
proceso del ejemplo 9.
Informacin del proceso:
El precio del producto depende de la pureza, asi:
0.30 US$/mol de B 100% Pureza
0.28 US$/mol de A 90%
Reactor
Separador
Condensador
Rehervidor
Producto B
A + B
Reactivo A
Alimento FA
F
0
: A
25 C
F
1
: A
F
2
: A + B
F
4
: A + B
F
3
: B + A
A B

El rea de transferencia en el intercambiador de calor se puede calcular por:
4
1
( 25)
10
A T F =
2
[F] : mol/min
T: C
A: ft

En el reactor, la conversin () y el tiempo de residencia () se relacionan por:
1
ln(1 )
k
R
e
k
V
F PM
t
q
t q
=
=
=

3
3
: min
:
: /
: /
R
V m
g m
PM g mol
t

Entonces
ln(1 )
R
F
V
k
PM
q

=
Experimentalmente se tiene:
Tabla 5. Resultados experimentales para la reaccin
T K(T) = k/PM k (min
-1
)
25 40 2.4
50 60 3.6
100 100 6.0

En la torre, se pude aproximar
B
~ 100% para aumentar la cantidad de producto y los
ingresos por este concepto, luego la cantidad de B en el producto (destilado) es F
B,3
= F
2
,
donde F
2
= F
0
, el dimetro depende del flujo alimentado y puede calcular por: = 0.1*F
2

Y el nmero de platos por:
2
, ,
1
( - ) *ln
(1- )
B F B F
D
N X X
X
=
Los costos de las unidades por unidad de tiempo (min) son (US$/min)
. .
25 0.8 0.47
I C R R TD
C A C V C N | = = =

Identificacin del flujo de informacin: por los modelos antes formulados, para el anlisis
del intercambiador es necesario conocer el flujo procesado (F
0
) y al fijar la temperatura de
salida (T
1
) se puede determinar el rea necesaria, en el reactor es necesario conocer la
temperatura y el flujo de la corriente alimentada, mientras que en la torre se requiere la
composicin y el flujo de su alimento, el diagrama de flujo de informacin ser:

Figura 13. Flujo de
informacin para el
proceso del ejemplo 9.
F
0
25 C
F
1
, T
1
F
2
, X
B,F
F
4
F
3
, X
B,D
A B

Anlisis integrado del problema de optimizacin: consiste en la maximizacin de la
rentabilidad, considerando todas las ecuaciones que modelan el proceso.

max Rentabilidad = Ingresos por venta Costos
= Cantidad de producto x $ producto C
I.C.
C
R
C
TD

s.a. Cantidad de producto = F
0

$ producto = 0.1 + 0.2X
D

2
2 0
2
, ,
-
. .
4
0.47
0.1
1
( - ) *ln
(1- )
0.8
- ln(1- )
1-
25
1
( - 25)
10
TD
B F B F BF
D
R R
R
k
I C
C N
F
F F
N X X X
X
C V
F
V
K
e
C A
A T F
t
|
|
q
q
q
=
=
=
= =
=
=
=
=
=

,
0 1.0 0 1.0
0 1.0 0 1.0
0 1.0 0
B F
R
D
X
V
X N
q
q
< < < <
< < < <
< < < <

Variables independientes de optimizacin: X
D
, / , T
1
, F
0

Para simplificar el problema consideremos F
0
como un parmetro, si analizamos el modelo
del proceso, todos los trminos de la funcin de rentabilidad son directamente
proporcionales con F
0
, por lo tanto el valor de esta variable no afecta la solucin del
problema de optimizacin; consideremos F
0
= 100 mol/min

Solucin por programacin dinmica

1 Subsistema que debemos analizar: torre de destilacin
2
, ,
max 100 (0.1 0.2 ) 4.7
1
s.a ( - ) *ln
(1- )
TD D
B F B F
D
R X N
N X X
X
q = +
=

Identificacin de variables de optimizacin: X
B,F
es un parmetro pues es informacin de
la unidad anterior, entonces la nica variable de optimizacin es X
D
.

Para resolver el problema podemos transformarlo en una optimizacin sin restricciones y
buscar la solucin analtica

max R
TD
= 100(0.1+0.2X
D
) - 4.7(
2
)ln(1/(1-X
D
))

2
*
2
*
*
1
100 (0.2) 4.7( )
1
el valor de que hace 0 ser
1
0 20 4.7( )
1
0.765 0.235
TD
D D
TD
D D
D
D
D
R
X X
R
X X
X
X
X
q q q
q q q
q
c
=
c
c
=
c
=
= +

2 Subsistema: reactor + torre

max R
R+TD
= 100(0.1+0.2X
D
) -0.8V
R
- 4.7(
2
)ln(1/(1-X
D
))
s.a
100ln(1 )
R
V
K
q
=
Identificacin de variables de optimizacin: K es un parmetro pues depende de la
temperatura, que es informacin de la unidad anterior, X
D
tampoco es variable pues es de
la unidad analiza anteriormente, en este anlisis se debe emplear X
D
*, V
R
es funcin de ,
entonces no es independiente, la nica variable de optimizacin es o alternativamente .

