Académique Documents
Professionnel Documents
Culture Documents
net/publication/303565293
CITATIONS READS
0 93
3 authors:
Elisa Verruschi
Universidad Nacional Experimental Politécnica Antonio José de Sucre, UNEXPO, Bar…
25 PUBLICATIONS 17 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
"Characterization of the feed and product streams, and optimization of the chemical reactors in the hydrotreating process of diesel" View project
All content following this page was uploaded by Marlyn Dayana Cuadrado Guevara on 27 May 2016.
1
Distribución de catalizadores vı́a optimizacion multiobjetivo Marlyn Cuadrado y col
nuas, y representa un vector de q variables discretas, ciones del modelo 2.2, y el conjunto de funciones
h(x,y) = 0 denota las m restricciones de igualdad, objetivos Zf = f (Df ) ⊆ Rk al conjunto imagen de Df
g(x,y) ≤0 son las p restricciones de desigualdad y f(x, .
y) la función objetivo. Optimalidad en el caso multiobjetivo no puede
La dificultad de estos modelos están asociadas generalizarse directamente de optimización clásica,
con la naturaleza del problema, el dominio combi- porque no existe relación de orden en los valores de
natorio (dominio de y), el cual hace que el modelo la función objetivo.
sea NP-completo y el dominio continuo (dominio de Para ilustrar, si k = 1 (un solo objetivo) tenemos
x), representado por las no linealidades del problema, f (x) ∈R y cualquier par de puntos factibles x1, x2∈
lo cual implica la existencia potencial de soluciones D f pueden ser comparados y una de las siguientes
locales múltiples (problema NP-difı́cil). afirmaciones es verdadera: f (x1 ) < f (x2 ) ó f (x2 ) <
GAMS (General Algebraic Modeling System) f (x1 ) ó f (x1 ) = f (x2 ).
(GAMS, 1998), es un sistema de modelado de al- to Para k > 1, dados u, v ∈ D f y f : Rn → Rk, tene-
nivel que resuelve problemas de programación mos:
matemática. Entre sus optimizadores se encuentra DI- f (u) = f (v) si y solo si fi(u) = fi(v),∀i ∈ {1,· · ·, k}.
COPT (DIscrete and COntinuous OPTimizer) (Gross- f (u) ≤ f (v) si y solo si fi(u) ≤ fi(v), ∀i ∈ {1,· · ·, k}.
mann, 1998), que es un programa que resuelve pro- f (u) < f (v) si y solo si fi(u) ≤ fi(v), i 1,
∀ ∈, k{ · · · }
blemas de Programación No Lineal Entera-Mixta. El y fi (u) < fi (v), para algún i ∈ {1,·,}k
algoritmo MINLP dentro de DICOPT resuelve una Dos vectores x1 , x2 ∈ D f pueden verificar sólo
serie de subproblemas de Programación No lineal una de las siguientes condiciones: f (x1) < f (x2) y
(NLP Non Linear Programming) y Programación Li- f (x1 ) > f (x2 ) ó f (x1 ) ¢ f (x2 ) y f (x1 ) § f (x2 ).
neal Enteros (MIP, Integer Linear Programming) los Definición 2. (Soluciones no dominadas, Con-
cuales pueden ser resueltos usando cualquier resolve- junto de Pareto y Frente de Pareto): Dado x ∈ D f ,
dor para estos casos, disponibles en GAMS. se dice que x es no dominado respecto a A ⊂ D f si
y sólo si ∀a ∈ A, xO a y x ∼ a. Se denomina DP al
subconjunto de D f de puntos no dominados o solu-
ciones eficientes. DP es llamado Conjunto de Pareto.
AZ∗ ⊂ Z f tal que Z∗ = f (DP) se le denomina frente
de pareto.
En la Figura 1 se representa el espacio objetivo
Z f y el frente de Pareto Z∗ , para un problema de mini-
mización de dos objetivos. Dos puntos caracterı́sticos
k−1
Figura 1. Espacio objetivo y frente de Pareto Max. f1(x) −δ ∑ sj
j=1
catalizador t.
Cckck = Concentración de cada compuesto k
por cada corriente c(kmol/m3). Rkcukj2jt − Gamaokj2jt · Koj2jt · Taou
Cuuk = Concentración en la unidad de salida u EaRj2jt
· Cuu jCHXBNZ ·j Cuu H2
j ·j exp( )=0
por cada compuesto k, ∀u ∈ Us(kmol/m3). Tem
Fkck = Cantidad de flujo molar del compuesto ∀u ∈ Ue, ∀k ∈ K, ∀t ∈ T, ∀r ∈ R
k por cada corriente c(kmol/h). (3.2)
Fc = Cantidad de flujo molar total de la
corriente c(kmol/h). (Cálculo de moles transformados en la reacción
Fmckck = Cantidad de flujo másico del de hidrogenación de diaromático)
compuesto k por cada corriente c(kg/h).
Fmc = Cantidad de flujo másico por cada
corriente c(kg/h).
Rkcukj3jt − Gamaokj3jt · Koj3jt · Taou
rhoc = Densidad de corriente c(kg/m3).
Vu = Volumen de la unidad u(m3). EaRj3jt
Lu = Longitud de la unidad u(m). · Cuuj BIFHENYL j · CuujH3j · exp( )=0
Tem
Taou = Tiempo de residencia de la unidad ∀u ∈ Ue, ∀k ∈ K, ∀t ∈ T, ∀r ∈ R
u(h). (3.3)
S = Área transversal de la unidad (m2 ).
