La síntesis puede ser definida de diversas formas una de ellas es: la tarea de
invención de la estructura y de determinación de las condiciones operativas de
un proceso (Rudd, 1968).
nivel 2
ESTRUCTURA ENTRADA-SALIDA
nivel 3
ESTRUCTURA DE RECICLO
nivel 4
nivel 5
REDES DE INTERCAMBIO CALORICO
Moles de B producido
S=
Moles de A convertido
Si se considera la reacción A B C
En algunos procesos, como los petroquímicos, el costo de las materias primas y las
pérdidas por baja selectividad son factores dominantes. Los costos de las materias
primas representan entre el 35 y el 85 % del costo del producto. La conversión
económicamente óptima se fija generalmente, a través del compromiso entre las
pérdidas por baja selectividad y reactores grandes, a altas conversiones, contra los altos
costos de reciclo, a conversiones bajas. De este modo, la conversión
económicamente óptima es menor que la correspondiente al máximo rendimiento
del producto deseado, siguiendo la tendencia que se muestra en la Figura IV. 1.
3- Caudal de producción
Si se quiere diseñar una nueva planta para satisfacer las condiciones de un mercado en
expansión, la primera aproximación del caudal de producción que se adopta es la de la
planta más grande, de ese tipo, que haya sido construida. De esa manera obtendremos
la mejor economía de escala.
El tamaño máximo de una planta, generalmente está fijado por el tamaño máximo de
una o más piezas del equipamiento y también por restricciones en el transporte de los
equipos al lugar de la planta. Por ejemplo, en el uso de camiones o ferrocarriles existe un
tamaño máximo admisible para el uso de carreteras o vías.
La pureza del producto generalmente está condicionada por el mercado. Muchas veces
es posible ofrecer un producto con diferentes grados de pureza y es conveniente que los
encargados del diseño consideren esas alternativas. A medida que el diseño avanza, las
predicciones de pureza vs. precio del producto pueden variar. Debe existir buena
comunicación con el departamento de ventas (marketing), especialmente si surgen
costos my elevados asociados con purezas muy altas para que no aparezcan falsas
expectativas por parte de los consumidores.
5- Materias primas
Un químico usa generalmente materias primas muy puras para sus experimentos, sin
embargo, las materias primas naturales o adquiridas en grandes cantidades siempre
contienen algunas impurezas. Es necesario tener información sobre pureza de materia
prima vs. precio y sobre la naturaleza de las impurezas, para conocer si éstas son
inertes o afectarán a las reacciones deseadas. Se deberá decidir si se incluyen unidades
de purificación y/o de separación. Cantidades ínfimas de impurezas en las materias
primas, si no se eliminaron por algún método, pueden llegar a cantidades enormes
cuando entran en lazos de reciclo.
6- Restricciones
Por seguridad, se evita trabajar en condiciones dentro de los límites explosivos de una
mezcla. Se deben conocer las condiciones de procesamiento que pueden ocasionar:
polimerización, deterioro de las superficies de intercambiadores de calor, inestabilidad,
descomposiciones no deseadas, desactivación del catalizador y formación de coque.
Los materiales tóxicos y corrosivos introducen restricciones adicionales en el diseño del
proceso.
Para diseños conceptuales se pueden suponer los datos que faltan y analizar la
sensibilidad de los costos de procesamiento totales, respecto a esos valores. En algunos
casos el costo total es casi insensible a ciertas propiedades y en otros es muy sensible.
Esta evaluación de sensibilidad provee una medida del incentivo económico para realizar
mediciones experimentales de aquellas propiedades. El uso de procedimientos de
diseño "shortcut" simplifica en forma importante el análisis de sensibilidad.