El problema se puede transformar en uno de optimizacin sin restricciones y la funcin
objetivo es derivable, pero no se puede obtener una funcin para el ptimo,
*
= f(T
1
), una
alternativa para resolverlo es determinar numricamente el valor de que hace:
( ) 0
R TD
R
f q
q
+
c
= =
c

La solucin para todos los posibles valores de K (presentados en la tabla de resultados
experimentales) es:

Tabla 6. Resultados de la programacin dinmica
T (C) K
*
V
R
*
X
D
*
N
*
R
R+TD
*
A R
IC+R+TO
*

25 40 0.947 7.335 0.987 0.218 21.26 0 21.26
50 60 0.965 5.575 0.992 0.163 23.55 0.25 17.31
100 100 0.979 3.861 0.995 0.109 25.66 0.75 6.92

Finalmente, tenemos que resolver el problema incluyendo el intercambiador de calor, no se
puede resolver analticamente, pues solo hay valores puntuales de T, hacemos la estimacin
para las tres posibilidades.

4. OPTIMIZACIN DE PROBLEMAS COMPLEJOS

Como problemas complejos consideraremos los problemas no-lineales multivariable con
recirculacin de informacin, los problemas con variables discretas (MILP y MINLP) y los
problemas con ecuaciones diferenciales (DO y MIDO). La solucin de estos problemas
implica el uso de tcnicas avanzadas de programacin matemtica, puesto que involucran
ecuaciones (restricciones y funcin objetivo) no-lineales y diferenciales, y adicionalmente,

pueden incluir variables discretas
7
. Algunas alternativas que pueden considerarse son:
1- Simular el proceso mediante alguno de los programas disponibles y emplear los solvers
de optimizacin que ellos poseen.
2- Formular y resolver el problema de optimizacin dentro de un lenguaje especfico de
programacin (GAMS, C+, Fortran, Matlab), esta es la opcin menos indicada dentro de
nuestro curso, pues se requiere una experiencia mnima para programar en el lenguaje
escogido.
3- Simular el modelo en una hoja de clculo y determinar los valores ptimos para las
variables mediante un anlisis de sensibilidad.

Sin importar la alternativa que se escoja, el primer paso es identificar la funcin objetivo,
las variables de optimizacin y el efecto de las mismas sobre el proceso, esto requiere un
anlisis previo a la optimizacin y que puede servir de soporte para la formulacin del
problema, ya que la identificacin de las variables independientes y de sus efectos (con
base en el conocimiento y anlisis de las operaciones del proceso) permite:
- Hacer correcciones en la seleccin y formulacin de la funcin objetivo.
- Identificar caractersticas del modelo del proceso (que genera restricciones del problema
de optimizacin).
- Generar lmites para las variables de optimizacin y para variables dependientes.

4.1 Anlisis preliminar para la optimizacin del proceso

Como mencionado anteriormente, el objetivo de este anlisis es generar informacin til
para el desarrollo de la optimizacin, algunas ideas generales para la formulacin del
problema de optimizacin y para el anlisis preliminar son:
Como variables de optimizacin se sugiere emplear un subgrupo de las variables de
operacin (x), ya que es ms fcil identificar el efecto de estas variables sobre las de diseo
(d). Las variables de optimizacin estn vinculadas a los grados de libertad del problema
8
y
deben ser independientes entre si. Por ejemplo, no se debe considerar como variables de
optimizacin la fraccin de dos componentes en una de las fases generadas por una unidad
de flash, ya que ellas no son independientes entre s y estn relacionadas a travs de las
ecuaciones de equilibrio.
El xito de una optimizacin depende en buena medida del punto inicial de anlisis (valores
iniciales para todas las variables del problema) por esto, sin importar la metodologa, se
sugiere tomar como punto inicial las condiciones de operacin y el diseo actual
(determinados en las etapas anteriores del proyecto) ya que estos valores generan una
solucin viable para el problema. Una solucin viable para nuestro problema esta
caracterizada por un diseo y unas condiciones de operacin que permiten generar el
producto con las caractersticas y en las cantidades deseadas, pero muy seguramente esta
solucin no es la ms rentable.
Ejemplo 10: Anlisis preliminar para la optimizacin
Revise el anlisis para la formulacin del problema de optimizacin de ajuste de un modelo
cintico para la oxidacin de ciclohexano (Jimnez y Rojas, 2009).

7
Variables que no toman valores continuos, por ejemplo el nmero de unidades que deben definirse para una
operacin, la potencia de un motor (ya que tiene valores predeterminados: , , 1 HP) , etc.
8
Un problema de optimizacin tiene grados de libertad positivos, lo que permite la existencia de varias
soluciones para el problema, la optimizacin es exactamente la definicin de la mejor solucin.

