Diseo e Intensificacin de procesos de separacin empleando optimizacin multiobjetivo

Protocolo de investigacin

y procesos relacionados. A menudo, la optimizacin de un proceso es un reto porque los

problemas de aplicacin resultan ser complejos, no lineales, con varias variables y con
diferentes tipos de espacios de bsqueda (continuos y discretos). Adems, las relaciones
matemticas entre el objetivo a ser optimizado, las restricciones y variables de decisin
establecen la dificultad y la complejidad del problema de optimizacin. En general, los
problemas de optimizacin en ingeniera qumica, y de otras disciplinas, implican ms de
una funcin objetivo que usualmente est relacionada con el rendimiento, la economa, la
seguridad y la fiabilidad del proceso. Dada su naturaleza, estos objetivos tienen que ser
optimizados simultneamente. No obstante, estas funciones objetivo pueden entrar en
conflicto, tal es el caso de la inversin de capital frente a los costos de operacin, el costo
en comparacin a la seguridad, la calidad frente al costo de recuperacin y el impacto
medioambiental en comparacin con la rentabilidad (Rangaiah y Bonilla-Petriciolet, 2013).
Considerando lo anterior, la optimizacin multiobjetivo (MOO), tambin conocida
como optimizacin de criterios mltiples, es utilizada para encontrar el conjunto de
soluciones ptimas entre dos o ms objetivos en conflicto. Para este tipo de problemas, la
optimizacin multiobjetivo (MOO) se enfoca a determinar un conjunto de valores que
contengan las mejores soluciones para todas las funciones objetivo, ya que no es factible
encontrar una solucin nica que optimice simultneamente todos los objetivos. Por tanto,
es necesario encontrar un conjunto de soluciones en el que la mejora de uno de los
objetivos no es posible sin empeorar el valor de uno o ms objetivos en el problema de
optimizacin. A este conjunto de soluciones se les conoce como soluciones de Pareto, las
cuales proporcionan compensaciones cuantitativas entre los objetivos involucrados como se
muestra en la Figura 4. Las soluciones de Pareto que conforman el conjunto de soluciones
pueden tener una forma cncava, convexa o con secciones cncavas/convexas incluyendo
discontinuidades como se muestra en la Figura 5 (Rangaiah y Bonilla-Petriciolet, 2013).
S1

S2

Figura 4. Soluciones de Pareto

Algunos mtodos usados para resolver problemas de optimizacin objetivo (MOO)
y encontrar soluciones de Pareto son: los mtodos de ponderacin, los mtodos de
programacin por metas, el mtodo de la funcin objetivo acotada, mtodo de -restriccin
y los mtodos metaheursticos o mejor conocidos como estocsticos. En la Tabla 2 se
Pg. 13

Diseo e Intensificacin de procesos de separacin empleando optimizacin multiobjetivo

Protocolo de investigacin

muestra la clasificacin, fortalezas y debilidades de los mtodos de optimizacin

multiobjetivo (MOO) disponibles en la literatura.
M
i
n

S1

S3

M
i
n

F
f
2

S2

Min f1

a) Cncava

f
2

M
i
n

f
2

Min f1

b) Convexa

M
i
n

Min f1

c) Cncava/Convexa

F
f
2

Min f1

d) Discontinua

Figura 5. Tipos de frentes de Pareto para una optimizacin bi-objetivo.

Tabla 2. Clasificacin de los mtodos de optimizacin multiobjetivo (MOO)
Mtodos MOO
Mtodos a priori <
1990
llamados:
mtodos clsicos
*Mtodos
de
ponderacin
*Mtodos
erestriccin
*Mtodos
de
programacin
por
metas
Mtodos posteriori o
sin preferencia >
1990
llamados
mtodos modernos
Mtodos
de
optimizacin global
estocsticos
*Algoritmos
genticos
*Evolucin
diferencial
*Optimizacin
de
enjambre
de
partculas
*Bsqueda tab
*Enfoques evolutivos
*Recocido Simulado

Descripcin
Requieren de las preferencias a
priori del decisor y de encontrar
una solucin no dominada en una
corrida. Generalmente, estos
mtodos transforman un problema
de MOO en un problema con un
objetivo y puede resolverse con
un adecuado mtodo estocstico
(emplean nmeros aleatorios) o
determinista (usan un gradiente de
la funcin objetivo).
Pueden
encontrar
muchas
soluciones no dominadas en una
corrida

Fortalezas y debilidades
La convergencia de los mtodos a
priori/clsicos depende de la forma y
continuidad del frente de pareto.

* Son buenos para encontrar mltiples

soluciones no denominadas en una corrida.
*No requieren suposiciones sobre las
funciones objetivo y sus caractersticas
matemticas.
*Incluyen adaptaciones de mtodos:
+Algoritmos genticos
+Evolucin diferencial
+Optimizacin de enjambre de partculas
+Bsqueda tab
+Enfoques evolutivos
+Recocido Simulado
*Son menos sensibles a las caractersticas
de los problemas de optimizacin (tipo de
funcin objetivo, variables de decisin y
restricciones) y frentes de pareto

Pg. 14

Diseo e Intensificacin de procesos de separacin empleando optimizacin multiobjetivo

