Optimizaci on en tiempo real para el control de reactores tubulares no isotermos

M riam R. Garc a Grupo de ingenier a de procesos, IIM-CSIC, C/ Eduardo Cabello, 6-36208 Vigo, miriamr@iim.csic.es Eva Balsa-Canto, Carlos Vilas, Julio R. Banga y Antonio A. Alonso* Grupo de ingenier a de procesos, IIM-CSIC, C/ Eduardo Cabello, 6-36208 Vigo, antonio@iim.csic.es

Resumen
En este trabajo se presenta el desarrollo de una arquitectura eciente de optimizaci on din amica en tiempo real basada en modelos para el control de sistemas de par ametros distribuidos (SPD). Este tipo de sistemas se describe matem aticamente utilizando ecuaciones en derivadas parciales cuya soluci on con los m etodos tradicionales de discretizaci on espacial es habitualmente muy costosa. En este trabajo se aprovecha la naturaleza disipativa de esta clase de sistemas para obtener modelos de orden reducido (MOR) que capturan las propiedades m as relevantes de su din amica y que pueden ser utilizados en aplicaciones en tiempo real. Con el n de resolver el problema de optimizaci on din amica en tiempo real, se propone el uso del m etodo de parametrizaci on de control combinado con un m etodo de optimizaci on no lineal adecuado. Las propiedades de la metodolog a propuesta se evaluar an con un ejemplo relacionado con el control de un reactor tubular no isotermo. Palabras clave: Optimizaci on en Tiempo Real, Sistemas de Par ametros Distribuidos, Modelos de Orden Reducido

A pesar del exito de esta tecnolog a en los procesos industriales, algunas cuestiones cruciales relacionadas con la coordinaci on armoniosa de sus diferentes componentes (modelos, optimizadores, observadores, etc) y la predicci on eciente del modelo contin uan a un abiertas [9]. Esto es particularmente cr tico en SPD donde las leyes de conservaci on de materia, movimiento y energ a a nivel microsc opico, resultan en conjuntos de ecuaciones en derivadas parciales no lineales acopladas. En este sentido, y a pesar de alg un trabajo realizado en CPM para SPD ([10] y [12]), es necesario desarrollar una metodolog a para tratar de forma eciente la alta dimensionalidad de este tipo de problemas. En este sentido los trabajos de [7] y [6] proponen el uso de las llamadas funciones ortogonales propias (PODs, por su nombre en ingl es Proper orthogonal decomposition[19]) combinadas con el m etodo de proyecci on de Galerkin con el n de obtener, a partir del conjunto original de ecuaciones en derivadas parciales (EDPs), representaciones nitas de baja dimensionalidad que se utilizan para la resoluci on de problemas de optimizaci on de manera eciente. En este trabajo se propone adoptar el uso de modelos de orden reducido para la optimizaci on din amica en l nea. En particular, se explotar a la estructura del m etodo de elementos nitos (MEF) para obtener MOR del sistema bas andonos en la proyecci on de Galerkin sobre un conjunto de autofunciones espectrales o funciones ortogonales propias, permitiendo la comparaci on de sus capacidades predictivas, de simulaci on y de coste computacional. Esta nueva metodolog a se evaluar a en el control de un reactor tubular no isotermo.

1.

Introducci on

El control predictivo basado en modelo (CPM) emerge en los procesos industriales como la tecnolog a que simult aneamente es capaz de operar de forma optima mientras maneja restricciones y resuelve el acoplamiento entre salidas y entradas de forma sistem atica. Principalmente, un controlador predictivo basado en modelo requiere una representaci on able del proceso (un modelo) para explorar los escenarios futuros y un algoritmo de optimizaci on para buscar sobre un horizonte dado la mejor pol tica de operaci on aplicable que maximice (o minimice) una funci on objetivo dada [8]. De otro modo, supone la resoluci on en l nea de sucesivos problemas de optimizaci on din amica por lo que tambi en recibe el nombre de optimizaci on din amica en tiempo real.