4.2 Optimizacin por anlisis de sensibilidad

La optimizacin del diseo por anlisis de sensibilidad es un trabajo bastante dispendioso
pero, dentro del curso de ingeniera de procesos, es la nica alternativa si el proceso que se
esta considerando presenta recirculacin de informacin y no puede ser simulado con las
herramientas disponibles.
Para este anlisis, adems de determinar las variables de optimizacin se debe identificar
las de incidencia que corresponden a las variables de cada unidad que tienen un efecto
sobre la operacin y el diseo de otras unidades. Recordemos el proceso presentado en el
ejemplo 9, conformado por un intercambiador para calentar el alimento, un reactor donde la
conversin depende de la temperatura y del tiempo de residencia, y una torre de destilacin
donde el nmero de etapas necesarias depende de la composicin del alimento
(determinada por la conversin en el reactor) y de la pureza deseada para el producto.
Para este problema, las variables de incidencia son la temperatura de salida del
intercambiador y la conversin, y se consider como variables de optimizacin la misma
temperatura, el tiempo de residencia en el reactor y la pureza del producto. Lo que nos
permite observar que una variable de incidencia puede o no ser variable de optimizacin.
Despus de identificar las variables se procede al anlisis, que requiere evaluar el efecto de
cada variable sobre la funcin objetivo, lo que implica en el desarrollo de mltiples
simulaciones donde entre una y otra se cambia nicamente el valor de una de las variables
de optimizacin, para determinar su valor ptimo. A continuacin se presentan los pasos
sugeridos para la optimizacin por anlisis de sensibilidad:

1- Determinar el modelo para todo el proceso, la funcin objetivo y las variables de
optimizacin e incidencia.
2- Definir el punto inicial para la optimizacin: determinar valores para las variables de
optimizacin (x) que generan una solucin coherente para el problema y calcular el
valor para la funcin objetivo (|).
3- Determinar la sensibilidad para cada variable (c|/cx
i
): se hace una pequea
modificacin
9
en una nica variable, manteniendo las restantes en su valor inicial, y se
calcula la variacin en la funcin objetivo. La sensibilidad se aproxima por: A|/Ax
i
.
4- Normalizar las sensibilidades, para esta normalizacin se debe considerar el rango de
variacin de cada variable en proceso. Para temperatura, una variacin significativa es 1
grado o ms por lo que el factor de normalizacin ser 1; para conversiones o
recuperaciones, variaciones significativas son del orden de 0.01 por lo que el factor de
normalizacin puede ser 10
-2
; para la relacin de reflujo en una torre de destilacin,
variaciones significativas son del orden de 0.1 y el factor de normalizacin puede ser
10
-1
.
5- Seleccionar una variable de optimizacin, se aconseja iniciar con las variables que
tienen mayor efecto sobre la funcin objetivo (mayor valor absoluto para la sensibilidad
normalizada).
6- Buscar el valor ptimo para la variable en cuestin, esto requiere mltiples
simulaciones cambiando nicamente el valor de esta variable.

9
La variacin debe ser pequea, para que el A|/Ax
i
que es lo que podemos calcular sea una buena
aproximacin de c|/cx
i
.

7- Seleccionar una nueva variable y volver al paso 6, slo cuando todas las variables
hayan sido analizadas se debe continuar con el paso 8. Los valores obtenidos para las
variables constituyen una nueva solucin, que es candidata a solucin ptima.
8- Verificar la optimalidad de la solucin encontrada, para esto se deben calcular las
sensibilidades (A|/Ax
i
) alrededor de la nueva solucin. La solucin es considerada
ptima si todas las sensibilidades son prximas a cero.
9- Si del paso anterior se concluye que la solucin encontrada an no es ptima, debemos
reiniciar el anlisis (volver al paso 5), partiendo de la solucin encontrada y analizando
nicamente las variables en las que se observ que la funcin objetivo puede ser
mejorada (sensibilidad diferente de cero).

La solucin del problema de optimizacin por anlisis de sensibilidad usa principios
semejantes a los de los solvers de optimizacin: Estima aproximaciones de las derivadas
para definir la direccin de bsqueda y el tamao del paso. Pero a diferencia de las solvers,
la bsqueda se hace en una variable de cada vez y no simultneamente, y el tamao del
paso se define no slo por el valor estimado para la derivada, como tambin por el
conocimiento del proceso y analizando la evolucin de la funcin objetivo entre una
iteracin y la siguiente.

Ejemplo 10: Solucin de un NLP complejo por anlisis de sensibilidad

Vea el ejemplo de la seccin 10.3 del Douglas [1].

4.3 Anlisis de problemas con variables discretas

La solucin de este tipo de problemas requiere metodologas y herramientas especficas y
bastante complejas; en esta seccin nos limitaremos a analizar las estrategias de solucin
con base en la representacin en rbol. Para profundizar en los mtodos de solucin s MILP
y MINLP se recomienda el texto de Edgar y colaboradores[3].
Los algoritmos para problemas con variables enteras buscan identificar la solucin ptima
sin explorar todas las posibles alternativas ya que el nmero de alternativas depende
exponencialmente del nmero de variables enteras; si cada decisin discreta considera dos
alternativas posibles, el nmero de configuraciones es:
2
n
n: nmero de decisiones (variables binarias)
La representacin en rbol de los problemas con variables discretas no ayuda a entender las
estrategias empleadas por los solvers para resolver el problema sin explorar todas las
alternativas, donde cada alternativa se representa por una rama del rbol.

