METODOLOGÍA DE CONTROL ÓPTIMO Y CONTROL PREDICTIVO …
Transcript of METODOLOGÍA DE CONTROL ÓPTIMO Y CONTROL PREDICTIVO …
METODOLOGÍA DE CONTROL ÓPTIMO Y CONTROL PREDICTIVO ÓPTIMO EN
COLUMNAS DE DESTILACIÓN EXTRACTIVA, ORIENTEADOS ECONÓMICAMENTE.
JUAN JOSÉ TORRES FIGUEROA
BOGOTÁ D.C.
UNIVERSIDAD DE LOS ANDES
FACULTAD DE INGENIERÍA
2014
METODOLOGÍA DE CONTROL ÓPTIMO Y CONTROL PREDICTIVO ÓPTIMO EN
COLUMNAS DE DESTILACIÓN EXTRACTIVA, ORIENTEADOS ECONÓMICAMENTE.
JUAN JOSÉ TORRES FIGUEROA
Resumen
En este trabajo se busca evaluar la implementación y el desempeño computacional de esquemas
de control óptimo y predictivo económicamente guiados en columnas de destilación extractiva. El
caso de estudio comprende la separación del sistema etanol-agua con el uso de glicerina como
solvente. El proceso es modelado rigurosamente por un sistema de ecuaciones diferenciales y
algebraicas (DAE) de índice 1, considerando el equilibrio termodinámico y gas ideal en cada una de
las etapas. Para la resolución y la optimización del modelo se discretizan las ecuaciones
diferenciales mediante el uso de colocación de elementos finitos ortogonales, mediante el método
de Runge-Kutta implícito Radau II-A. Se solucionan los problemas de optimización mediante
diferentes algoritmos específicos para problemas no lineales. El ambiente de programación usado
es GAMS.
Contenido
Resumen .................................................................................................................................. 1
1. Introducción...................................................................................................................... 2
2. Modelo de columna de destilación extractiva .................................................................... 4
3. Metodología de control óptimo ......................................................................................... 5
3.1 Discretización del modelo dinámico ........................................................................... 5
3.2 Estrategia de optimización dinámica .......................................................................... 6
3.2.1 Formulación función objetivo ............................................................................. 7
3.2.2 Restricciones ...................................................................................................... 7
4. Caso de estudio ................................................................................................................. 7
4.1 Motivación ................................................................................................................ 7
4.2 Descripción del caso de estudio ................................................................................. 8
5. Resultados y análisis.......................................................................................................... 8
5.1 Respuesta no controlada ............................................................................................ 8
5.2 Control óptimo económicamente orientado ............................................................... 9
2
6. Control predictivo económicamente guiado ..................................................................... 11
6.1 Descripción de algoritmo de control asNMPC ........................................................... 11
6.2 Evaluación metodología de control predictivo asNMPC ............................................. 12
Conclusiones y trabajo futuro ................................................................................................. 14
NOMENCLATURA .................................................................................................................... 14
Apéndice A. Correlaciones hidráulicas ..................................................................................... 16
Apéndice B. Parámetros de balances de energía ...................................................................... 17
Apéndice C. Parámetros de evaluación de equilibrio de fases ................................................. 18
Referencias ............................................................................................................................ 19
1. Introducción
Desde las primeras etapas del desarrollo e
implementación de mecanismos de control
automático la relación entre las consideraciones
operacionales y el rendimiento económico de los
procesos ha sido temática de frecuente discusión
e investigación [1, 2, 3]. Tradicionalmente ambas
consideraciones han sido abordadas
secuencialmente mediante una estructura de dos
niveles, comprendida por: optimización en estado
estacionario y control regulatorio de procesos [2].
El primer nivel es también denominado
optimización a tiempo real (RTO), desarrollado a
inicios de 1980 [4]. Busca establecer decisiones
de negocio y cronogramas de producción en
tiempo real con base a un modelo detallado de
planta en estado estacionario, con el objetivo de
optimizar beneficios económicos en cortos
periodos de tiempo. Las condiciones
operacionales (set-points) calculadas son
implementadas posteriormente en el segundo
nivel de la estructura. Los parámetros de los
modelos de planta son progresivamente
actualizados permitiendo hacer frente a
perturbaciones y reducir sus efectos a largo plazo
(horas/días) [3].
El segundo nivel corresponde al control de
procesos, cuyo fin es alcanzar las metas de
producción estimadas en la optimización a
tiempo real, preservando a su vez la estabilidad
del proceso [1]. Previamente era realizado
principalmente por controladores de tipo PID
(proporcional-integral-derivativo); sin embargo,
han sido reemplazados paulatinamente debido a
su difícil sintonización y pobre capacidad de
manejar sistemas multivariables [3]. A partir de la
década de 1970 se ha generado un especial
interés por la implementación de controladores
avanzados basados en el control predictivo
basado en modelos (por sus siglas en ingles MPC)
[5], considerando: a) su capacidad de manejar
sistemas con múltiples entradas y múltiples
salidas (por sus siglas en ingles MIMO) [6], b) su
fácil aplicación en procesos con comportamiento
dinámico complejo, incluyendo retardos y
sistemas altamente inestables, c) permitir la
inclusión de restricciones operacionales y
ambientales de manera sencilla, d) ser una
metodología abierta que permite futuras
extensiones [5].
La estructura de dos niveles presenta
inconvenientes en su implementación, causados
principalmente por la diferencia de escalas de
tiempo que manejan ambos tipos de
optimización, siendo las utilidades en estado
estacionario diferentes a las reales [3]. La
optimización en tiempo real omite el
3
comportamiento dinámico de cada uno de los
procesos, generando set-points inconsistentes o
difícilmente alcanzables por los controladores
MPC [2, 3].
Para dar solución a estos inconvenientes se ha
planteado una estructura de control simultáneo
que incluye ambos elementos: la comprensión
del comportamiento dinámico de procesos y ser
guiado económicamente. Ésta simultaneidad es
denominada D-RTO (Dynamic- Real Time
Optimization), también denominada
Economically- Oriented NMPC [7]. El fundamento
de esta metodología es la solución de un
problema de optimización dinámico –
denominado también control óptimo (OCP)-
sobre el horizonte de tiempo de control que
permita establecer el comportamiento adecuado
de las variables manipulables, maximizando
ganancias y penalizando desviaciones en la
especificación de procesos y productos. El mayor
desafío que supone el uso de este esquema de
control es el costo de recursos computacionales
debido a la complejidad matemática de los
modelos dinámicos, que pueden presentar
retardos computacionales que afectan la
estabilidad y robustez del controlador [7, 3].
Tabla 1 Estudios previos sobre comportamiento dinámico y control óptimo / predictivo en columnas de destilación
Autor(es) Año Problema Software Objetivo (En control Óptimo o Predictivo)
Abu-Eisah y Luyben [8]
1985 Control y dinámica-Sistema de destilación azeotropica de dos
columnas.
No reportado -
Maciel y Brito [9] 1995 Simulación-Dinámica en separación de mezclas etanol-agua usando
columnas de destilación extractiva.
No reportado -
Huang et Al. [10] 2009 Optimización Dinámica-Control predictivo en sistemas de purificación
de aire.
AMPL/IPOPT Control Predictivo penalizando desviación en
set-point.