2.

Formulaci on matem atica del problema de optimizaci on din amica

El problema de optimizaci on din amica, tambi en denominado problema de control optimo en lazo abierto, puede formularse como el c alculo de los

perles de control en el tiempo y, en el caso de sistemas distribuidos en el espacio, que minimicen cierto ndice de rendimiento de la forma: J (v (t, ), u(t, ), t) =

2.1.

M etodo de parametrizaci on de control.

tf

= (v (tf , )) +
0

L(v (t, ), u(t, ), t)dt

(1)

habitualmente relacionado con la calidad y/o cantidad de producci on, coste de operaci on, etc... En este trabajo, sin embargo, el ndice considerado responde a la formulaci on cuadr atica t pica del control predictivo: L(v, u) = (v v s )T Q(v v s )+

El problema de control optimo en lazo abierto ha despertado gran inter es en la comunidad cient ca en los u ltimos a nos. Si bien se han desarrollado diversas metodolog as para su soluci on en el caso de procesos concentrados, para el caso de procesos distribuidos el m etodo m as conveniente es el de parametrizaci on de control [5]. Este m etodo se basa en la transformaci on del problema original de dimensi on innita en un problema de programaci on no lineal mediante la discretizaci on de las variables de control en un n umero de elementos o pasos, y su aproximaci on usando polinomios de grado reducido [21]. La soluci on del problema de programaci on no lineal resultante puede afrontarse utilizando m etodos de optimizaci on local o global. Los m etodos locales, aunque ecientes, convergen a soluciones locales en el caso de problemas multimodales mientras que los m etodos globales, aunque m as robustos, normalmente requieren un esfuerzo computacional m as elevado. Aunque un m etodo global es v alido para cualquier tipo de problema (convexo y no convexo), la selecci on del m etodo m as eciente es, habitualmente, dependiente del problema. A este respecto, en este trabajo se han evaluado diversas metodolog as de optimizaci on globales, h bridas y locales. Como m etodos globales se teste o el evolutivo dierential evolution (DE) [20] y un h brido llamado MCS basado en una b usqueda multinivel coordinada [14]. Como m etodos locales se emple o un m etodo basado en b usqueda directa con malla adaptativa llamado NOMADm [1], la subrutina de MATLAB Fmincon [24], un m etodo de quasi-Newton con memoria limitada para problemas de gran escala que hace uso del gradiente e informaci on de segundo orden llamado LBFGS [25], un m etodo que usa aproximaciones cuadr aticas de la funci on objetivo NEWUOA [16] y un m etodo basado en programaci on cuadr atica secuencial SOLNP [23]. Adem as, es necesario se nalar que la evaluaci on de la funci on objetivo necesita de la soluci on del conjunto de EDPs (3) y, por lo tanto, de la alta dimensionalidad asociada a la representaci on din amica de este tipo de problemas.

+(u us )T R(u us )

(2)

donde el primer t ermino corresponde con la desviaci on con respecto a las trayectorias de referencia v s , el segundo est a relacionado con el coste de control o con el consumo energ etico donde us es el control de consigna y Q y R son matrices peso sim etricas y denidas positivas. Las variables que denen el ndice de rendimiento (1) est an relacionadas a trav es de la din amica del sistema (EDP) de la forma:

(v (t, )) = F (v (t, ), u(t, ))

(3)

(v (t, )) = (v (t, ))t L(v (t, ))

(4)

donde () representa el operador parab olico lineal suma del operador L() denido sobre un dominio espacial dado y la derivada temporal (v (t, ))t sobre un dominio temporal : [0, +). F (v (t, ), u(t, )) es un vector de funciones no lineales dependientes de las variables de estado v y de las variables de control u. Con el objetivo de garantizar la existencia de una u nica soluci on se completar a la formulaci on con condiciones iniciales y frontera. Por u ltimo, y con el n de satisfacer ciertos requerimientos de operaci on, se imponen restricciones algebraicas, que incluyen aquellas que deben vericarse en determinados momentos del proceso, restricciones puntuales y/o de tiempo nal, o bien durante todo el tiempo de procesamiento (restricciones de camino).