4.3.1 Representacin de los problemas con variables discretas

Ejemplo 11 (tomado de Biegler y colaboradores[5]):
Consideremos la optimizacin del diseo un proceso para produccin de amoniaco, donde
se debe seleccionar entre varias alternativas para cada operacin

Figura 12. Diagrama de bloques para un proceso de produccin de amoniaco

Para cada una de las etapas del proceso tenemos dos posibilidades:
Para la reaccin
* Reactor tubular
* Reactor multilecho
Separacin de producto
2 etapas de condensacin parcial
Absorcin + destilacin
Recuperacin de Hidrgeno
Recuperacin con membranas
No recuperar

Las operaciones de compresin y purga son obligatorias, pero si no se recupera el
hidrgeno, no es necesario recomprimir la corriente recirculada, ya que la cada de presin
sin la separacin por membranas se considera despreciable. La representacin en rbol de
este problema se observa en la siguiente figura.

Figura 13. Representacin en rbol de las decisiones en el proceso de produccin de amoniaco.

Compresor Reactor
Separacin
de producto
Recuperacin
de H
2
N
2
H
2
Purga
Reactor tubular
Rx. multilecho
Dos condensadores
parciales
Absorcin +
Destilacin
Absorcin +
Destilacin
Membrana de separacin
No recuperar
No recuperar
No recuperar
No recuperar
Dos condensadores
parciales

En la representacin en rbol, el camino desde el nodo raz hasta un nodo terminal, define
una configuracin completa. No hay ciclos en la representacin, pero se pueden repetir los
nodos (puntos de decisin).
Una forma de resolver el problema rigurosa pero no sistemticamente es analizar
(optimizar) cada una de las configuraciones y seleccionar el mejor entre los ptimos de
cada configuracin. En este caso tendramos 8 anlisis, lo que implica optimizar las ocho
configuraciones propuestas para el proceso.

Ejemplo 12: Representacin en rbol de un problema de optimizacin
Genere la representacin en rbol para el problema de una separacin multicomponente (A,
B, C, D) donde queremos obtener los 4 componentes puros. Considere slo el orden de
separacin (no considere la tcnica de separacin)

Figura 14. Representacin en rbol de las
decisiones en el secuenciamiento de un
tren de destilacin.

4.3.2 Estrategias para la solucin de los problemas en rbol
La numeracin exhaustiva (solucin de todas las configuraciones) slo es prctica para
problemas de pequea dimensin. La numeracin implcita requiere evaluar un subconjunto
de nodos, por lo que es ms apropiada para problemas mayores. Estos mtodos se conocen
como de branch and bound (B&B), pues durante las iteraciones se abren las ramas del rbol
de decisin y se generan lmites para la solucin ptima; la ramificacin del rbol permite
la evolucin en la convergencia de los lmites hacia la solucin ptima y la eliminacin de
ramas del rbol. Para presentar los mtodos B&B se deben considerar las siguientes
definiciones: nodo inicial o raz, nodo intermedio y nodo final o terminal.
- Costo individual: costo de cada operacin (nodo) dependiendo de las decisiones anteriores
- Costo parcial: costo del proceso (camino) desde el nodo raz hasta un nodo intermedio.
- Costo total: costo del proceso (camino) desde el nodo raz hasta un nodo final.
Si el problema se formula como la minimizacin del costo del proceso y cada decisin
adiciona un costo positivo, se garantiza que el costo total de una configuracin completa
sea siempre mayor que cualquiera de los costos parciales de los nodos intermedios que
anteceden el nodo final en cuestin. Esta caracterstica es la que permite eliminar algunas
ramas del rbol de decisin sin tener que explorar completamente las alternativas que lo
conforman.
A
B
C
D
A
B
C
D
A
B
C
D
A
B
C
D
B
C
D
B
C
D
A
B
A
B
C
A
B
C

C
D
B
C
C
D
B
C
A
B

Ejemplo 13: Solucin de un problema en rbol por numeracin implcita
Ver notas de clase: definicin de la secuencia ptima de destilacin para una mezcla de
hidrocarburos usando el concepto de Flujo Marginal de Vapor

4.3.3 Formulacin matemtica de restricciones con variables enteras
Como se ha mencionado anteriormente, la formulacin de un buen modelo es fundamental
para la solucin del problema de optimizacin; esta idea tambin aplica para los elementos
discretos de un problema mixto entero.
Para presentar algunas ideas tiles en la formulacin de las decisiones discretas como
variables binarias, consideremos un problema de optimizacin donde existe una variable
discreta z, que pude tomar mltiples valores; por ejemplo: el dimetro nominal de una
tubera (que puede tomar los valores de , , 1, 1) o el nmero de equipos necesarios
para desarrollar una tarea (1, 2, 3, 4). La primera opcin para definir las variables binarias
del problema es:
- Definir un conjunto de parmetros, o mejor un vector, con los posibles valores que toma la
variable ( p = [, , 1, 1] para el caso de la tubera)
- Definir un conjunto de variables y
i
con i = 1, 2, N, siendo N el nmero de valores posibles
que la variable discreta puede tomar.
La idea bsica para formular las restricciones es que cuando se desea analizar el k-simo
valor de la variable discreta (z), la respectiva variable binaria (y
k
) debe tomar el valor de 1;
de esta forma, en las restricciones las variable discreta y las binarias se relacionan por:
1
p
N
i i
i
y z
=
=

Como z slo puede tomar un valor, se debe adicionar una restriccin que garantice que slo
una de las variables binarias sea igual a 1:
1
1
N
i
i
y
=
=