Gil et Al. [11] 2012 Simulación-Control columnas de destilación extractiva (etanol-agua).
MATLAB -
Idris y Engell. [6] 2012 Optimización dinámica-Control predictivo en columnas de destilación
catalítica.
gPROMS, MATLAB y TOMLAB
Control Predictivo económicamente guiado.
Ramos et Al. [12] 2013 Optimización dinámica-Control óptimo en columnas de destilación
extractiva (etanol-agua).
GAMS/IPOPT Control Óptimo económicamente guiado.
Ramos et Al. [13] 2014 Optimización dinámica-Control y diseño simultáneos en columnas de destilación extractiva (etanol-agua).
GAMS/IPOPT Control y diseño Óptimo económicamente guiados.
Lopez-Negrete et Al. [14]
2014 Optimización dinámica-Control predictivo en columnas de destilación
en sistemas binarios.
AMPL/IPOPT Control Predictivo penalizando desviación en
set-point.
Este trabajo 2014 Optimización dinámica-Control predictivo en columnas de destilación
extractiva.
GAMS/IPOPT-CONOPT
Control Óptimo/Predictivo económicamente guiado.
Es prioritario el uso de estrategias de
optimización dinámica que aseguren una rápida
convergencia, además de ser lo suficientemente
rigurosas para ser implementadas a nivel
industrial. Para sistemas de gran tamaño y
complejidad se ha observado que el método de
transcripción directa es realmente eficiente [10,
4]. Al incorporar los modelos dinámicos como
restricciones de equivalencia y mediante el uso
de solucionadores “solvers” de programación no
4
lineal (NLP) se logra una reducción de la
complejidad computacional.
De acuerdo a la Tabla 1, en los últimos años se
han desarrollado diversos trabajos en la
aplicación de la estructura (D-RTO) en esquemas
de separación y purificación de diferentes tipos,
no obstante pocos han sido detallados en
columnas de destilación extractiva. Por el
conocimento que se tiene, ninguno ha trabajo
con control predictivo en este tipo columnas
extractivas. Por esta razón en este trabajo se
estudia la implementación y evaluación del
desempeño computacional de la metodología de
control óptimo/ predictivo económicamente
guiado en columnas multicomponentes,
extractivas, usando modelos dinamicos no
lineales rigurosos. Éste trabajo ejemplariza la
separación del sistema etanol-agua mediante la
utilización de glicerina como agente de arrastre,
buscando complementar los estudios previos en
dinámica [8, 11], control y diseño óptimo [13,
12] para este esquema de separación.
La estructura de este artículo se compone de
siete secciones. La primera corresponde a la
introducción y contextualización. La segunda
sección realiza una descripción del modelo
dinámico de la columna de destilación extractiva,
además detalla las suposiciones realizadas. La
tercera sección expone la metodología de control
óptimo en cuanto a formulación matemática y a
fundamentación de los métodos de colocación
ortogonal y discretización. La cuarta sección
describe la importancia del caso de estudio, así
como también las consideraciones operacionales
del tema estudiado. En la quinta sección se
muestran los resultados de la implementación del
control óptimo y la respuesta del equipo sin un
sistema de control. La sexta sección presenta una
explicación de la metodología del control
predictivo, sus limitaciones y los resultados de su
implementación en el caso de estudio
propiamente. Finalmente, en la séptima sección
se exponen las conclusiones y consideraciones
futuras del trabajo realizado.
2. Modelo de columna de destilación
extractiva
Se desarrolló la simulación de la columna de
destilación dinámica basada en las ecuaciones
MESH, considerando las siguientes suposiciones:
Equilibrio termodinámico en cada una
de las etapas.
Modelo de actividad NRTL (non Random
Tow Liquids) para la fase líquida.
Gas ideal.
Exclusión de entalpía y volumen de
exceso.
Operación adiabática.
Condensador total y rehervidor parcial.
Retención hidráulica (Hold up) total
constante en condensador y rehervidor.
Inexistencia de hold up de vapor en
condensador y rehervidor.
Balance total de materia
𝑑𝑀𝑆
𝑑𝑡= 𝑉𝑆+1 − 𝐿𝑆 (1 +
1
𝑅𝑟
) = 0, 𝑆 𝜖 𝐶𝑂𝑁𝐷
(E.1)
𝑑𝑀𝑆
𝑑𝑡= 𝑉𝑆+1 + 𝐿𝑆−1 − 𝑉𝑆 − 𝐿𝑆
+ 𝐹𝑆, 𝑆 𝜖 𝐶𝑂𝐿
(E.2)
𝑑𝑀𝑆
𝑑𝑡= 𝐿𝑆−1 − 𝑉𝑆 − 𝐿𝑆 = 0, 𝑆 𝜖 𝑅𝐸𝐵
(E.3)
Balance parcial de materia
𝑑𝑀𝑆
𝑑𝑡= 𝑉𝑆+1 − 𝐿𝑆 (1 +
1
𝑅𝑟
),
𝑆 𝜖 𝐶𝑂𝑁𝐷
(E.4)
𝑑𝑀𝐶,𝑆
𝑑𝑡= 𝑉𝑆+1𝑦𝐶,𝑆+1 + 𝐿𝑆−1𝑦𝐶,𝑆−1 − 𝑉𝑆𝑦𝐶,𝑆
− 𝐿𝑆𝑥𝐶,𝑆 + 𝐹𝑆𝑧𝐶,𝑆, 𝑆 𝜖 𝐶𝑂𝐿
(E.5)
𝑑𝑀𝐶,𝑆
𝑑𝑡= 𝐿𝑆−1𝑦𝐶,𝑆−1 − 𝑉𝑆𝑦𝐶,𝑆 − 𝐿𝑆𝑥𝐶,𝑆
𝑆 𝜖 𝑅𝐸𝐵
(E.6)
5
Balance de energía
𝑑𝑈𝑆
𝑑𝑡= 𝑉𝑆+1ℎ𝑣
𝑆+1 − 𝐿𝑆ℎ𝑙𝑆 (1 +
1
𝑅𝑟
) − 𝑄𝑐
𝑆 𝜖 𝐶𝑂𝑁𝐷
(E.7)
𝑑𝑈𝑆
𝑑𝑡= 𝑉𝑆+1ℎ𝑣
𝑆+1 + 𝐿𝑆−1ℎ𝑙𝑆−1 − 𝑉𝑆ℎ𝑣
𝑆
− 𝐿𝑆ℎ𝑙𝑆 + 𝐹𝑆ℎ𝑠
𝑓 , 𝑆 𝜖 𝐶𝑂𝐿
(E.8)
𝑑𝑈𝑆
𝑑𝑡= 𝐿𝑆−1ℎ𝑙
𝑆−1 − 𝑉𝑆ℎ𝑣𝑆 − 𝐿𝑆ℎ𝑙
𝑆 + 𝑄𝑅
𝑆 𝜖 𝑅𝐸𝐵
(E.9)
Equilibrio de fases
𝑥𝐶,𝑆𝛾𝐶,𝑆𝑃𝑠𝑎𝑡𝑆 = 𝑦𝐶,𝑆𝑃𝑆 (E.10)
Sumatoria
∑ 𝑥𝐶,𝑆 − 𝑦𝐶,𝑆
𝐶
= 0 (E.11)
Las ecuaciones de definición de hold up se listan a
continuación. Se determina el hold up molar de
líquido a partir de la relación de Zuiderweg (E.12)
[15].