3.

Resoluci on num erica de EDPs: Modelo de orden reducido

Los m etodos tradicionales para la resoluci on de SPD, como elementos nitos (MEF) [17] y diferencias nitas [18], est an basados en esquemas de discretizaci on espacial que aproximan el conjunto original de EDPs (3) por un conjunto nu-

meroso de ecuaciones algebraicas y/o ecuaciones en derivadas ordinarias (EDOs) dependiendo si, respectivamente, las EDPs originales son est aticas o din amicas. La resoluci on del sistema resultante, sin embargo, implica gran esfuerzo computacional condicionando as la eciencia de los algoritmos de control optimo en lazo abierto. La ecuaci on 3 puede interpretarse como un sistema de dimensi on innita en un espacio de Hilbert equipado con el producto interior y norma: (f, g ) =

Ct = AC + f (C )

(8)

v = ( )C (t)

(9)

f ( )g ( )d

= (f, f )

pudi endose representar la soluci on como una expansi on innita en series de la forma[11]:

donde ( ) = [1 , ..., k ] es la matriz con las funciones base que contienen la dependencia espacial, C (t) = [c1 , ..., ck ]T el vector de modos con la dependencia temporal y A y f (c) son las proyecciones de las partes lineal y no lineal del sistema de EDPs en las funciones base:

A=

( )L(v (t, )d

(10)

v (t, ) =
i=1

ci (t)i ( )

(5) f (C ) =

donde cada uno de los elementos del conjunto de funciones base {i ( )} i=1 se calcula como la soluci on a la siguiente ecuaci on integral:

( )F (v (t, ), u(t ))d

(11)

Ri d = i i

(6)

Dependiendo de la naturaleza del n ucleo R, se considerar an dos m etodos diferentes: Descomposici on espectral donde el n ucleo es la funci on Green asociada con el operador espacial L() en (4). Descomposici on ortogonal propia o Proper orthogonal decomposition donde el n ucleo es una matriz de correlaci on punto a punto construida a partir de datos emp ricos [3]. Una caracter stica clave de los sistemas distribuidos es su naturaleza disipativa de forma que cualquier punto del dominio del sistema evolucionar a a un hiperplano de dimension baja donde permanecer a, [2] lo que permite la extracci on de un invariante din amico que captura los comportamientos din amicos relevantes del sistema. De esta forma, la soluci on puede aproximarse como una expansi on truncada de la forma:
k

Cabe se nalar que en el caso de descomposici on espectral la matriz A es diagonal por el problema de valor propio elegido para calcular las funciones base ortonormales. Esto signica un ahorro considerable en el tiempo de computaci on independientemente de la reducci on del n umero de EDOs resultantes. En este trabajo, adem as, se explotar a ecientemente la estructura algebraica FEM para el c alculo num erico de estas proyecciones [22]. Si las ecuaciones en derivadas parciales son altamente no lineales, se puede reducir las no linealidades a polinomios usando las transformaciones de estado propuestas por [6] para facilitar la proyecci on. Adem as, el n umero de variables de decisi on se reduce dr asticamente expandiendo el control en t erminos de las funciones bases del MOR, lo cual es especialmente atractivo cuando se tratan problemas en 2D o 3D. Para ello a cada uno de los tiempos tj de los elementos en los que se ha discretizado el control en el tiempo se calcular a el coeciente optimo de la expansi on:

u(tj , ) v (t, ) v (t, ) =

i=1

u(tj , ) =
i=1

ci (tj )i ( )

(12)

ci (t)i ( )

(7)