Otras estrategias para formular la decisin entre los valores posibles para una variable
discreta empleando variables binarias pueden ser encontradas en la literatura (Floudas,
1995, pg. 111). Cuando la decisin discreta no define el nmero de unidades o una
dimensin, sino una caracterstica de la sntesis del procesos o sistema; por ejemplo: la
definicin del tipo de reactor o de la tcnica de separacin, durante el diseo de un proceso;
las restricciones que se derivan del modelo del proceso dependen de esta decisin, lo que se
debe considerar en la formulacin del problema de optimizacin. Para un problema de
diseo con dos alternativas, como el que se muestra en el esquema de la Figura 15, La
restriccin generada del modelo de la etapa del proceso, considerando la decisin
10
, puede
formularse como:
1 1 2 2
( ) ( ) ( ) 0 h y h y h = + = x x x

10
Estos problemas hacen parte del grupo que no puede ser resuelto mediante la transformacin (relajacin) de
la variable discreta en variable continua, pues los valores continuos de y
1
y y
2
no tiene ningn sentido fsico.

Figura 15 Esquema de un problema de
diseo ptimo con alternativas en una de
las operaciones.

La formulacin anterior, de la restriccin h(x), es completamente coherente con el
problema, pero tiene la desventaja de adicionar no-linealidades al problema, debido al
producto entre variables binarias (y
i
) y funciones de las variables continuas (h
i
(x)); existen
varias estrategias para contornar esta dificultad, como las formulaciones big-M y convex
hull. Para la disyuncin entre mltiples restricciones de desigualdad (g
j
(x) s 0), la
formulacin big-M seria:
( ) M(1 )
j j
g y j s x
donde M es un parmetro suficientemente grande para que g
j
(x) s M j,x; de esta forma, si
y
j
= 0 la restriccin respectiva se cumple, sin importar los valores de las variables continuas
(x) por lo que no afecta la solucin del problema de optimizacin, pero si y
j
= 1 la
restriccin original, g
j
(x) s 0, deber ser cumplida.

4.4. Optimizacin de problemas modelados con ecuaciones diferenciales

Dentro de las aplicaciones de optimizacin para la ingeniera qumica, un grupo de
problemas de gran inters y no menor complejidad es el que considera sistemas de
ecuaciones diferenciales. Estos problemas se generan tanto en sistemas que no trabajan en
estado estacionario, como son los procesos por lote y lote alimentado, como en sistemas
continuos que operan en estado estacionario. En el primer caso, las ecuaciones diferenciales
que modelan el proceso definen la evolucin del sistema (temperatura, presin,
composicin) en el tiempo, mientras que en el segundo, definen el cambio de las
propiedades respecto a la posicin; adicionalmente, el arranque de procesos que operan en
continuo (y por consiguiente en estado estacionario) tambin es un problema dinmico.
Por sus caractersticas, la optimizacin de problemas dinmicos requiere metodologas
especficas que permitan resolver los dos problemas involucrados (la integracin del
sistema de ecuaciones diferenciales y la optimizacin de las condiciones operacionales).
Segn la forma en que asocian estos dos problemas, los mtodos pueden clasificarse en
estrategias secuenciales y simultaneas. Las estrategias secuenciales resuelven la integracin
y la optimizacin de forma aislada, mientras que las simultneas lo hacen acopladamente.
Para resolver simultneamente la optimizacin e integracin, se genera una aproximacin
del sistema de ecuaciones diferenciales mediante un sistema de ecuaciones algebraicas, lo
que transforma el problema de optimizacin dinmica en un problema de optimizacin no-
lineal (NLP), recientemente, se han desarrollado mltiples estudios sobre estas
Alternativa 1
h
1
(x) = 0
Alternativa 2
h
2
(x) = 0
y
1
= 1
y
2
= 1

Integrador
Optimizador
INICIO
Informacin para
estimar la funcin
objetivo
Correccin de los valores de
las variables de optimizacin
FIN
metodologas (Seferlis y Hrymak, 1994; Li, Hoo y Wozny, 1998; Riascos y Pinto, 2002 y
2004)
Por su parte, el desarrollo, uso y estudio de las estrategias secuenciales es ms tradicional
(Referencias). En grandes rasgos, la secuencia de anlisis de estas estrategias se puede
resumir en los siguientes pasos:
1- Generar un punto inicial para la optimizacin: valores para cada una de las variables de
optimizacin.
2- Integrar el sistema de ecuaciones diferenciales para obtener el valor de las variables no
independientes del problema, incluyendo la funcin objetivo.
3- Proponer modificaciones en los valores de las variables de optimizacin, con base en la
informacin de sensibilidad
11
.
Repetir los pasos 2 y 3 hasta lograr la convergencia (ver Figura 16).