𝑀𝑙𝑆 = 𝜌�̅�
𝑙𝐴𝑡ℎ𝑤0.5 (𝐹𝑆
𝑝𝐴𝑡
𝐿𝑤)
0.25
, 𝑆 𝜖 𝐶𝑂𝐿
(E.12)
Hold up de vapor
𝑀𝑙𝑆
𝜌�̅�𝑙 +
𝑀𝑣𝑆
𝜌�̅�𝑣 = 𝜋 (
𝑑
2)
2
ℎ𝑒 , 𝑆 𝜖 𝐶𝑂𝐿 (E.13)
Definición hold up total
𝑀𝑆 = 𝑀𝑙𝑆 + 𝑀𝑣
𝑆
(E.14)
Definición hold up parcial
𝑀𝐶,𝑆 = 𝑀𝑙𝑆𝑥𝐶,𝑆 + 𝑀𝑣
𝑆𝑦𝐶,𝑆
(E.15)
Definición hold up energético
𝑈𝑠 ≈ 𝑀𝑣𝑆(ℎ𝑣
𝑆 − 𝑅𝑔𝑎𝑠𝑇𝑆) + 𝑀𝑙𝑆ℎ𝑙
𝑆
(E.16)
Las correlaciones de caída de presión se
presentan en los anexos junto con la definición
de los demás parámetros hidráulicos y
termodinámicos utilizados. La información para
evaluación termodinámica y dimensionamiento
de la columna es estimada mediante Aspen Plus.
Los modelos utilizados se muestran en la Tabla 2.
Tabla 2. Modelos para las propiedades físicas.
Propiedad física Modelo
Presión de vapor. Ecuación de Antoine extendida [16].
Capacidad calorífica de. gas ideal
Modelo DIPPR [16].
Coeficiente de actividad en fase líquida.
NTRL [16, 17].
Densidad de vapor. Gas ideal.
Densidad de líquido. Modelo DIPPR [16].
Entalpía de vaporización. Modelo DIPPR [16].
3. Metodología de control óptimo
El esquema de control óptimo se desarrolla a
partir de la resolución simultánea del modelo
dinámico y el propio problema de optimización.
La metodología seguida se explica a continuación.
3.1 Discretización del modelo dinámico
Con el fin de desarrollar los procesos de
simulación y optimización dinámica, el sistema de
Ecuaciones Diferenciales y Algebraicas (DAE) es
totalmente discretizado mediante el método de
Colocación Ortogonal de Elementos Finitos. El
problema es resuelto en elementos finitos de
igual longitud y 3 puntos de colocación internos.
El conjunto de ecuaciones mencionadas
anteriormente presenta un índice DAE
equivalente a 1 de acuerdo a la definición de
Raghunathan et Al [18], permitiendo el uso del
método de Runge-Kutta implícito Radau II-A de
5to
orden [19].
El método Radau IIA describe los diferenciales de
las variables de estado 𝑧̅ (p.e hold up molar por
etapa) en cada uno de los elementos finitos como
polinomios de orden O(t2(k-1)
), cuyos coeficientes
son determinados a través de interpolación de
Lagrange (E.18) y evaluados sobre los diferentes
puntos de colocación temporal (E.17) .
6
𝑡𝑖,𝑘 = 𝑡𝑖−1 + ℎ𝑓𝜏𝑘 , 0 ≤ 𝜏 ≤ 1
(E.17)
𝑑𝑧�̅�
𝑑𝑡= ∑ 𝑙𝑗(𝜏)
𝑛
𝑗=1
(𝑑𝑧̅
𝑑𝑡)
𝑡=𝑡𝑗
(E.18)
Siendo 𝑙𝑗(𝑡) permutaciones sobre los diferentes
puntos de interpolación (E.19).
𝑙𝑗(𝜏) = ∏𝜏 − 𝜏𝑗
𝜏𝑖 − 𝜏𝑗
𝑛
𝑗=1,𝑖≠𝑗
(E.19)
Se estima el valor de cada variable de estado a
través de la integración de la aproximación
polinómica de su diferencial (E.20), aplicando así
mismo un cambio de variable de t a 𝜏.
𝑧�̅�,𝑘 = 𝑧�̅�,0 + ℎ𝑡 ∫ ∑ 𝑙𝑗(𝜏) (𝑑𝑧̅
𝑑𝑡)
𝑡=𝑡𝑖,𝑗
𝑑𝜏
𝑛
𝑗=1
𝜏𝒌
0
(E.20)
Se establecen los puntos de colocación y los
pesos de la integración numérica mediante la
colocación de Gauss-Radau (E.21) –la cual
permite fijar a 1.00 como punto de colocación
[4]-, resultando la integración numérica en una
suma ponderada de los diferenciales sobre los
puntos de colocación (E.22) [20, 19]. Los valores
de las raíces de Radau se presentan en la Tabla 3
y la matriz de colocación (Ω𝑘,𝑗) en la Tabla 4.
Ω𝑘,𝑗 = ∫ 𝑙𝑗(𝑡)𝑑𝑡𝒕𝒌
0
(E.21)
𝑧�̅�,𝑘 = 𝑧�̅�,0 + ℎ𝑡 ∑ Ω𝑘,𝑗
𝑛
𝑗=1
(𝑑𝑧̅
𝑑𝑡)
𝑖,𝑗
(E.22)
Para reforzar la continuidad sobre los diferentes
elementos finitos, el valor inicial de cada variable
de estado se determina a partir de la evaluación
de sus diferenciales en los puntos de colocación
del elemento anterior (E.23).
𝑧�̅�,0 = 𝑧�̅�−1,0 + ℎ𝑡 ∑ Ω3,𝑗
𝑛
𝑗=1
(𝑑𝑧̅
𝑑𝑡)
𝑖−1,𝑗
(E.23)
Las ecuaciones (E.22) y (E.23) son evaluadas de
manera simultánea con los balances diferenciales
de materia y energía (E.24), incluyéndose como
restricciones al problema de optimización
dinámica.
𝑑𝑧̅
𝑑𝑡 𝑖,𝑘= 𝑓(𝑧̅, �̅�, �̅�, 𝑑𝑖)𝑖,𝑘
(E.24)
Siendo �̅� las variables algebraicas (p.e fracciones
molares y perfiles de temperatura), �̅� variables
de control (carga térmica de rehervidor y tasa
molar de reflujo) y di los diferentes parámetros
constantes (invariantes) en el tiempo.