D = Diámetro del reactor (m2 ). (Separación de los moles transformados de ca-
LU = Longitud del reactor (m). da compuesto)
Nk = Flujo no procesado de cada compuesto
k(kmol/h). Rkuk − ∑ ∑ Rkcukrt ycut = 0
t∈T r∈R
. ∀u ∈ Ue, ∀k ∈ K
1 si unidad u utiliza catalizador t
ycut = 0 en otro caso. (3.4)
.
1 si existe la unidad u
ye=
u
(Cálculo de las concentraciones de cada com-
0 en otro caso.
puesto)
ycut , yeu ∈ {0, 1}.
Rkcukrt , Rkuk ∈ R,
Qlc.Temut ,Cckck,Cu uk, Fk ck, Fc, Fmckck, ∑ Cckck − Cckck−
∑
Fmc, rhoc,Vu, Lu, Taou, S, L, LU ∈ R+. c∈CsU c∈CeU
(Cálculo de los flujos molares de cada corrien- (Cálculo del volumen de cada unidad existente)
te)
Fmc − ∑ Fmckck = 0 ∀c ∈ C (3.12) (Diámetro del reactor en función del área trans-
k∈K versal)
(Balance de materia total)
.
4S
∑ Fmc − ∑ Fmc = 0 (3.13) D− =0 (3.21)
c∈CsU c∈CeU π
(Cálculo del tiempo espacial de cada unidad) (Longitud del reactor en función de la realción
L/D)
Taou · ∑ Qlc − Vu = 0 ∀u ∈ U
c∈CsU
(3.14)
∑ Lu · yeu − LD · D = 0 (3.22)
u∈U
(Cotas del tiempo espacial total) (Cotas del tiempo espacial total)
(Cota inferior para el diámetro del reactor) Cotas sobre las variables:
contenido de sulfurados y aromáticos en el gasóleo. Babich I. y Moulijn J., (2003). “Science y Technology
El modelo multiobjetivo define la función objeti- of novel procesess for deep desulfurization of oil
vo como un vector, donde sus componentes son los refinery streams: a review ”Fuel.82, 607-631.
objetivos individuales que se desean alcanzar, esto Floudas C., (1995), “Nonlinear and Mixed-Integer
con el fin de determinar soluciones que satisfagan los Optimization. Fundamentals and applications”. Ox-
objetivos de manera simultánea. Las componentes del ford University Press. GAMS, (1998). Manual del
vector función objetivo representan para el problema Usuario.
modelado; el costo del diseño del reactor, la produc-
ción de naftenos, la cantidad de monoaromáticos y la Grossmann, E. et al., (2004). “DICOPT: A Discreto
cantidad de aromáticos azufrados. Se minimizó para Continuos Optimization Package”, Manual de Usua-
la primera, tercera y cuarta, y maximizó la segunda rio. GAMS Development Corporation. Internatio-
componente. nal Energy Agency (IEA). OECD/IEA. “Key World
Energy STATISTICS 2011”(2011), 1-82.
Para la solución del modelo multiobjetivo, se es-
tableció el rango de variación de los parámetros ε Kalyanmoy, D. (2004). “Multi-objective Optimiza-
de las restricciones objetivos, mediante la tabla de tion using Evolutionary Algorithms”, Departament of
pagos. Para la resolución de los modelos generados, Mechanical Engenieering, Indian Institute Techology,
fue necesario el uso de herramientas de GAMS que Kanpur, India.
resuelve MINLP, como lo es DICOPT. Como solu- Mavrotas, G. (2006). “Generation of efficient solu-
ción del problema final se obtuvieron soluciones del tions in Multiobjective Mathematical Programming
frente de pareto que en el espacio solución muestran problems using GAMS”. Tech. rep. School of Che-
configuraciones para el lecho catal´ıtico en el reactor mical Engineering, National Technical University of
de destilados medios, donde el tomador de decisio- Athens.
nes puede escoger entre alguna de ellas tomando en
cuenta sus necesidades inmediatas. Verruschi E. (2008). “Optimización de la Distribu-
Entre los trabajos futuros se plantea resolver el ción de Catalizadores en Hidrotratamiento de Desti-
modelo multiobjetivo para la distribución de catali- lados Medios”. Tesis de Doctorado Presentado ante
zadores tomando en cuenta la incertidumbre en uno la Universidad Politécnica de Madrid para optar el
de sus parámetros. Otra idea es desarrollar algorit- T´ıtulo de Doctor.
mos de codigo libre para la resolución de modelos
MINLP y modelos multiobjetivos MINLP. Por último
se recomienda resolver el modelo multiobjetivo con
técnicas multiobjetivos, donde el costo computacio-
nal en términos del tiempo de ejecución disminuya.
Por ejemplo, usar técnicas heurı́sticas y/o de lógica
difusa (fuzzy logic).
6. Agradecimientos
Este trabajo fue patrocinado en parte por CNPq-
Brasil, bajo el proyecto Prosul, y por CDCHT-UCLA-
Venezuela, bajo el proyecto 023-CT-2009. También
se contó con el apoyo de CENIPRO-UNEXPO.
7. Bibliograf´ıa
Collette, Y. y Siarry, P. (2003). “Multiobjective Op-
timization: Principles and Case Studies”, School of
Industrial and Manufacturing Science, Cranfield Uni-
versity.