Figura 16. Diagrama de flujo para la solucin
de problemas DO mediante una estrategia
secuencial.
Ejemplo 14: Solucin de un problema de optimizacin dinmica
Formulacin del problema
Para ilustrar la solucin de problemas de optimizacin por estrategias secuenciales se
tomara como caso de estudio el proceso de biosntesis de penicilina a partir de glucosa,
empleando el modelo presentado en Cuthrell y Biegler (1989) y estudiado anteriormente
por Lim et al. (1986). El proceso se desarrolla en lote alimentado, en un reactor con
volumen (V) medido en litros, donde interactan la biomasa (X), el producto (P) y el
sustrato limitante (S), cuyas concentraciones estn en g/l. La variable de control es la rata
de alimentacin de substrato (U) en g/h; la cual es proporcional al flujo de alimentacin que
contiene el sustrato en concentracin (S
F
) constante.
Este proceso fue modelado inicialmente por Bajpai y Reub (1981), quienes observaron
limitacin e inhibicin por sustrato, consumo de sustrato para mantenimiento celular y
degradacin del producto por hidrlisis. Los autores modelaron las velocidades
especficas
12
de crecimiento (), produccin () y consumo () as:

11
La sensibilidad cuantifica el efecto de las variables de optimizacin sobre la funcin objetivo.
12
El crecimiento, la produccin y el consumo de sustrato dependen de la concentracin de biomasa (X), pues
son procesos autocatalticos. Por eso, en el modelamiento se emplean velocidades especficas
dt
dX
X
1
= ,
dt
dP
X
1
= y
dt
dS
X
1
= donde dX/dt, dP/dt e dS/dt son las variaciones de las concentraciones debidas al
metabolismo celular.

|
|
.
|
\
|
+
=
S X K
S

X
max

|
|
.
|
\
|
+ +
=
) K / S S(1 K
S

in P
max

s
p/s x/s
m
Y
+ + =
Donde
max
e
max
son las velocidades especficas mximas de crecimiento y produccin
(velocidades especficas en condiciones ptimas); K
x
e K
p
son las constantes de saturacin
para el crecimiento y la produccin, que permiten estimar la desaceleracin en estos
procesos debido a la disminucin del sustrato; K
in
es la constante de inhibicin en la
produccin por exceso de sustrato; Y
x/s
e Y
p/s
son los factores de conversin de substrato en
biomasa y de sustrato en producto (gramos de substrato empleados para producir un gramo
de biomasa y un gramo de producto, respectivamente) y m
s
es el consumo para
mantenimiento celular.
Cuthrell y Biegler (1989) implementaron dos modificaciones en el modelo de Lim et al.
(1986): la primera por inconsistencias en el trmino de mantenimiento (ecuacin 3) que
modificaron de m
s
a
S
m
K
S
s
m
+
, y la segunda debida a un nuevo ajuste del parmetro
max

que pas de 0,004 a 0,0055 (ecuacin 2). El problema de optimizacin considerado en
Cuthrell y Biegler (1989) y Lim et al. (1986) fue la maximizacin de la cantidad de
producto al final del proceso (tiempo t
f
) con restricciones para los valores mximos de cada
una de las variables. Este problema es definido por:

Min = -P(t
f
) V(t
f
)
U( t ) , t
f

s.a
U
V S
X
X ) S X, ( ) t ( X
F
|
|
.
|
\
|
=
X(0) = 1,5 g/l

U
V S
P
P K X ) S ( ) t ( P
F
deg
|
|
.
|
\
|
=
P(0) = 0,0 g/l

V
U
S
S
- 1 X
S K
S m
Y
X
) S (
Y
X
) S X, ( ) t ( S
F m
s
p/s x/s
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
+
+
=
S(0) = 0,0 g/l

F
S / U ) t ( V =
V(0) = 7,0 l
|
|
.
|
\
|
+
=
S X K
S
) S X, (
X
max

|
|
.
|
\
|
+ +
=
) K / S S(1 K
S
) S (
in P
max

0 X(t) X
U
0 S(t) S
U

0 V(t) V
U
0 U(t) U
U


t
f
L
t
f
t
f
U

Tabla 7. Parmetros del modelo para biosntesis de penicilina.
Parmetro Significado Valor
X
U
Concentracin mxima de biomasa (g/l) 40
S
U
Concentracin mxima de sustrato (g/l) 100
V
U
Volumen mximo (l) 10
U
U
Rata mxima de alimentacin (g S/h) 50
t
f
L
Tiempo final mnimo (h) 72
t
f
U
Tiempo final mximo (h) 200
max
Velocidad especfica mxima de crecimiento (h
-1
) 0,11
max
Velocidad especfica mxima de produccin (g P/g X h) 0,0055
K
x
Constante de saturacin para el crecimiento celular (g S/g X) 0,006
K
p
Constante de saturacin para la produccin (g S/l) 0,0001
K
in
Constante de inhibicin en la produccin por el sustrato (g S/l) 0,1
K
deg
Constante de degradacin del producto por hidrlisis (h
-1
) 0,01
K
m
Constante de limitacin por substrato en el mantenimiento celular (g
S/l)
0,0001
m
s
Coeficiente de consumo de sustrato para mantenimiento (g S/g X h) 0,029
Y
x/s
Factor de conversin de sustrato en biomasa (g X/g S) 0,47
Y
p/s
Factor de conversin de sustrato en producto (g P/g S) 1,2
S
F
Concentracin de substrato en el flujo alimentado (g S/l) 500
Lim et al. (1986) presentan la solucin analtica del problema, la cual considera un periodo
con flujo mximo hasta t=11.21 h, seguido por un periodo sin alimentacin hasta t=28.79 h,
y finalmente un periodo con flujo aproximadamente constante hasta t=124.9 h (en este
momento se alcanza el volumen mximo del fermentador). Con esta operacin se produce
86.9 g de penicilina. Los perfiles de estado y control aparecen en las figuras 16 y 17.
0
20
40
60
80
100
120
0 20 40 60 80 100 120 140
tempo (h)
T
a
x
a

d
e

a
l
i
m
e
n
t
a
o

(
m
l
/
h
)

Figura 16. Perfil de control en la solucin analtica de Lim et al. (1986).