La proyecci on en las funciones base del conjunto original de EDP tiene como resultado en el siguiente conjunto de EDOs:

donde la dimensi on p se elige de forma que se aproximen adecuadamente las variables de control. Finalmente debe se nalarse que aunque la selecci on de las funciones base debe realizarse en funci on

del problema, los m etodos de proyecci on espectral son m as sistem aticos que los de POD. De hecho, la exactitud resultante de este m etodo depende principalmente del n umero y la calidad de los datos experimentales usados, lo cual condiciona el uso de algoritmos de actualizaci on de las funciones base para conservar la exactitud en la predicci on [4].

4.

Arquitectura en lazo cerrado

Como ya se ha comentado en la introducci on, el control predictivo convencional consiste en resolver un problema de optimizaci on din amica con horizonte nito. Las acciones de control actuales ser an los primeros t erminos de control de la secuencia de control optimo repiti endose este esquema cada vez que se obtienen nuevas medidas. El c alculo de las pol ticas de control predictivo necesita tener en cuenta los efectos de las perturbaciones que no forman parte del modelo de predicci on. Para ese prop osito, se implementar a la realimentaci on midiendo regularmente el estado actual del proceso. En nuestro caso, y para reducir los retrasos en los tiempos de computaci on en los pasos de optimizaci on, se propone la siguiente log stica de realimentaci on: Se resuelve fuera de l nea el problema de optimizaci on din amica y el resultado u 0 se introduce en el sistema real Las medidas obtenidas en cada tiempo de muestreo tk se usan en el MOR para estimar las condiciones iniciales en tk + ts donde ts es el retraso computacional que se sabe va a tener lugar en la pr oxima optimizaci on Esta nueva condici on inicial ser a la que emplear a el optimizador para calcular el nuevo perl de control que se implementar a en la planta real y que inicializar a la siguiente optimizaci on. Con la intenci on de implementar la arquitectura de control predictivo de la forma m as semejante a la realidad posible y as comprobar los distintos aspectos de la coordinaci on armoniosa de los diferentes componentes, se recorri o a la paralelizaci on de c alculo en dos ordenadores. En uno de ellos se implement o el modelo en EDPs usando elementos nitos y en otro la optimizaci on usando el modelo de orden reducido (ambos en MATLAB). Las computadoras se comunicaron a trav es de internet con un chero llave que, con variables binarias de zero-uno, abren y cierran los canales para leer datos que se guardan en otro chero com un. En primer lugar el ordenador esclavo, que se encarga de la optimizaci on, realizar a la optimizaci on

fuera de l nea de forma que los controles u 0 se guarden en el chero de datos comunes. A partir de este momento a cada tiempo de muestreo tk el ordenador maestro permitir a inicializar una nueva optimizaci on (entendida como una simulaci on para c alculo de condiciones iniciales despu es del retraso ts y el posterior c alculo de los perles de control optimo) a la vez que se comienza la simulaci on hasta el pr oximo tiempo de muestreo empleando los controles de la anterior optimizaci on. Se consider o maestro a la simulaci on por dar las salidas de los datos seg un el tiempo real del proceso y no el tiempo de computaci on necesario.

5.

Caso de estudio: Reactor no isotermo tubular

La metodolog a propuesta se aplicar a a un reactor qu mico distribuido no lineal que consiste en dos EDPs acopladas no lineales de la forma: 2 v1 y 2

v1 1 = t P e1

v1 + N (v2 )(1 v1 ) (13) y 2 v2 y 2

v2 1 = t P e2

v2 + y

+BN (v2 )(1 v1 ) h(v2 u)

(14)

N (v2 ) = Da exp con condiciones frontera:

v2 1 + v2 /

(15)

v1 = P e 1 v1 y

(16)
y =0

v2 = P e 2 v2 y

(17)
y =0

v1 y

=0
y =L

v2 y

=0
y =L

(18)

que describen la temperatura v2 y la concentraci on v1 (la formulaci on matem atica detallada puede encontrarse en [15]) y donde las variables en desviaci on son x1 = v1 v1ref y x2 = v2 v2ref