Tabla 3. Raíces de Radau [4]
k 𝝉𝒌
1 0.155051
2 0.644949
3 1.000000
Tabla 4. Pesos de la colocación ortogonal
k j 1 2 3
1 0.19681543 -0.0655354 0.02377097
2 0.39442429 0.29207349 -0.04154878
3 0.37640304 0.51248588 0.11111107
3.2 Estrategia de optimización dinámica La formulación general para los problemas de
optimización dinámica es [4]:
min 𝐽[ 𝑧,̅ �̅�, �̅�, 𝑑𝑖] Restringido a: 𝑑𝑧̅
𝑑𝑡− 𝑓(𝑧(̅𝑡), 𝑦 ̅(𝑡), �̅�(𝑡), 𝑑𝑖) = 0,
ℎ(𝑧̅(𝑡), 𝑦 ̅(𝑡), �̅�(𝑡), 𝑑𝑖) = 0, 𝑔(𝑧̅(𝑡), 𝑦 ̅(𝑡), �̅�(𝑡), 𝑑𝑖) ≤ 0,
(E.25.a)
(E.25.b) (E.25.c) (E.25.d)
Siendo h las relaciones de equivalencia y g las
restricciones de desigualdad que se imponen al
modelo.
7
3.2.1 Formulación función objetivo Se plantea una función multiobjetivos,
compuesta por la penalización de variaciones en
las condiciones operacionales (𝑂𝑝) y
rendimientos económicos (𝑁𝑝) (E.26). Ésta es
evaluada a lo largo del horizonte de todo el
tiempo real, equivalente a 10 elementos finitos y
a 5 horas de evaluación.
𝑱 = ∫ (𝑂𝑝(𝑡) + 𝑁𝑝(𝑡))
𝑡𝑓
0
𝑑𝑡
(E.26)
La función de penalización (E.27) contempla la
obtención del perfil de las variables manipuladas
(u) suave y físicamente lograble, mediante la
minimización de la diferencia cuadrática con
respecto a un valor de referencia (𝑢𝑟𝑒𝑓), el cual es
estimado como un nuevo parámetro de
optimización (ver Figura 6). También se busca
minimizar la desviación de las variables de interés
(y) (p.e fracción molar, temperatura) con
respecto set-point (𝑦𝑠𝑒𝑡).
𝑂𝑝(𝑡) = (𝑦 − 𝑦𝑠𝑒𝑡)𝑻𝑄𝑦(𝑦 − 𝑦𝑠𝑒𝑡) +
(𝑢 − 𝑢𝑟𝑒𝑓)𝑻
𝑄𝑢(𝑢 − 𝑢𝑟𝑒𝑓)
(E.27)
Para el caso de estudio la función de penalización es reestructurada para la evaluación de la composición específica de etanol en el destilado (E.28).
𝑎1(𝑥𝐸𝑡ℎ,1 − 𝑥𝑠𝑒𝑡)2
+ 𝑎2(𝑄𝑅 − 𝑄𝑟𝑒𝑓)2
+ 𝑎3(𝑅𝑟 − 𝑅𝑟𝑒𝑓)2
(E.28)
El rendimiento económico es estimado a partir de
los costos operacionales (valor de carga térmica
de rehervidor) y ganancias por venta de producto
(E.29). Los costos energéticos 𝐶𝑄 y valor de venta
de etanol 𝐶𝑑 son tomados de acuerdo a los
reportado por Garcia-Herreros et al [21].
𝑁𝑝(𝑡) = 𝑄𝑟(𝑡)𝐶𝑄 − 𝐷(𝑡)𝐶𝑑
(E.29)
3.2.2 Restricciones Se listan como restricciones de equivalencia h las
diferentes ecuaciones del modelo MESH,
relaciones hidráulicas, definición de propiedades
físico-químicas, transcripción de ecuaciones
diferenciales a algebraicas (E.25.b) y colocación
ortogonal (E.22 y E.23). Dadas las limitaciones
matemáticas del método de Radau IIA se fijan los
valores de las variables de estado (hold up molar
y energético) al inicio del tiempo de evaluación a
valores de referencia (E.30). Estos valores son
calculados a partir de la operación de la columna
en estado estacionario.
𝑧1̅,0 = 𝑧̅(𝑡𝑜) (E.30)
Adicionalmente se lista como restricción
operacional la temperatura máxima a la que
puede operar la columna con el fin de evitar la
descomposición térmica de la glicerina (E.31) [12]
y evitar errores de simulación al considerar
valores de temperatura superiores a las
temperaturas críticas. Se lista también el
aseguramiento de la composición específica del
producto, con el propósito el valor agregado del
producto (E.32).
𝑇𝑠 ≥ 𝑇𝑀𝑎𝑥 , 𝑡 ∈ [0, 𝑡𝑓] (E.31)
𝑥𝐸𝑡ℎ,1 ≥ 𝑥𝑠𝑒𝑡 , 𝑡 ∈ [0, 𝑡𝑓] (E.32)
4. Caso de estudio
4.1 Motivación
En los últimos años se ha visto la necesidad de
implementar alternativas eficientes a los
combustibles fósiles, producidas a partir de
recursos renovables. Una de las opciones más
prometedoras es el etanol carburante, obtenido
principalmente a partir de fermentación, proceso
que implica gran cantidad de agua e impurezas
que necesitan ser retiradas para poder ser usado
en mezclas con gasolina.
Para llevar a cabo dicha separación existen
diversos procesos como lo son la destilación
azeotropica heterogénea, la destilación extractiva
–con la utilización de variados solventes- e
incluso el uso de membranas de pervaporación
8
[22]. La selección del proceso de separación debe
tener en cuenta los elevados costos asociados al
consumo energético, y a la toxicidad y costos de
agentes externos.
Estudios previos indican que una de las
alternativas más atractivas por su bajo costo es la
destilación extractiva con la utilización de
glicerina como solvente [11, 9], sustancia que
además presenta ventajas con relación a la
toxicidad frente a los diferentes solventes
utilizados industrialmente [11].
Dado el interés que genera la alternativa antes
mencionada se desea asegurar la controlabilidad
del proceso a un bajo costo de operación. Como
respuesta a las necesidades expuestas se
pretende determinar un modelo robusto de
control que permita el aseguramiento de las
características específicas del producto mediante
optimización dinámica.
4.2 Descripción del caso de estudio
El diseño de la columna de destilación extractiva
es el mismo desarrollado por García-Herreros et
al y Ramos et al. ( [21] y [12]). La columna se
compone de 19 etapas considerando
condensador total y rehervidor parcial. La
corriente de solvente es alimentada en el
segundo plato de la columna (tercera etapa) a
una tasa de 35 kmol/h y temperatura de 305 K;
mientras que la mezcla etanol-agua es
alimentada en el plato 11 (12 etapa) a una tasa
de 100 kmol/h y condiciones de saturación
(𝑇𝑓 = 351 𝐾). El condensador opera a
condiciones atmosféricas y la caída de presión es
estimada a partir de las ecuaciones respectivas
[23]. Para suministrar inicializaciones
matemáticamente consistentes se realizó una
evaluación de las ecuaciones constitutivas del
modelo MESH en estado estacionario teniendo
en cuenta los diferentes factores hidráulicos.
1
19
ENT
3
2
12
DIST
FEED
BOTTOMHPS
EN
T
Figura 1 Representación columna de destilación extractiva.
5. Resultados y análisis
Se estudia la respuesta no cotrolada y la
implementación del control óptimo orientado a
objetivos economicos en la columna de
destilación extracitva frente a perturbaciones en
la composición de alimentación de etanol. Para
este problema se requiere una composición de
etanol en destilado mayor o igual al 99.5% molar.