0
100
200
300
400
500
600
0 20 40 60 80 100 120 140
tempo (h)
s
u
b
s
t
r
a
t
o

e

b
i
o
m
a
s
s
a

(
g
)
0
20
40
60
80
100
120
p
r
o
d
u
t
o

(
g
)
biomassa
substrato
produto

Figura 17. Perfiles de estado en la solucin analtica de Lim et al. (1986).
Observando los perfiles de estado en la figura 17 se puede concluir que la operacin
sugerida divide el proceso en dos grandes etapas, la primera de crecimiento celular (hasta
t=28.79 h), y la segunda de produccin. Debido a que la produccin es inhibida por el
sustrato, para iniciar la etapa de produccin se requiere concentracin de sustrato baja, que
se logra quitando la alimentacin al final de la etapa de crecimiento. La alimentacin
relativamente baja en la etapa de produccin mantiene la concentracin de sustrato
suficiente baja para favorecer la produccin.
Es importante observar que, en procesos con limitacin por el sustrato donde el crecimiento
celular puede ser modelado por la ecuacin de Contoins, este se hace independiente de la
concentracin de sustrato cuando S>>K
x
X y, consecuentemente, la velocidad especfica de
crecimiento es muy cercana a la mxima (
max
). Debido a eso, para el modelo
considerado, cuando S0,6 X la velocidad especfica de crecimiento es 0,99
max
. Esta
observacin permite proponer que cualquier perfil de alimentacin que genere crecimiento
de biomasa cercano al mximo en el inicio del proceso (hasta aproximadamente t =29 h) y
que despus mantenga una concentracin de sustrato que favorezca la produccin debe
generar perfiles de estado muy prximos a los anteriores, y consecuentemente, un valor
satisfactorio para la funcin objetivo.

Solucin del problema por una estrategia secuencial
La implementacin de esta estrategia fue desarrollada en la plataforma de programacin
Matlab

5.2 (Grace, 1995), empleando las funciones constr para la optimizacin por SQP e
ode23 para la integracin numrica por Runge-Kutta, para ms informacin y la solucin
por una estrategia simultnea consulte Riascos y Pinto (2004).
En las figuras 3 a 5 se presentan los perfiles de las variables de estado y control obtenidos
considerando 3, 5 y 20 divisiones para el tiempo de procesamiento, en la tabla 2 se
observan algunas estadsticas y los resultados finales de estas y otras corridas.

0 50 100 150
0
10
20
30
40
B
i
o
m
a
s
s
a

(
g
/
l
)
Tempo (h)
0 50 100 150
0
5
10
P
r
o
d
u
t
o

(
g
/
l
)
Tempo (h)
0 50 100 150
0
10
20
30
S
u
b
s
t
r
a
t
o

(
g
/
l
)
Tempo (h)
1 2 3
0
10
20
30
40
50
t
a
x
a

d
e

a
l
i
m
.

(
g
/
h
)
intervalo

Figura 18. Perfiles de estado y control de la optimizacin con 3 intervalos.

0 50 100 150
0
10
20
30
40
B
i
o
m
a
s
s
a

(
g
/
l
)
Tempo (h)
0 50 100 150
0
5
10
P
r
o
d
u
t
o

(
g
/
l
)
Tempo (h)
0 50 100 150
0
10
20
30
40
S
u
b
s
t
r
a
t
o

(
g
/
l
)
Tempo (h)
1 2 3 4 5
0
10
20
30
40
50
t
a
x
a

d
e

a
l
i
m
.

(
g
/
h
)
intervalo

Figura 19 Perfiles de estado y controle de la optimizacin con 5 intervalos.

0 50 100 150
0
10
20
30
40
B
i
o
m
a
s
s
a

(
g
/
l
)
Tempo (h)
0 50 100 150
0
5
10
P
r
o
d
u
t
o

(
g
/
l
)
Tempo (h)
0 50 100 150
0
10
20
30
S
u
b
s
t
r
a
t
o

(
g
/
l
)
Tempo (h)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
0
10
20
30
40
50
t
a
x
a

d
e

a
l
i
m
.

(
g
/
h
)
intervalo

Figura 20 Perfiles de estado y controle de la optimizacin con 20 intervalos.