Variables de estado

denidas sobre el dominio espacial y [0, L] y el temporal t [t0 , tf ]. La variable de control u(t, ) es la temperatura del agua de enfriamiento y se asumen controladores y sensores en todo el dominio. Los valores de los par ametros y su signicado f sico pueden verse en la tabla 1. Tabla 1: Valores de los par ametros del modelo Nombre P e1 P e2 Da B h L t0 tf Descripci on N umero de Peclet para el ujo de masa N umero de Peclet para el ujo de temperatura N umero de Damkohler Energ a de activaci on Calor de reacci on Calor de transferencia Longitud del reactor Tiempo inicial Tiempo de residencia equivalente a media hora Valor

1.8

1.6

Campo v1 (Modelo MEF) Campo v1 (Modelo MOR) Campo v2 (Modelo MEF) Campo v2 (Modelo MOR)

1.4

1.2

0.8

1 1 1 20 2 1 1 0 2

0.6 0

0.1

0.2

0.3

0.4

0.5 Espacio

0.6

0.7

0.8

0.9

Figura 1: Comparaci on entre modelo en elementos nitos y con bases espectrales

1.8

1.6 Variables de estado

Campo v1 (Modelo MEF) Campo v1 (Modelo MOR) Campo v2 (Modelo MEF) Campo v2 (Modelo MOR)

1.4

1.2

5.1.

Simulaci on del proceso. MEF versus MOR

Primeras autofunciones espectrales

Con el n de valorar la capacidad predictiva de los modelos de orden reducido, se ha usado el m etodo de elementos nitos para la simulaci on de las din amicas del reactor (122 EDOs) y los resultados obtenidos se han comparado con los predichos por el modelo de orden reducido. Las guras 1 y 2 ilustran las comparaciones entre el MEF y los MORs basados en descomposici on espectral (8 EDOs cuyas cuatro primeras autofunciones pueden verse en la gura 3) y PODs (8 EDOs), respectivamente. El integrador usado para resolver las EDOs, LSODE [13], est a basado en el m etodo BDF (backward dierentiation formula). Debido a que LSODE est a originalmente programado en FORTRAN se ha realizado una pasarela que permite su utilizaci on desde MATLAB. En las guras puede verse con claridad que ambos MOR presentan buenas capacidades de predicci on. Sin embargo, debido a que el esfuerzo computacional es mayor para el modelo usando PODs, se eligi o la descomposici on espectral para la optimizaci on en l nea. 5.2. Optimizaci on din amica en l nea

0.8

0.6 0

0.1

0.2

0.3

0.4

0.5 Espacio

0.6

0.7

0.8

0.9

Figura 2: Comparaci on entre modelo en elementos nitos y con PODs

1.5

1era autofuncin 2nda autofuncin 3era autofuncin 4a autofuncin

0.5

0.5

1.5

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

Espacio

Figura 3: Cuatro primeras autofunciones obtenidas a partir de la descomposici on espectral asociada con el operador espacial movimientos de control. Las referencias usadas en este caso (v1ref y v2ref ) corresponden con el esta-

La funci on objetivo a minimizar se corresponde con la formulada (2), es decir, se trata de alcanzar las trayectorias de referencia para las variables de estado de manera optima pero limitando los

do estacionario en lazo abierto y la funci on objetivo resulta: J= 1 2

0 0 L 2 [q1 x2 1 (t, y ) + q2 xw (t, y )