5.1 Respuesta no controlada
La columna es sometida a una perturbación en la
composición de alimentación de tipo sinusoidal
(E.33 y Figura 2), siendo su efecto evaluado
mediante simulación dinámica. Se desarrolla e
inicializa a partir de valores de carga térmica de
rehervidor y tasa molar de reflujo contante,
representados en la Tabla 5.
𝑧𝐸𝑇𝐻 = 0.8 − 0.05 ∗ sin(𝜋𝑡), 𝑡 ∈ [0, 𝑡𝑓]
(E.33)
Tabla 5 Valores de referencia simulación dinámica
Parámetro Valor
Rr [-] 0.04
Qr [GJ/h] 2.1711
9
Figura 2 Respuesta del sistema sin control frente a desviaciones en la alimentación. En rojo especificación de pureza, en azul composición de etanol en destilado y en verde perturbación en alimentación.
A partir de la simulación realizada se observa la
sensibilidad del sistema frente a cambios en la
alimentación, tanto en la pureza requerida por el
proceso (Figura 2), como en los flujos de
destilado (Figura 3). Si bien la inercia propia del
proceso (dada por la retención hidraulica y
energetica en cada etapa) impide una perdida
considerable de flujo de destilado, la
perturbación es lo suficientemente signitivatiba
para no lograr la composición de producto
requerida.
Figura 3 Flujo de destilado en columna sin control
5.2 Control óptimo económicamente
orientado
La metodología de control óptimo (OCP) es
implementada en la columna de destilación
extractiva, evaluando la respuesta óptima del
sistema frente a una perturbación tipo sinusoidal
(E.33) y una perturbación tipo escalón (E.34),
representada en la Figura 4. La optimización
dinámica es desarrollada e inicializada a partir de
valores de carga térmica de rehervidor y tasa
molar de reflujo presentados en la Tabla 6. Los
parámetros económicos y de ponderación son
expuestos en la Tabla 7.
Tabla 6 Valores de inicialización control óptimo
Parámetro Valor
Rr [-] 0.4
Qr [GJ/h] 5.024
Figura 4 Perturbaciones estudiadas. En línea continua el valor de referencia de composición, en línea discontinua perturbación tipo escalón y en línea punteada perturbación sinusoidal.
𝑧𝐸𝑇𝐻 = 0.8, 𝑡 ∈ [0, 1.5 ℎ] ,
𝑧𝐸𝑇𝐻 = 0.7, 𝑡 ∈ (1.5, 𝑡𝑓 ]
(E.34)
Tabla 7 Parámetros económicos y de ponderación del modelo de control óptimo.
Parámetro Valor
𝒂𝟏 1,00E+04
𝒂𝟐 500
𝒂𝟑 100
𝑪𝑫 [$] 30
𝑪𝑸 [$] 1
El problema de optimización dinámica despues
de la discretización presenta un tamaño
considerable (Tabla 8), por lo cual fue resuelto
10
mediante programación no lineal (NLP) usando
en su resolución el algoritmo CONOPT en GAMS.
Tabla 8 Tamaño de problema después de discretización.
Parámetro Valor
Número de variables 48633
Número de ecuaciones 48926
Los resultados obtenidos son presentados a
continuación.
Figura 5 Perfil óptimo de destilado. En rojo flujo destilado estado estacionario.
Figura 6 Perfil óptimo de carga térmica. En línea punteada los valores de referencia de la diferencia cuadrática.
Figura 7 Perfil óptimo de tasa molar de reflujo En línea punteada los valores de referencia de la diferencia cuadrática.
Frente a ambas pertrurbaciones estudiadas el
sistema logra manterner una composición
especifica de destilado (99.5%). Los perfiles
óptimos de tasa de destilado, carga termica de
rehervidor y tasa molar de reflujo son
presentados en las Figuras 5-7. La formulación de
control cumple con los requerimientos de perfiles
suaves y por la calidad de la inicializació se
presumen consistentes.
Es destacable en el estudio de la perturbación
tipo escalon la acción de las variables
manipuladas en las primeras horas de operación,
indicando que a valores nulos de perturbación el
óptimo a nivel economico es alcanzado operando
en los set-points del estado estacionario, tal
como es formulado en la estructura de control
secuencial. Se encuentra de igual manera que la
tendecia del comportamiento de control óptimo
es el esperado al ser economicamente guiado,
logrando valores de ganancia neta positivas y una
pequeña contribución de la penalización
operacional sobre la función objetivo (Tabla 10).
Se logra corroborar la eficiencia de esta
metodología de optimización dinamica, de
acuerdo a los resultados presentados en la Tabla
10, siendo problemas de tamaño considerable
resueltos con gran precisión en escalas de tiempo
computacional de varios ordenes de magnitud
menores al tiempo real simulado. Se observa
11
además que el uso de la metodologia indicada
implica un ligero esfuerzo computacional,
representado en pequeño número de iteraciones.
Tabla 10 Desempeño computacional optimización.
Caso
Parámetro Sinusoidal Escalón
Objetivo [$] -11492 -10790
Utilidades[$] 11496 10806
Iteraciones [-] 19 25
Tiempo [CPU s] 5.934 7.204
Tabla 11 Desempeño computacional optimización, reportados por Ramos et Al [12].
Caso
Parámetro Sinusoidal Escalón
Objetivo [$] ~ − 11850 ~ − 11000
Utilidades [$] 11851 -
Iteraciones [-] 241 223
Tiempo [CPU s] 8 9
Los resultados obtenidos son consistentes a los
reportados por Ramos et Al [12] en términos de
valores de función objetivo, beneficio económico
y tiempo computacional (Tabla 11). La mayor
diferencia entre ambos trabajos reside en la
estrategia de solución utilizada. Ramos
fundamenta la resolución del problema mediante
un algoritmo de programación no lineal (NLP) con
opción en programación paralela (IPOPT con
solver lineal MA86) que ayuda a reducir
drásticamente el tiempo computacional utilizado
frente a otros solvers lineales; mientras en este
trabajo se implementa un algoritmo de
programación serial (CONOPT), que de acuerdo a
los resultados ofrece las mismas ventajas de
rápida convergencia, deseables para el desarrollo
de la metodología de control predictivo.
6. Control predictivo económicamente
guiado
El modelo de control desarrollado es basado en el
control predictivo de procesos (MPC). La familia
de métodos MPC se caracteriza por seguir los
siguientes lineamientos [5]:
En cada punto de muestreo se realiza la
predicción del estado futuro del sistema
a lo largo del intervalo de tiempo
denominado horizonte de predicción.
Los valores son estimados a partir de la
representación matemática del sistema,
que toma como parámetros las
observaciones pasadas y presentes del
sistema, así como también las futuras
señales de control.
El valor presente y futuro de las
variables de control es calculado a partir
de la optimización de un determinado
criterio, que entre sus objetivos busca
mantener el sistema cercano a una
trayectoria de referencia.
Únicamente se retroalimenta la señal
actual de control al sistema, ya que los
valores futuros serán nuevamente
calculados en los siguientes puntos de
muestreo.
Con el fin de lidiar con retardos computacionales
que afectan la estabilidad y robustez de los
controladores basados en MPC y NMPC (Non
Linear Model Predictive Control) [10] se
implementa una modificación del NMPC ideal
denominada asNMPC (Advanced Step Nonlinear
Model Control) desarrollado por Zavala-Biegler
[24], la cual es descrita a continuación.