Protocolo de investigacin

A continuacin se abordan brevemente la aplicacin de tcnicas MOO en la

resolucin de problemas de optimizacin multiobjetivo en procesos intensificados.
1.1.6 Aplicacin de optimizacin multiobjetivo en procesos intensificados
En Ingeniera Qumica, la presencia de varios objetivos en conflicto para ser
optimizados simultneamente es una situacin comn y, en consecuencia, las aplicaciones
de MOO han crecido considerablemente desde finales de 1990. Esta situacin se ha
reflejado en un aumento significativo en el nmero de trabajos publicados en diferentes
revistas como se muestra en la Tabla 3. Este creciente inters en la comunidad de ingeniera
qumica ha impulsado el desarrollo de nuevos mtodos de MOO, conceptos y aplicaciones
en varios procesos (Rangaiah y Bonilla-Petriciolet, 2013).
Tabla 3. Resumen de los artculos identificados de MOO en aplicaciones de ingeniera
qumica
Periodo
Antes del 2000

Nmero
artculos
30

2000 - 2007

100

2007 - 2012

230

de

Principales reas de aplicacin de la

MOO
Diseo y control de procesos, ingeniera
de reacciones qumicas, ingeniera
bioqumica, procesos electroqumicos y
en tratamientos de residuos y control de
contaminacin.
Diseo y operacin de procesos,
refinacin de petrleo y petroqumica,
biotecnologa y tecnologa de los
alimentos, productos farmacuticos y
polimerizacin.
Diseo y operacin de procesos,
refinacin de petrleo, productos
petroqumicos,
polimerizacin,
generacin de energa, control de la
contaminacin, energas renovables,
produccin de hidrgeno, pilas de
combustible.

Referencias
Bhaskar et al.
(2000)

Masuduzzaman
y Rangaiah
(2009)

Rangaiah
y
Bonilla-Petriciolet
(2013)

El uso de las tcnicas de optimizacin multiobjetivo como los algoritmos genticos

y algoritmos evolutivos han sido utilizados en la resolucin de problemas no lineales y
multivariables de procesos intensificados para su diseo y optimizacin. Tal es el caso de
los sistemas de destilacin multicomponente (Vzquez et al., 2009), los procesos hbridos
de destilacin/cristalizacin de mezclas ternarias (Bravo et al., 2011; Bravo et al., 2013;
Micovic et al., 2013), los sistemas de destilacin con N-1 columnas para mezclas de cuatro
componentes (Cortez et al., 2012) y para la optimizacin termoeconmica de una
destilacin multiefecto de sistemas de desalinizacin (Sayyaadi y Saffari, 2010), por
mencionar algunos ejemplos.
Pg. 15

Diseo e Intensificacin de procesos de separacin empleando optimizacin multiobjetivo

Protocolo de investigacin

As mismo, los mtodos de MOO han sido empleados para el diseo y optimizacin
de columnas de pared divisoria (Van Duc Long et al., 2010; Rewagad y Kiss, 2012), en
columnas de destilacin extractiva para la maximizacin de la productividad y pureza en
los productos de separacin (Agrawal y Kawajiri, 2012) y para la minimizacin del impacto
ambiental (Barreto et al., 2011). En cuanto a destilacin reactiva se refiere, estos mtodos
han sido aplicados para el anlisis de factibilidad de diseo de columnas de destilacin
reactiva (Filipe et al., 2007) y el anlisis de sensibilidad de las soluciones de Pareto
obtenidas en dichos sistemas (Filipe et al., 2008), en la identificacin y maximizacin de un
diseo conceptual en sistemas con reaccin complejas (Amte et al., 2013) y para la
optimizacin de sistemas con mltiples reacciones (Keller et al., 2013).
Es conveniente indicar que este tipo de herramientas de optimizacin se utilizan ya
que se carece de mtodos de diseo robustos y efectivos dentro del rea de intensificacin
de procesos. En sntesis, dentro de la literatura se carece de mtodos cortos generales que
permitan hacer diseos conceptuales ptimos de los sistemas de separacin intensificados.
1.2 Planteamiento del problema
Las operaciones de separacin y purificacin que involucran sistemas multifsicos
reaccionantes constituyen un desafo en su modelacin y diseo para los ingenieros
qumicos debido a su alta complejidad no lineal y su carcter multivariable (Luetich, 2001).
En el caso de destilacin reactiva, las cuestiones asociadas a su modelacin y diseo son
ms complejas en comparacin a los reactores y columnas de destilacin convencionales
adems de que pueden diferir considerablemente de un caso a otro (Almeida et al., 2004).
En particular, las dificultades asociadas al diseo, modelamiento y simulacin de un
proceso de destilacin reactiva estn referidas a las mltiples variables de diseo que posee,
a las especificaciones de salida del proceso, a los requerimientos especficos en las
condiciones de reaccin y separacin, a las restricciones asociadas a las condiciones de
operacin y al costo del mismo. Por tanto, es necesario contar con herramientas tiles para
modelar y disear esquemas generales de procesos de separacin intensificados.
Considerando lo anterior, en este trabajo se modelarn y disearn esquemas generales de
procesos de separacin intensificados (destilacin reactiva y extractiva principalmente)
para mezclas multicomponentes de una manera rpida y eficaz en funcin a las
especificaciones requeridas en trminos de desempeo del proceso, criterios ambientales,
costos, entre otros aspectos relevantes, empleando la optimizacin multi-objetivo (MOO).
En forma particular, se pretende caracterizar el desempeo de los procesos bajo diferentes
condiciones de operacin y observar las implicaciones que puede presentar dicho proceso
en relacin a las especificaciones requeridas con la finalidad de desarrollar una metodologa
que permita hacer diseos conceptuales ptimos de los sistemas de separacin
intensificados.
Pg. 16