Tabla 8. Estadsticas y resultados para optimizacin secuencial.
Corrida
No.
Intervalos
Estatsticas Resultados
N. iteraes t. clculo (m:s) (g Penicil.) t
f
(h)
OS-1 3 37 0:29 87,02 124
OS-2 5 62 2:00 87,69 124
OS-3 10 177 5:00 86,99 124
OS-4 15 417 13:00 87,27 124
OS-5 20 736 29:10 87,45 124

En las figuras 18 a 20, se puede observar que los perfiles de las variables de estado so
muy semejantes entre una corrida y otra. El cambio ms significativo se presenta en la
concentracin de sustrato, donde la altura del pico varia entre 20 e 32 g/l, pero sin tendencia
clara. Los perfiles de controle (tasa de alimentacin) tambin cambian de una corrida a
otra, pero en todos los casos se sugiere una tasa elevada en el inicio el proceso (al rededor
de 20 g/h), la cual se reduce para permanecer prcticamente constante en aproximadamente
10 g/h. La solucin analtica (Lim et al., 1986) sugiere para el final del proceso una tasa de
alimentacin cercana a 20 ml/h (ver figura 17).
En la tabla de las estadsticas y resultados, evidente que os valores obtenidos para la
funcin objetivo son prximos entre si e al de la solucin analtica (87,05 g de penicilina).
Tambin se observa que el nmero de iteraciones aumenta exponencialmente con el
nmero de intervalos, as como el tiempo de clculo, o cual es indicador de la carga

computacional. Cuando se emplean metodologas secuenciales, el aumento explosivo de
la carga computacional restringe el nmero de intervalos que se emplea en la discretizacin,
y debe ser especialmente crtico en problemas ms complejos.

5. INFORME DE LA OPTIMIZACIN DEL DISEO

El informe de la optimizacin del diseo debe contener:
1- Definicin del problema de optimizacin.
- Seleccin de la funcin objetivo.
- Identificacin de los modelos de operacin, diseo y costo.
- Seleccin de las variables de optimizacin e incidencia.
- Anlisis del flujo de informacin en el proceso.
2- Caracterizacin del punto inicial para la optimizacin.
- Valores para las variables de operacin y diseo.
- Valor para la funcin objetivo.
3- Resultado final de la optimizacin (los mismos elementos del numeral 2).
4- Anlisis de los resultados.
- Identificacin el efecto de cada variable sobre el diseo y desempeo del
proceso.
- Conclusiones.

Observacin: todas las consideraciones, criterios de seleccin, valores asumidos, etc. deben
ser presentados y justificados.

BIBLIOGRAFA

[1] Douglas, J. M. Conceptual design of chemical processes.
[2] Treybal, R.E. Operaciones de transferencia de masa
[3] Edgar, Thomas F., Himmelblaum, David M. y Lasdon, Leon S. Optimization of
Chemical Processes.
[4] Jimnez G., Arturo. Diseo de procesos en Ingeniera Qumica.
[5] Biegler, Grossmann, Westerberg
[6] Groep, M. E., Gregory, M. E., Kershenbaum, L. S., Bogle, I. D. L. Performance
modeling and simulation of biochemical process sequences with interacting unit
operations. Biotechnology and Bioengineering 67 (3), p. 300-311.
[7] Cuthrell, J. E. y Biegler L. T. (1987) On the optimization of differential-algebraic
process sytems. AIChE Journal 33 (8), 1257-1270.
[8] Lim, H. C.; Tayeb, Y. J.; Modak, J. M. y Bonte, P. (1986) Computational algorithms
for optimal feed rates for a class of fed-batch fermentation: numerical results for
penicillin and cell mass production. Biotechnology and Bioengineering 28 (9), 1408-
1420.
[9] Bajpai, R. K. y Reub, M. (1981) Evaluation of feeding strategies in carbon-regulated
secondary metabolite production through mathematical modelling. Biotechnology
and Bioengineering 23 (4), 717-738.
[10] Li, P.; Hoo, H. P. y Wozny, G. (1998) Efficient simulation of batch distillation
processes by using orthogonal collocation. Chemical Engineering & Technology, 21
(11), 853-862.

[11] Modak, J. M.; Lim, H. C. y Tayeb, Y. J. (1986) General characteristics of optimal
feed rate profiles for various fed-batch fermentation processes. Biotechnology and
Bioengineering 28 (9), 1396-1407.
[12] Grace, A. (1995). Optimization toolbox: for use with matlab, users guide. Math
Works, Natick (MA).
[13] Riascos, C. A. M. y Pinto, J. M. (2002). Simultaneous optimization of dynamic
bioprocesses. Brazilian Journal of Chemical Engineering, 19, p.449-456
[14] Riascos, C. A. M. y Pinto, J. M. (2004). Optimal control of bioreactors: a
simultaneous approach for complex systems. Chemical Engineering Journal, 99,
p.23-34.
[15] Seferlis, P. y Hrymak, A. N. (1994). Optimization of distillation units using
collocation models. AIChE Journal 40 (5), 813-825.
[16] Jimnez, Y. P. y Riascos, C. A. M. (2009). Diseo optimo del proceso de oxidacin
de ciclohexano. Memorias del XXV Congreso Colombiano de Ingeniera Qumica.
[17] Floudas, C. (1995). Nonlinear and Mixed Interger optimization

Optimizacion en Ingenieria de Procesos 07 2012

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Optimizacion en Ingenieria de Procesos 07 2012

Diunggah oleh

Hak Cipta:

Format Tersedia

Optimizacin en Ingeniera de Procesos Ing. Carlos A. M.

X(0) = 1,5 g/l

P(0) = 0,0 g/l

S(0) = 0,0 g/l

Anda mungkin juga menyukai