+ru2 (t, y )]dydt

(19)

donde los pesos usados son q1 = 5000, q2 = 1 y r = 1, recordemos que x1 y x2 son la concentraci on y temperatura con respecto a los estacionarios v1ref y v2ref . Es importante resaltar que para este problema particular, la variable de control depende tanto de la posici on como del espacio. Para su aproximaci on se ha utilizado un desarrollo en serie truncada equivalente a (7) combinando el uso de autofunciones espaciales con el m etodo de parametrizaci on de control para los coecientes dependientes del tiempo. En particular se han usado cuatro autofunciones, y cada uno de los cuatro coecientes dependientes del tiempo se aproximaron usando 15 pasos a lo largo del tiempo de residencia (sucientemente amplio para conservar la estabilidad en lazo cerrado) resultando en un problema de optimizaci on no lineal con 60 variables de decisi on. Entre los m etodos de optimizaci on considerados, SOLNP (m etodo de programaci on cuadr atica secuencial desarrollado por [23] en 1989) fue seleccionado por su capacidad de alcanzar la soluci on optima en un tiempo computacional razonable. El comportamiento de la planta real se reprodujo usando simulaciones basadas en el m etodo de elementos nitos en un segundo ordenador comunicado a trav es de cheros de datos con la computadora donde se implement o el esquema de control optimo a tiempo real como se coment o en la secci on 4. Cada cinco minutos (el tiempo de residencia del reactor es de media hora) se introduce una nueva medida en el optimizador (con una simulaci on previa del modelo reducido para tener en cuenta los retrasos ts ). Simult aneamente el control se implementa en la simulaci on con elementos nitos. La representaci on de la temperatura y concentraci on de la planta bajo perturbaciones en lazo abierto y cerrado se ilustran en las guras (4)-(8). En comparaci on con la gura (7), donde se muestra la respuesta en lazo abierto, el esquema de optimizaci on en tiempo real es capaz de rechazar las perturbaciones e imponer una convergencia r apida de la concentraci on y temperatura del reactor a la trayectoria de referencia deseada. Figura 5: Temperatura en desviaci on con control optimo en tiempo real

Figura 4: Concentraci on en desviaci on con control optimo en tiempo real

Figura 6: Control con control predictivo

de orden reducido con un esquema de paralelizaci on que divida la optimizaci on entre varios ordenadores, mediante algoritmos que permitan la distribuci on de la carga computacional, para reducir en mayor medida los tiempos de retraso asociados a la optimizaci on de este tipo de procesos. Agradecimientos Los autores agradecen la nanciaci on recibida del gobierno espa nol (Proyectos MCyT PPQ20013643 y DPI2004-07444-C04-03) y de la Xunta de Galicia (PGIDIT02-PXIC40209PN).

Referencias
Figura 7: Temperatura en desviaci on con control optimo en lazo abierto [1] Abramson, M.A. (2004) NOMADm version 3.0 Users Guide [2] Alonso, A.A., and Ydstie, B.E. (2001) Stabilization of distributed systems using irreversible thermodynamics, Automatica, 37 pp 1739-1755 [3] Alonso, A.A., Frouzakis,C.E. and Kevrekidis, I.G., (2004) Optimal Sensor Placement for State Reconstruction of Distributed Process Systems, AIChE Journal, 50 pp 1438-1452. [4] Annaswamy, A., Choi, J.J. and Sahoo, D., (2002) Active Close-loop Control of Supersonic Impinging Jet Flows Using POD models, Proceeding of the IEEE CDC, Las Vegas, NV. [5] Balsa-Canto, E., Banga, J.R., Alonso, A.A., y Vassiliadis, V.S., (2004) Dynamic Optimization of Distributed Parameter Systems Using Second-Order Directional Derivatives, Industrial & Engineering Chemistry Research, 43 pp 3353. [6] Balsa-Canto, E., Alonso, A.A. and Banga, J.R., (2004) Reduced-Order Modes for Nonlinear Distributed Process Systems and Their Application in Dynamic Optimization, Industrial & Engineering Chemistry Research, 43 pp 3353. [7] Bendersky, E. and Christodes, P.D., (2000) Optimization of transport-reaction processes using nonlinear model reduction, Chemical Engineering Science, 55 pp 4349. [8] Camacho, E.F. and Bordons, C., (1999) Model Predictive Control, Springer, Londres. [9] Cannon, M. (2004), Ecient nonlinear model predictive control algorithms, Annual Reviews in Control, 28 pp 229-237.