6.1 Descripción de algoritmo de control
asNMPC
El método asNMPC realiza cambios en la
formulación del modelo de control predictivo
ideal con el objetivo de obtener una
retroalimentación rápida [3]. Se basa igualmente
en la utilización de metodologías de control
óptimo (OCP) sobre el horizonte de predicción;
sin embargo, realiza el procedimiento para la
consecución de la señal de control en el
siguiente punto de muestreo. El algoritmo se
resume en los siguientes pasos:
12
Conociendo el estado del sistema y de
las señales de control en el momento
actual, se estima el estado al siguiente
punto de muestreo mediante
simulación dinámica.
Se realiza la misma secuencia del control
predictivo ideal a partir del estado
predicho. Es posible realizar una
corrección al estado estimado mediante
sensibilidad NLP [3, 24, 10].
Aplicación la señal de control calculada
en el siguiente punto de muestreo.
Para el estudio teórico del controlador se realizan
las siguientes suposiciones:
Todos los estados son medibles,
evitando el uso de estimadores de
estado tales como el filtro extendido de
Kalman, el estimador de Smith, el
observador de Luenberger o estrategias
de MHE (moving horizon estimation)
[25]
No hay desviación entre el
comportamiento real de la columna y el
modelo dinámico, evitando el uso de
mecanismos de detección y/o
corrección de estados como la
sensibilidad NLP [3, 24, 10]. Por esto
último tanto la predicción de estados,
como la respuesta de la planta son
modelados a partir de las ecuaciones
MESH.
De acuerdo con las limitaciones matemáticas del
método de Radau II A –evidenciadas en la
ecuación (E.30)- se realiza el control de la
columna de destilación a partir de la
retroalimentación de valores de retención
hidráulica y energética.
6.2 Evaluación metodología de control predictivo asNMPC Se realiza la evaluación del esquema de control
predictivo en el mismo diseño de la columna de
destilación extractiva estudiada por Garcia-
Herreros et Al y Ramos et Al. El modelo toma
como valores iniciales y de referencia a los
presentados en la Tabla 6. El sistema es sometido
a una perturbación de tipo sinusoidal (E.35 y
Figura 8) y operado a lo largo de 20 minutos.
𝑧𝐸𝑇𝐻 = 0.8 + 0.03 ∗ sin(0.2𝜋𝑡), 𝑡 ∈ [0, 𝑡𝑓] (E.35)
Figura 8 Perturbación en esquema de control predictivo.
Se busca comparar la respuesta del método de
control con respecto al mantenimiento de un set-
point de pureza y una formulación
económicamente orientada. El horizonte de
predicción evaluado corresponde a 5 puntos de
muestro (correspondientes a 5 elementos finitos
de discretización) y una longitud de 2.5 minutos
de tiempo real. Los parámetros de ponderación
de la función objetivo para cada caso son
mostrados en la Tabla 12. En la evaluación de
este controlador se tuvo en cuenta el algoritmo
CONOPT para realizar los procesos de
optimización dinámica y el método de punto
interior IPOPT para los procesos de predicción y
simulación dinámica.
Tabla 12 Parámetros económicos y de ponderación modelo de control predictivo.
Parámetro Control de Composición
Control económico
𝒂𝟏 1,00E+04 1,00E+04
𝒂𝟐 1,00E+03 1,00E+03
𝒂𝟑 5 200
𝑪𝑫 [$] 0 30
𝑪𝑸 [$] 0 1
13
Los resultados encontrados son presentados en
las Figuras 9-12, en azul los referentes al control
de composición y en verde el control económico
(D-RTO).Resultados similares se encuentran entre
las metodología de control óptimo y control
predictivo guiado a ganancias, donde las variables
de control adoptan acción reversa frente a las
composición del producto de interés en la
alimentación. Se destaca igualmente el
comportamiento de las variables manipuladas
(Figura 9-10) en control a composición, al operar
únicamente cuando la desviación del set-point es
significativa.
Figura 9 Perfiles de tasa molar de reflujo
Figura 10 Perfiles de carga térmica de rehervidor
Figura 11 Perfiles de composición de etanol en destilado
Figura 12 Perfiles de flujo de destilado
La acción de ambos controladores cumple con la
expectativa al mantener la composición de etanol
en el destilado en su set-point, presentar un perfil
suave y consistente; además de realizar los
procesos de predicción y optimización en tiempos
menores al muestreo (0.5 minutos), tal como se
observa en la Tabla 13.
Tabla 13 Tiempo promedio de procesamiento, en segundos computacionales.
Predicción Optimización
Control de composición
0,631 18,982
Control económico
0,632 17,400
14
Conclusiones y trabajo futuro
Se realizó de manera exitosa la aplicación de las
metodologías de control óptimo y control
predictivo a una columna de destilación
extractiva, estudiando la separación del sistema
etanol- agua y glicerina como solvente. Se
encontró la respuesta económicamente óptima
del esquema de separación frente a diversas
perturbaciones en la alimentación, siendo estos
resultados coherentes con el estado del arte. Los
resultados obtenidos de las metodologías de
control avanzado apoyan la implementación de
un esquema de optimización de planta en un solo
nivel, que considere simultáneamente las
ganancias y la dinámica propia de las operaciones
industriales; además de consideraciones
ambientales y limitaciones operacionales.
Se comprobó también la efectividad de los
métodos de colocación ortogonal y discretización
total de los sistemas de ecuaciones algebro
diferenciales (DAE), al reducir la complejidad
computacional y tiempos de procesamiento en la
solución de modelos dinámicos, siendo
fácilmente insertables como restricciones en la
formulación de problemas de programación no
lineal (NLP) de tamaño considerable; ayudando a
reducir el efecto del retardo computacional en la
estabilidad de los sistemas.
Se evidenció también las deficiencias del método
de Runge-Kutta implícito Radau II-A en la
implementación de controladores no teóricos, al
obligar a la retroalimentación de variables no
medibles en la práctica, tales como valores de
retención hidráulica y energética, así como
necesitar un inicialización matemáticamente
consistente para la resolución de problemas de
optimización dinámica.
La investigación a futuro debería considerar el
desarrollo de metodologías de sintonización de
controles avanzados, buscando el mejor conjunto
de valores de ponderación que propicien una
respuesta rápida y un controlador robusto. Con
respecto al caso ejemplarizado, la investigación
debe ser enfocada en la evaluación de la
eficiencia computacional de los métodos de
control optimo y predictivo, considerando
fenómenos de transporte y no equilibrio
termodinámico con el fin de obtener un modelo
más riguroso.
NOMENCLATURA At = Área activa de la columna [m
2].
𝐶𝑝 = Capacidad calorífica [GJ/kmol K]
𝑑 = Diámetro de columna [m]. 𝑓𝑎
𝑠= Factor de aireación [-].
𝐹𝑆 = Parámetro de flujo [-]. ℎ𝑒 = Espaciado entre etapas [m]. ℎ𝐷
𝑠 = Altura de líquido sobre el divisor [m].
ℎ𝑙𝑆 = Entalpia de mezcla de líquidos [GJ/kmol].
ℎ𝑣𝑆 = Entalpia de mezcla de gases [GJ/kmol].