9- Productos químicos
Existen diversas fuentes para obtener datos de costos para el diseño preliminar. Por
ejemplo, los costos de materias primas, productos y sub-productos, pueden
encontrarse en el Chemical Marketing Reporter. Para los costos de capital, se
presentan correlaciones de costos tales como las publicadas por Guthrie2, 3. Si no se
1
R. C. Reid, J. M. Prausnitz y T. K. Sherwood. "The Properties of Gases and Liquids", 3rd Ed.,
McGraw-Hill, New York, 1977.
2
K. M. Guthrie,"Capital Cost Estimating", Chem. Eng., 76(6), 114 (1969)
dispone de las correlaciones actualizadas se pueden usar ciertos factores o índices
de actualización tales como los índices M&S, aunque para periodos de actualización
cortos. La mejor práctica para obtener datos actualizados es solicitar una cotización
de los equipos a los vendedores.
3
K. M. Guthrie, "Process Plant Estimating Evaluation and Control", Craftsman Book Co., Solana
Beach, California, 1974.
En resumen:
Existen algunos lineamientos que ayudan a decidir entre procesos batch y continuos.
• Requerimientos del mercado. Muchos productos son estacionales, por ejemplo los
fertilizantes son utilizados por el consumidor en determinadas épocas del año. Si se
produjeran durante todo el año, se incurriría en elevados costos de almacenamiento.
Sin embargo, si el fertilizante se produjera en una planta batch, que puede utilizarse
el resto del año para la obtención de otros productos, los costos de almacenamiento
se reducirían. Por lo tanto las plantas batch son preferidas para productos que
poseen demanda estacional. Se requieren alrededor de tres años para construir un
proceso continuo y algunos productos, tales como pigmentos orgánicos, tienen un
periodo de
vida en el mercado de unos dos años. La gran flexibilidad de las plantas batch las
hace preferibles para productos de periodos de vida cortos.
Para un proceso batch debemos tomar exactamente las mismas decisiones y agregar
las siguientes:
8. ¿Qué pasos del proceso se deberían llevar a cabo en una unidad simple en lugar de
recipientes separados para cada operación individual?
Como puede observarse, se necesita tomar más decisiones para diseñar un proceso
batch que para uno continuo. Por ello, algunos autores sugieren que el mejor enfoque
para abordar el problema de diseño de procesos batch es diseñar primero un proceso
continuo.
Simulación de Procesos
La Simulación de Procesos. Resume toda la teoría relacionada
con un proceso en el cual se sustituyen las situaciones reales
por otras creadas artificialmente, de las cuales se deben Simulación de Procesos
aprender ciertas acciones, habilidades y hábitos. En los últimos
años, la simulación de procesos ha llegado a ser una
herramienta adecuada y oportuna de apoyo para el diseño,
caracterización, optimización y monitoreo del funcionamiento
de procesos industriales. Para aplicar estas simulaciones
existen en la actualidad una gran variedad de Simuladores de
Procesos.
Aplicaciones
En principio, la simulación de procesos puede ser útil en todas
las etapas del desarrollo de un proyecto industrial. En las Concepto: Técnica para evaluar en forma rápida
diferentes etapas de un proyecto, puede haber necesidad de un proceso con base en una
realizar simulaciones con diferentes niveles de sofisticación. La representación del mismo, mediante
simulación de procesos puede usarse en las siguientes etapas modelos matemáticos.
del desarrollo de un proyecto industrial:
Investigación y desarrollo: Una simulación sencilla se puede usar para probar la factibilidad técnica y
económica del proyecto.
Etapa crítica en la toma de decisiones: Se prueban diferentes alternativas de proceso y condiciones de operación
y se toman decisiones.
Planta piloto: Simulación con modelos más sofisticados para obtener mejores estimaciones de las condiciones
de operación a escala industrial.
Diseño: La simulación proporciona todos los datos de proceso requeridos para el diseño detallado de los
diferentes equipos.
Simulación de plantas existentes: Puede ser muy útil cuando es necesario cambiar las condiciones de operación,
o cuando se quieren sustituir materias primas.
1.- INTRODUCCIÓN.