Figura 8: Concentraci on en desviaci on con control optimo en lazo abierto

6.

Conclusiones y trabajos futuros

En este trabajo se propone el uso de modelos de orden reducido como alternativa a los m etodos est andar de discretizaci on para la optimizaci on din amica en l nea de sistema de par ametros distribuidos sin ning un tipo de linealizaci on alrededor de la trayectoria de referencia, permitiendo as , cambios en las condiciones de operaci on. La metodolog a fue evaluada para el control de un reactor qu mico tubular simulado utilizando elementos nitos. La expansi on del control combinada con el m etodo de parametrizaci on del control, resulta en un problema de optimizaci on no lineal resuelto ecientemente por un optimizador basado en programaci on cuadr atica secuencial (SOLNP). En el futuro se pretende compaginar los modelos

[10] Chen, W., Balance, D.J. and Gawthrop, P.J., (2003) Optimal control of nonlinear systems: a predictive control approach, Automatica, 39 pp 633. [11] Courant, R. and Hilbert, D. (1989) Methods of Mathematical Physics, Wiley, New York. [12] Dufour, P., Michaud, D.J., Your e, Y. and Dhurjati, P.S., (2004) A partial dierential equation model predictive control strategy: application to autoclave composite processing, Computers & Chemical Engineering, 16 pp 545. [13] Hindmarsh, A.C. (1983) ODEPACK, a Systematized Collection of ODE Solvers, North Holland, Amsterdam. [14] Huyer, W. and Neumaier, A. (1999) Global Optimization by Multilevel Coordinate Search, Journal of Global Optimization, 14 pp 331-335. Software disponible en www.mat.univie.ac.at/ neum/software/mcs/ [15] Padhy, R. and Balakrishnan, S.N. (2003) Proper orthogonal decomposition based optimal neurocontrol synthesis of a chemical reactor process using approximate dynamic programming, Neural Networks, 16 pp 719728 [16] Powell, M.J.D. (2002) On the use of quadratic models in unconstrained minimization without derivatives1, The First International Conference on Optimization Methods and Software, Hangzhou, China. [17] Reddy, J.N. (1993) An Introduction to the Finite Element Method, McGraw-Hill, United States of America. [18] Schiesser, W.E. (1991) The Numerical Method of Lines, Academic Press, New York. [19] Sirovich, L. (1987) Turbulence and the Dynamics of Coherent Structures. Part I: Coherent Structures, Quaterly of Appl. Math., 3 pp 561-571 [20] Storn, R and Price, K. (1995) Dierential Evolution - a Simple and Ecient Adaptive Scheme for Global Optimization over Continuous Spaces, Technical Report TR-95-012, ICSI, www.icsi.berkeley.edu/techreports/1995.abstracts/tr-95-012.html. [21] Vassiliadis, VS., (1993) Computational Solution of Dynamic Optimization Problems with General Dierential-Algebraic Constraints, PhD, Imperial College, Londres.

[22] Vilas, C., Garc a, M.R., Fern andez, M.R., Balsa-Canto, E., Banga, J.R. and Alonso, A.A., (2004) On Systematic Model Reduction Techniques for Dynamic Optimization and Robust Control of Distributed Process Systems, ESCAPE-14, 14 pp 841-846. [23] Ye, Y. (1989) usersguide, Universidad de Iowa. [24] Optimization Toolbox for Use with Matlab. Users guide. Version 2. The MathWorks Inc. [25] Software disponible en www-m1.ma.tum.de/m1/personen/sulbrich/opt3/aufgaben.html