ℎ𝑤 = Altura del divisor [m]. 𝐿𝑆 = Flujo molar de líquido [kmol/min].
𝑀𝑆𝑙 = Hold up molar de líquido [kmol].
𝑀𝑆𝑣 = Hold up molar de vapor [kmol].
𝑀𝑆 = Hold up molar total [kmol]. 𝑀𝐶.𝑆 = Hold up molar parcial [kmol]. 𝑁𝑝= Rendimiento económico [$].
𝑃𝑆 = Presión [Bar]. 𝑃𝑠𝑎𝑡
𝑆 = Presión de vapor [Bar]. 𝑄 = Matriz diagonal de penalización. 𝑄𝑙
𝑆 =Caudal de líquido [m3/s].
𝑄𝑣𝑆= Caudal de vapor [m
3/s].
𝑄𝑟 = Carga terimca de rehervidor [GJ/h]
𝑅𝑟 = Tasa molar de reflujo [-]
𝑡 = Tiempo [min].
𝑇𝑆 = Temperatura de etapa [k]. 𝑈𝑆 Hold up energético [GJ] 𝑉𝑆 = Flujo molar de vapor [kmol/min]. 𝑥𝐶.𝑆 =Fracción molar en el líquido [-]. 𝑦𝐶,𝑆 = Fracción molar en el vapor [-].
𝑧𝐶,𝑆 = Fracción molar en la alimentación [-].
Letras griegas 𝛾𝐶,𝑆 = Coeficiente de actividad [-].
Δℎ𝑙𝑣𝐶,𝑆 = Entalpia de vaporización [GJ/kmol].
Δ𝑃𝑆 = Caída de presión [Bar].
Δ𝑃𝑙𝑆 = Caída de presión debido a líquido [Bar].
Δ𝑃𝑠𝑆 = Caída de presión en plato seco [Bar].
𝜌𝑆𝑣= Densidad másica de mezcla de gases [kg/m
3].
𝜌𝑆𝑙 = Densidad másica de mezcla de líquidos [kg/m
3].
𝜌�̅�𝑣 = Densidad molar mezcla de gases [kmol/ m
3].
𝜌�̅�𝑙 = Densidad molar mezcla de líquidos [kmol/ m
3].
𝜏𝑘 = Raíces de Radau [-]. Ω𝑘,𝑗 = Matriz de pesos de colocación ortogonal [-].
15
Subíndices C = Referente a componente. Eth = Referente a etanol. i = Referente a elemento finito sobre horizonte de predicción. k = Referente a punto de colocación. K = Referente a horizonte de predicción. ref = Referente a trayectoria de referencia.
S = Referente a etapa.
set = Referente a condiciones específicas. Superíndices f = Referente a la etapa de alimentación ig = Referente a gas ideal l = Referente a fase liquida. v = Referente a fase vapor.
16
Apéndice A. Correlaciones hidráulicas EL cálculo de las relaciones hidráulicas se realiza mediante las ecuaciones presentadas por Cicile [23] donde considera la caída de presión por etapa como la suma de las contribuciones de líquido y vapor en movimiento (plato seco). A.1 Caída de presión por plato húmedo
𝑃𝑠𝑆 = 10−5(1 − 𝜀2)√(
𝑄𝑣𝑆𝜌𝑆
𝑣
𝐴𝑜
) 𝑆 𝜖 𝐶𝑂𝐿
(A.1)
A.2 Caída de presión por líquido Cálculo de nivel de líquido sobre vertedero
ℎ𝐷𝑠 = 0.6 (
𝑄𝑙𝑆
𝐿𝑤
)
2/3
𝑆 𝜖 𝐶𝑂𝐿 (A.2)
Calculo del factor de aireación
𝑓𝑎𝑠
= 0.981 exp (−0.411𝑄𝑣
𝐴𝑇√𝜌𝑆
𝑣) 𝑆 𝜖 𝐶𝑂𝐿
(A.3)
Δ𝑃𝑙𝑆 = 10−5𝑓𝑎
𝑠𝜌𝑆
𝑙𝑔(ℎ𝐷𝑠 + ℎ𝑤) 𝑆 𝜖 𝐶𝑂𝐿
(A.4)
A.3 Definición perfil de presión en columna Δ𝑃𝑆 = Δ𝑃𝑙
𝑆 + Δ𝑃𝑠𝑆 𝑆 𝜖 𝐶𝑂𝐿
(A.5)
𝑃𝑆 = 𝑃𝑆−1 + Δ𝑃𝑆 𝑆 𝜖 𝐶𝑂𝐿 (A.6)
17
Apéndice B. Parámetros de balances de energía
El cálculo de las variables de evaluación energética se realiza mediante las ecuaciones de DIPPR
[16], teniendo en cuenta las suposiciones de mezcla y gas ideal.
B.1 Capacidad calorífica de gas ideal
𝐶𝑝𝐶 𝑖𝑔(𝑇) = 𝐶1,𝐶 + 𝐶2,𝐶 (
𝐶3,𝐶
𝑇
sinh (𝐶3,𝐶
𝑇)
)
2
+ 𝐶4,𝐶 (
𝐶5,𝐶
𝑇
sinh (𝐶5,𝐶
𝑇)
)
2
(B.1)
B.2 Entalpia de mezclas de gas
ℎ𝐶,𝑆 𝑖𝑔 = ℎ𝐶𝑖𝑔(𝑇𝑟𝑒𝑓) + ∫ 𝐶𝑝𝑐
𝑖𝑔𝑑𝑇𝑇𝑠
𝑇𝑟𝑒𝑓
(B.2)
ℎ𝑐,𝑠 𝑣 = ℎ𝑐𝑖𝑔(𝑇𝑟𝑒𝑓) + [𝐶1,𝑐(𝑢) + 𝐶2,𝑐𝐶3,𝑐 (coth
𝐶3,𝑐
𝑢) − 𝐶4,𝑐𝐶5,𝑐 (tanh
𝐶5,𝑐
𝑢)]
𝑢 = 𝑇𝑠
𝑢 = 𝑇𝑟𝑒𝑓𝑓
(B.3)
ℎ𝑠 𝑣 = ∑ ℎ𝑐,𝑠 𝑣
𝑐
∗ 𝑦𝐶,𝑆 (B.4)
B.3 Entalpia de mezclas de líquidos
∆ℎ𝑐,𝑠𝑙𝑣 = 𝐶1,𝑖(1 − 𝑇𝑟𝐶
)(𝐶2,𝐶+𝐶3,𝐶𝑇𝑟𝐶
+𝐶4,𝐶𝑇𝑟𝐶2 +𝐶5,𝐶𝑇𝑟𝐶
3 ), 𝑇𝑟𝑖
=𝑇𝑠
𝑇𝐶𝑐
(B.5)
ℎ𝑐,𝑠𝑙𝑣 = ℎ𝑐,𝑠 𝑣 − ∆ℎ𝑐,𝑠
𝑙𝑣 (B.6)
ℎ𝑠 𝑣 = ∑ ℎ𝑐,𝑠 𝑙
𝑐
∗ 𝑥𝐶,𝑆
(B.7)
18
Apéndice C. Parámetros de evaluación de equilibrio de fases
La evaluación de los coeficientes de actividad se realiza mediante la ecuación de NRTL [16, 17]. La
presión de saturación se determina mediante la ecuación de Antoine extendida [16, 17].