Aumentar la presión para reducir costes, mejorar la calidad del producto, minimizar
riesgos medio ambientales, son algunas de las motivaciones para desarrollar herramientas
de optimización para los complejos problemas de operación y diseño de una planta
química. Varios factores han contribuido a este desarrollo. En primer lugar la
disponibilidad de ordenadores y su creciente capacidad de cálculo ha facilitado la
aplicación de complejos modelos matemáticos. En segundo lugar, el desarrollo y mejoría
de los modelos económicos que permiten decidir entre diferentes procesos competitivos.
Y en tercer lugar el reciente desarrollo del software para optimización que ha
proporcionado la herramienta adecuada para el uso de los modelos matemáticos tanto de
operaciones físicas como económicas, para la identificación de las mejores soluciones.
De hecho, muchas de las decisiones en la industria química relacionadas con diseño de
procesos y operaciones están basadas en técnicas de optimización que combinan los
nuevos desarrollos en algoritmos de optimización, modelado de sistemas, y arquitectura y
software de ordenadores.
Si no se asume ninguna estructura especial para el problema que se está tratando (el
problema es considerado como una caja negra) entonces las técnicas de búsqueda directa
son los métodos más sencillos de aplicar, pero son también los que más tiempo
consumen. Estos métodos realizan una búsqueda pseudo aleatoria o sistemática (simplex
flexible, algoritmos genéticos, optimización por enjambres de partículas, etc.) para
mejorar la función objetivo. Si el problema presenta restricciones estos métodos usan
métodos costosos y a menudo con dificultades intrínsecas, por ejemplo los métodos de
penalización. Como contrapartida el método es fácil de aplicar a problemas con
restricciones sencillas y probablemente encontrará soluciones cercanas al óptimo global.
Sin embargo debido al hecho de que a menudo requiere miles de evaluaciones de la
función objetivo su rendimiento será altamente dependiente de la selección de los
parámetros del algoritmo.
Min f ( x, y )
s.a g ( x, y ) ≤ 0
h ( x, y ) = 0
x ∈ X ⊆ ℜn
y ∈ {0,1}m
donde f(x,y) es la función objetivo a minimizar (maximizar) –función escalar- que está
sujeta a restricciones de desigualdad, igualdad, tanto de variables continuas x, como
variables discretas y.
Para el caso en el cual todas, o al menos algunas de las funciones son no lineales y
además sólo aparecen variables continuas, aparece un problema de programación no
lineal (NLP). Si la función objetivo y las restricciones son diferenciables, los óptimos
locales vienen definidos por las condiciones de optimalidad de Karush-Kuhn-Tucker.
Estos son, probablemente los modelos más comunes en Ingeniería Química.
Si bien problemas que contenían hasta 100 variables para un NLP eran considerados
problemas grandes hace algunos años. La resolución de problemas con varios miles de
variables es algo bastante común hoy en día. Los métodos de gradiente reducido y la
programación cuadrática sucesiva, los cuales se generan de aplicar el método de Newton
a las condiciones de optimalidad de Kunh-Tucker, son los principales algoritmos para
resolver los NLP. El método de gradiente reducido es mejor para resolver problemas con
la mayoría de las restricciones lineales. Para problemas altamente no lineales es mejor la
programación cuadrática sucesiva.
Finalmente, todos los métodos mencionados anteriormente suponen que los problemas
están formulados en forma de ecuaciones algebraicas. Muy a menudo, sin embargo,
dentro del problema aparecen ecuaciones diferenciales como restricciones del problema.
Una de las aproximaciones principales para resolver este problema consiste en aproximar
la ecuación diferencial por ecuaciones algebraicas, las cuales ya pueden ser incluidas
dentro del programa general de programación no lineal. Otra manera de resolver el
problema es considerar la ecuación diferencial como una ecuación a parte que se resuelve
en un bloque independiente y se introduce dentro del NLP como una ecuación implícita.