C.1 Coeficiente de actividad
𝛼𝑖𝑗 = 𝑐𝑖𝑗 + 𝑑𝑖𝑗(𝑇 − 273.15𝐾)
(C.1)
𝜏𝑖𝑗 = 𝑎𝑖𝑗 +𝑏𝑖𝑗
𝑇+ 𝑒𝑖𝑗 ln(𝑇) + 𝑓𝑖𝑗𝑇
(C.2)
𝐺𝑖𝑗 = exp(−𝛼𝑖𝑗𝜏𝑖𝑗) (C.3)
ln(𝛾𝑖) =∑ 𝑥𝑗𝜏𝑗𝑖𝐺𝑗𝑖𝑗
∑ 𝑥𝑘𝐺𝑘𝑖𝑘
+ ∑𝑥𝑗𝐺𝑖𝑗
∑ 𝑥𝑘𝐺𝑘𝑗𝑘
(𝜏𝑖,𝑗 −∑ 𝑥𝑚𝜏𝑚𝑗𝐺𝑚𝑗𝑚
∑ 𝑥𝑘𝐺𝑘𝑗𝑘
)
𝑗
(C.4)
C.2 Presión de saturación
ln 𝑃𝑖𝑠𝑎𝑡 = 𝐶1,𝑖 +
𝐶2,𝑖
𝑇 + 𝐶3,𝑖
+ 𝐶4,𝑖𝑇 + 𝐶5,𝑖 ln 𝑇 + 𝐶6,𝑖𝑇𝐶7,𝑖
(C.5)
19
Referencias
[1] M. Bauer y I. K. Craig, «Economic
assessment of advanced process control – A
survey,» Journal of Process Control, vol. 18,
pp. 2-18, 2008.
[2] J. B. Rawlings y R. Amrit, «Optimizing
Process Economic Performance,» de
Nonlinear Model Predictive Control,
Springer Berlin Heidelberg, 2009, pp. 119-
139.
[3] R. Huang, «Carnegie Mellon University,»
Dicembre 2010. [En línea]. Available:
http://repository.cmu.edu/cgi/viewcontent.
cgi?article=1028&context=dissertations.
[Último acceso: 29 Septiembre 2014].
[4] L. T. Biegler, Nonlinear Programming:
Concepts, Algorithms, and Applications to
Chemical Processes, Philadelphia, PA: MpS-
SIAM Series on Optimization; Society for
Industrial and Applied Mathematics, 2010.
[5] E. F. Camacho y C. Bordons, Model
Predictive Control, London: Springer, 1999.
[6] E. A. Idris y S. Engell, «Economics-based
NMPC strategies for the operation and
control of a continuous,» Journal of Process
Control, vol. 22, pp. 1832-1843, 2012.
[7] X. Yang y L. T. Biegler, «Advanced-multi-
step nonlinear model predictive control,»
Journal of Process Control, vol. 23, pp. 1116-
1128, 2013.
[8] S. I. Abu-Eishah y W. L. Luyben, «Design and
control of a two-column azeotropic
distillation system,» Industrial &
Engineering Chemistry Process Design and
Development, vol. 24, nº 1, pp. 132-140,
1985.
[9] M. W. Maciel y R. P. Brito, «Evaluation of
the dynamic behavior of an extractive
distillation column for dehydration of
aqueous ethanol mixtures,» Computers &
Chemical Engineering, vol. 19, nº
Supplement 1, pp. 11-14, 1995.
[10] R. Huang, V. M. Zavala y L. T. Biegler,
«Advanced step nonlinear model predictive
control for air separation units,» Journal of
Process Control, vol. 19, pp. 678-685, 2009.
[11] I. D. Gil, J. M. Gómez y G. Rodríguez,
«Control of an extractive distillation process
to dehdrate ethanol using glycerol as
entraitainer,» Computers and Chemical
Engineering, vol. 39, pp. 129-142, 2012.
[12] M. A. Ramos, P. García-Herreros, J. M.
Gómez y J.-M. Reneaume, «Optimal Control
of the Extractive Distillation for the
Production of Fuel-Grade Ethanol,»
Industrial & Engineering Chemistry
Research, vol. 52, nº 25, p. 8471–8487,
2013.
[13] M. A. Ramos, J. M. Gómez y J.-M. Reneume,
«Simultaneous Optimal Design and Control
of an Extractive Distillation System for the
Production of Fuel Grade Ethanol Using a
Mathematical Program with
Complementarity Constraints,» Industrial &
Engineering Chemical Research, vol. 53, nº
2, pp. 752-764, 2014.
[14] R. Lopez-Negrete, F. J. D’Amato, L. T.
Biegler y A. Kumar, «Fast nonlinear
model predictive control: Formulation
and industrial process,» Computers and
Chemical Engineering, vol. 51, pp. 55-
64, 2014.
[15] F. J. Zuiderweg , «Sieve trays: A view on
the state of the art,» Chemical
20
Engineering Science , vol. 37, nº 10, pp.
1441-1464, 1982.
[16] R. H. Perry y D. W. Green, Perry's
Chemical Engineers' Handbook, New
York, NY: McGraw-Hill, 1999.
[17] B. E. Poling, J. M. Prausnitz y J. P.
O’Connell, The Properties of Liquids and
Gases, New York: McGraw Hill, 2001.
[18] A. U. Raghunathana, M. S. Diazb y L. T.
Biegler, «An MPEC formulation for
dynamic optimization of distillation
operations,» Computers & Chemical
Engineering, vol. 28, nº 10, pp. 2037-
2052, 2004.
[19] E. Hairer y G. Wanner, «Stiff differential
equations solved by Radau methods,»
Journal of Computational and Applied
Mathematics, vol. 111, nº Issues 1-2,
pp. 93-111, 1999.
[20] J. C. Butcher y G. Wanner, «Runge–
Kutta methods: some historical notes,»
Applied Numerical Mathematics, vol.
22, nº Issues 1-3, pp. 113-151, 1996.
[21] P. Garcia-Herreros, J. M. Gómez, I. D. Gil
y G. Rodríguez, «Optimization of the
Design and Operation of an Extractive
Distillation System for the Production of
Fuel Grade Ethanol Using Glycerol as
Entrainer,» Industrial & Engineering
Chemistry Research, vol. 50, nº 7, p.
3977–3985, 2011.
[22] P. A. Bastidas, I. D. Gil y G. Rodríguez,
Comparison of the main ethanol
dehydration technologies through
process simulation., Ischia, Italy: 20th
European Symposium on Computer
Aided Process Engineering–ESCAPE-20,
2010.
[23] J.-C. Cicile, « Colonnes à plateaux :
dimensionnement,» Techniques de
l'ingénieur, vol. 2J2623, pp. 1762-8725,
1994.
[24] V. M. Zavala y L. T. Biegler, «The
advanced-step NMPC controller:
Optimality, stability and robustness,»
Automatica, vol. 45, pp. 86-93, 2009.
[25] V. M. Zavala y L. T. Biegler, «Nonlinear
Programming Strategies for State
Estimation and Model Predictive
Control,» de Nonlinear Model Predictive
Control, Springer Berlin Heidelberg,
2009, pp. 419-432.